Query-Efficient Quantum Multi-Objective Optimization for Materials Configuration Search via Bayesian Weight Selection
تقدم هذه الورقة BW-QAMOO، وهي طريقة تحسين كمي متعددة الأهداف فعالة في عدد الاستعلامات، تستخدم التحسين البايزي متعدد الأهداف لتكييف أوزان الأهداف لخوارزمية QAOA، مما يقلل بشكل كبير من عدد استدعاءات الحلّال المكلفة المطلوبة لتتبع جبهات باريتو مقارنة باستراتيجيات أخذ العينات العشوائية أو الموحدة غير التكيفية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
إن تصميم مواد جديدة نادراً ما يكون مسألة إيجاد حل واحد مثالي، بل هو تمرين مستمر في موازنة الاحتياجات المتعارضة. فقد يحتاج سبيكة معدنية إلى أن تكون قوية بما يكفي لتحمل جسراً، وخفيفة بما يكفي لطائرة، ورخيصة بما يكفي لإنتاجها بكميات كبيرة. وغالباً ما يؤدي جعل المادة أكثر قوة إلى جعلها أثقل أو أكثر تكلفة. ويطلق العلماء على هذا "مسألة متعددة الأهداف"، حيث لا يكون الهدف هو العثور على فائز واحد، بل رسم خريطة كاملة للتنازلات الممكنة. تُعرف هذه الخريطة باسم "جبهة باريتو" (Pareto front)، وهي مجموعة من التصاميم التي يؤدي تحسين أحد جوانبها حتماً إلى تدهور جانب آخر. ولإيجاد هذه التصاميم، يلجأ الباحثون غالباً إلى الحواسيب الكمومية، وهي فريدة من نوعها في حل الألغاز المعقدة التي تتضمن أجزاءً عديدة متفاعلة. ومع ذلك، فإن الآلات الكمومية الحالية باهظة الثمن وعرضة للأخطاء، مما يجعل كل عملية حسابية واحدة مورداً مكلفاً. لذا، فإن التحدي لا يكمن فقط في استخدام حاسوب كمومي، بل في استخدامه بحكمة، وطرح الأسئلة الصحيحة للحصول على أكبر قيمة من كل محاولة محدودة.
لقد طور فريق من الباحثين في معهد IBM Research طريقة جديدة لحل مشكلة الكفاءة هذه. فقد ركزوا على تقنية تسمى "التحسين التقريبي الكمي متعدد الأهداف" (Quantum Approximate Multi-Objective Optimization)، والتي تحاول تتبع مشهد تنازلات المواد من خلال حل سلسلة من المسائل المبسطة. في هذا النهج، يتم دمج المقايضات المعقدة بين الخصائص المختلفة للمادة في درجة واحدة باستخدام مجموعة من الأوزان. ثم يقوم الحاسوب الكمومي بحل أفضل تكوين للمادة لتلك الدرجة المحددة. كانت النسخة الأصلية من هذه الطريقة تختار هذه الأوزان عشوائياً، مما يعني تخمين التوليفات التي يجب اختبارها تالياً دون التعلم من النتائج السابقة. وقد أدرك الباحثون أن هذه الاستراتيجية كانت مهدرة، خاصة مع زيادة عدد الخصائص المتنافسة. لذا أعادوا صياغة المسألة كمهام تعلم، حيث أنشأوا نظاماً يعمل كدليل ذكي؛ فبدلاً من التخمين، يبني هذا النظام خريطة ذهنية للنتائج التي رآها بالفعل ويستخدم تلك الخريطة للتنبؤ بمكان الاختبار الأكثر قيمة التالي.
تستخدم الطريقة الجديدة، التي أطلق عليها الفريق اسم BW-QAMOO، أداة إحصائية تُعرف باسم "العملية الغاوسية" (Gaussian process) لتعمل كنموذج بديل. فكر في هذا الأمر كأنه تخمين متعلم للغاية يملأ الفجوات بين نقاط البيانات التي قدمها الحاسوب الكمومي بالفعل. وفي كل خطوة، يحسب النظام أي توليفة أوزان غير مختبرة هي الأكثر احتمالاً للكشف عن تصميم مادي جديد وقيّم لم يتم العثور عليه بعد. وهو يوازن بين غريستين: استكشاف المناطق الجديدة غير المكتشفة، واستغلال المناطق الواعدة التي حددها بالفعل. وتتم توجيه هذه العملية بواسطة مقياس يسمى "تحسن الحجم الفائق المتوقع" (expected hypervolume improvement)، والذي يتساءل جوهرياً: "إذا اختبرنا هذه التوليفة المحددة، فما مقدار ما سنفهمه أكثر عن إجمالي المشهد؟". ومن خلال اختيار الاختبار التالي بناءً على هذه الحسابات بدلاً من الصدفة العشوائية، يتجنب النظام إضاعة الوقت في التوليفات التي من غير المرجح أن تقدم رؤى جديدة.
لاختبار فكرتهم، قام الباحثون بمحاكاة سيناريو يتضمن تهيئة الذرات في سبيكة "مجهدة" (frustrated alloy)، وهي نوع من المواد التي تكافح فيها الذرات للاستقرار في نمط مستقر. وقد وضعوا تجارب تتضمن ثلاثة وأربعة أهداف طاقة متنافسة، تمثل خصائص فيزيائية مختلفة كان من المفترض أن تلبيها المادة. وقاموا بتشغيل طريقتهم الجديدة في الاختيار الذكي جنباً إلى جنب مع الطريقة العشوائية الأصلية، وطريقة ثالثة تختبر الأوزان في شبكة ثابتة ومعدة مسبقاً. وأظهرت النتائج ميزة واضحة للنهج الذكي؛ ففي عمليات المحاكاة، وصلت الطريقة الجديدة إلى نفس المستوى من فهم مشهد المادة باستخدام عدد أقل بكثير من الحسابات الكمومية. وفي المتوسط، تطلبت محاولات أقل بنحو الثلث مقارنة بالطريقة العشوائية لإيجاد 90 بالمائة من أفضل التصاميم الممكنة. وعند مقارنتها بطريقة الشبكة الجامدة، كانت الوفورات أكثر دراماتيكية، حيث احتاج النهج الجديد إلى عدد أقل من الحسابات بنسبة تصل إلى ثلاثة أرباع.
تسلط هذه الدراسة الضوء على أن فائدة هذا الاختيار الذكي تزداد كلما زادت تعقيد المسألة. فعندما يكون هناك عدد قليل فقط من الخصائص للموازنة بينها، قد يحالف التخمين العشوائي الحظ. ولكن مع زيادة عدد الأهداف المتنافسة، يتوسع مجال الاحتمالات بسرعة، ويصبح التخمين العشوائي غير فعال بشكل متزايد. ووجد الباحثون أن طريقتهم التكيفية أصبحت أكثر فعالية مع إضافة المزيد من الأهداف إلى المزيج. وهذا يشير إلى أن النهج الموجه يتفوق بمراحل على النهج الأعمى في المسائل المعقدة ومتعددة الأوجه النموذجية في علم المواد الحقيقي. وقد أُجري العمل باستخدام حاسوب كمومي محاكى، مما يعني أن النتائج هي إثبات لمفهوم وليست عرضاً على أجهزة حقيقية. ويقر الباحثون بأن الآلات الكمومية الحقيقية تسبب ضوضاء وتأخيرات يمكن أن تؤثر على الأداء، لكن المنطق الأساسي لاستخدام الذكاء الكلاسيكي لتوجيه الموارد الكمومية يظل سليماً.
يشير هذا البحث نحو مستقبل لا تُستخدم فيه الحواسيب الكمومية بمعزل عن غيرها، بل تُحاط بذكاء اصطناعي كلاسيكي يدير مواردها. حيث يعمل الحل الكمومي كـ "عراف" (oracle) قوي ولكن مكلف، يجيب على أسئلة محددة، بينما يقرر نظام التعلم الكلاسيكي أي الأسئلة تستحق الطرح. تتيح هذه الشراكة للعلماء تحقيق أقصى استفادة من التكنولوجيا الكمومية القريبة دون انتظار آلات مثالية وخالية من الأخطاء. ويشير الفريق إلى أن الخطوات التالية تتضمن اختبار هذه الطريقة على أجهزة كمومية حقيقية وتطبيقها على مواد فعلية ذات تفاعلات ذرية معقدة بدلاً من النماذج المبسطة. كما يخططون لاستكشاف كيف يمكن لهذا النهج التعامل مع أكثر من نوعين من الذرات في سبيكة واحدة، وهو أمر شائع في السبائك المتقدمة عالية الإنتروبيا. ومن خلال تحسين كيفية استخدام هذه الآلات، يعتقد الباحثون أن بإمكانهم تسريع اكتشاف مواد جديدة تكون أقوى وأخف وزناً وأكثر كفاءة، محولين القوة النظرية للحوسبة الكمومية إلى تقدم علمي ملموس.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.