Distilling Knowledge from Search: Decoder Model Factory for Quantum LDPC Codes

تحمل الحواسيب الكمومية الوعد بحل مشكلات قد تستغرق آلات اليوم آلاف السنين لفك رموزها، بدءاً من تصميم أدوية جديدة وصولاً إلى نمذجة الأنظمة المناخية المعقدة. ومع ذلك، فإن هذه الآلات هشة للغاية؛ فالجسيمات الصغيرة التي تستخدمها لتخزين المعلومات، والمعروفة باسم "الكيوبتات" (qubits)، تتأثر بسهولة بأدنى اهتزاز أو حرارة، مما يتسبب في وقوع أخطاء. لبناء حاسوب كمومي مفيد، يجب على العلماء بناء نظام يمكنه اكتشاف وإصلاح هذه الأخطاء بسرعة أكبر من حدوثها. وتعتمد هذه العملية، التي تسمى "تصحيح الخطأ"، على "مفكك شفرة" (decoder) — وهو برنامج حاسوبي كلاسيكي يعمل مثل المترجم؛ إذ يقرأ الإشارات المشوشة من الآلة الكمومية ويستنتج ما الذي حدث بشكل خاطئ حتى يتمكن النظام من إصلاحه. والتحدي يكمن في أنه مع زيادة حجم الحواسيب الكمومية وتعقيدها، تصبح أنماط الأخطاء أصعب في التنبؤ بها، ويجب أن تكون البرمجيات اللازمة لإصلاحها سريعة بما يكثل لمواكبة الأمر في الوقت الفعلي.

لقد قدم فريق من الباحثين نهجاً جديداً لهذه المشكلة، حيث طوروا نظاماً أطلقوا عليه اسم "مصنع نماذج فك الشفرة" (decoder model factory). فبدلاً من بناء برنامج واحد ثابت لإصلاح الأخطاء، طوروا طريقة يتعلم فيها مفكك الشفرة ويحسن نفسه بمرور الوقت، تماماً مثل طالب يتحسن في مادة ما من خلال التدرب على أمثلة تزداد صعوبة. ويتمثل جوهر عملهم في نوع جديد من مفككات الشفرة يسمى "GraphMP". تستخدم هذه الأداة تقنية تُعرف باسم "تمرير الرسائل" (message passing)، حيث يتم تبادل قطع صغيرة من المعلومات بين أجزاء مختلفة من الشبكة لبناء صورة كاملة لما يحدث. وخلافاً للطرق السابقة التي كان عليها إعادة التدريب من الصفر في كل مرة يتغير فيها حجم الحاسوب الكمومي أو نوع الضجيج الذي يواجهه، فقد صُمم "GraphMP" ليكون مرناً؛ إذ يمكنه أخذ نفس مجموعة القواعد المتعلمة وتطبيقها على أكواد كمومية وأنماط خطأ مختلفة دون الحاجة إلى إعادة التدريب.

أظهر الباحثون أن مفكك الشفرة المرن هذا يمكن دمجه داخل خوارزمية بحث تعمل مثل محقق دقيق. فعندما يقدم مفكك الشفرة تخميناً بشأن خطأ ما، تقوم خوارزمية البحث باختبار هذا التخمين عبر إصلاح أجزاء محددة من المشكلة مؤقتاً ورؤية ما إذا كانت بقية الصورة ستظل متماسكة. وإذا أدى التخمين إلى تناقض، تقوم الخوارزمية بالتراجع وتجربة مسار آخر. تسمح هذه العملية للنظام بالمقايضة بجزء بسيط من الوقت الإضافي مقابل فرصة أكبر بكثير للحصول على الإجابة الصحيحة. وقد وجد الفريق أنه باستخدام طريقة البحث هذه، استطاعوا خفض معدل الأخطاء التي تفلت من التصحيح بشكل كبير، حتى عند تطبيق مفكك الشفرة على أكواد كمومية لم يسبق له رؤيتها من قبل.

ومع ذلك، فإن الابتكار الأكثر أهمية هو جانب "المصنع" في عملهم. فقد أدرك الباحثون أن عملية البحث عن الإجابة الصحيحة تولد كنزاً من البيانات؛ ففي كل مرة تنجح فيها خوارزمية البحث في إيجاد حل، فإنها تترك وراءها سجلاً للخطوات التي اتخذتها. يستخدم الفريق هذه السجلات الناجحة لتدريب الجيل التالي من مفككات الشفرة. وفي هذه الدورة، يساعد مفكك الشفرة الحالي في إيجاد الإجابات الصحيحة، ثم تُستخدم تلك الإجابات لتعليم مفكك الشفرة التالي كيفية إيجادها بشكل أسرع وأكثر دقة. وهذا يخلق حلقة ذاتية التحسين حيث يتعلم النظام من تجربته الخاصة. وفي عمليات المحاكاة التي أجروها، سمحت هذه العملية لمفككات الشفرة بأن تتحسن مع كل جولة تدريب، لتتفوق في النهاية على الطرق الكلاسيكية المتطورة للغاية في عدة مهام صعبة.

كما اختبر الباحثون ما إذا كان بإمكان هذا النظام التكيف عندما تتغير البيئة. فقد قاموا بمحاكاة سيناريو يتغير فيه نوع الضجيج الذي يؤثر على الحاسوب الكمومي فجأة. وعندما واجه مفكك الشفرة هذا النوع الجديد من الأخطاء، انخفض أداؤه في البداية، كما هو متوقع. ومع ذلك، ومن خلال الاستمرار في دورة المصنع — أي جمع بيانات جديدة من البيئة المتغيرة وتدريب نموذج جديد — استعاد النظام عافيته بسرعة وتعلم كيفية التعامل مع الظروف الجديدة بفعالية. وهذا يشير إلى أن مثل هذا النظام يمكن أن يعمل يوماً ما على أجهزة كمومية حقيقية، حيث يقوم بتحديث استراتيجياته باستمرار لتناسب السلوك المتغير للآلة التي يحميها.

الرؤية النهائية هي نظام مزدوج حيث تعمل طبقة كلاسيكية سريعة جنباً إلى جنب مع المعالج الكمومي. ستتولى الطبقة الكلاسيكية المهمة الفورية المتمثلة في تصحيح الأخطاء في الوقت الفعلي، بينما تعمل عملية خلفية أبطأ في الخلفية للتعلم المستمر من نتائج عمليات التصحيح هذه لإنتاج نماذج أفضل للمستقبل. يشبه هذا النهج كيف يتعلم الجهاز المناعي البيولوجي محاربة الأمراض الجديدة: فهو يستجيب بسرعة للتهديد المباشر بينما يستخدم الخبرة المكتسبة من تلك المعركة لبناء دفاعات أقوى للمستقبل. وبينما تأتي النتائج حتى الآن من محاكاة حاسوبية، فإن هذا العمل يوفر مخططاً ملموساً لكيفية استخدام الذكاء الاصطناعي لجعل الحواسيب الكمومية أكثر موثوقية وقابلية للتوسع، محولاً الضجيج الفوضوي للعالم الكمومي إلى تدفق يمكن إدارته من المعلومات التي يمكن تصحيحها والوثوق بها.