Engineered Learning Problems on Noisy Quantum Processors
تُظهر هذه الورقة أن مشكلات التصنيف المهندسة على معالجات كمية مشوبة بضجيج وتصل إلى 45 كيوبت يمكن أن تتفوق على الطرق الكلاسيكية، لا سيما عندما يتم تعزيزها بتخفيف الخطأ، رغم أن تجاوز تقنيات المحاكاة المتطورة مثل حالات ضرب المصفوفات يظل تحدياً كبيراً.
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
في السباق لبناء آلات يمكنها حل مشكلات تتجاوز قدرات الحواسيب الحالية، يستكشف العلماء مجالاً تصبح فيه قوانين الفيزياء نفسها هي المعالج. هذا هو عالم تعلم الآلة الكمي، وهو تخصص يحاول استخدام السلوكيات الغريبة وغير المتوقعة للجسيمات دون الذرية للتعرف على الأنماط وإجراء التنبؤات. تعتمد الفكرة الجوهرية على مفهوم يسمى "النواة" (kernel)، وهي في الأساس أداة رياضية لقياس مدى تشابه قطعتين من البيانات. في الحاسوب التقليدي، تعمل هذه الأداة من خلال مقارنة نقاط البيانات بطريقة مألوفة. أما في الحاسوب الكمي، فيتم أولاً ترجمة البيانات إلى لغة ميكانيكا الكم، حيث توجد في فضاء معقد وعالي الأبعاد يصعب على الآلات التقليدية التنقل فيه. والأمل يكمن في أنه من خلال إجراء هذه الترجمة، يمكن للآلة الكمية أن تجد روابط خفية في البيانات لا تستطيع الطرق التقليدية رؤيتها ببساطة. ومع ذلك، ظل هناك سؤال ملح يلوح في الأفق فوق هذا المجال: هل يمكن لهذه الأجهزة الكمية الصاخبة وغير المثالية أن تتفوق فعلياً على أقوى الحواسيب الفائقة التقليدية، أم أنها مجرد آلات تعاني تحت وطأة هشاشتها؟
وضع فريق من الباحثين حداً لهذا السؤال من خلال تصميم تحدٍ اصطناعي محدد حيث يمكن للحاسوب الكمي نظرياً أن يحقق ميزة. لم يحاولوا حل مشكلة من العالم الحقيقي مثل التنبؤ بالطقس أو تشخيص مرض ما، لأن الطرق التقليدية لتلك المهام قوية جداً ومفهومة جيداً. بدلاً من ذلك، ابتكروا لغزاً مخصصاً. أخذوا مجموعة قياسية من الصور - صور لملابس مثل القمصان والفساتين - واستخدموا دائرة كمية لتحويل البيانات إلى شكل جديد. ثم استخدموا نتائج ذلك التحويل لتعيين تسميات للصور، مما خلق فعلياً اختباراً حيث كانت الإجابات "الصحيحة" محددة من خلال المنظور الفريد للآلة الكمية نفسها. كان الهدف هو معرفة ما إذا كان بإمكان الحاسوب الكمي التنبؤ بهذه التسميات بشكل أفضل من حاسوب تقليدي يحاول حل اللغز نفسه. ولضمان أن تكون النتائج حقيقية وليست مجرد صدفة ناتجة عن سمات جهاز معين، أجروا التجربة على معالجين كميين مختلفين، أحدهما بـ 54 كيوبت والآخر بـ 20 كيوبت، بل واختبروا المشكلة نفسها على أقسام مختلفة من نفس الشريحة لمعرفة ما إذا كانت النتائج ستصمد عبر مستويات ضجيج مختلفة.
وجد الباحثون أنه عندما ظلت الدوائر الكمية بسيطة نسبياً، تفوقت الآلة الكمية بالفعل على منافسيها التقليديين. فقد نجحت في التنبؤ بالتسميات بدرجة عالية من الدقة، بينما كافحت أفضل النماذج التقليدية لمواكبتها. كان هذا الفارق في الأداء واضحاً وقابلاً للتكرار عبر الإعدادات العتادية المختلفة. ومع ذلك، عندما جعل الباحثون الدوائر الكمية أكثر عمقاً وتعقيداً للتعامل مع المزيد من البيانات، بدأت الميزة في التلاشي. بدأ الضجيج المتأصل في الأجهزة الكمية الحالية - وهي الأخطاء الحتمية التي تتسلل مع تشغيل الآلة - في تشويه النتائج. وعند نقطة معينة، بعمق دائرة يعادل عشر خطوات من عملية حسابية محددة، انخفض أداء الآلة الكمية لدرجة أنها لم تعد قادرة على هزيمة النماذج التقليدية. لم يعد الحاسوب الكمي فائزاً؛ بل أصبح مرتبكاً تماماً مثل الحاسوب التقليدي.
ثم توجه الفريق إلى مجموعة من التقنيات المعروفة باسم "تخفيف الخطأ" (error mitigation)، وهي مصممة لتنظيف البيانات الصاخبة بعد تشغيل التجربة، مما يعني فعلياً طرح الأخطاء المعروفة للكشف عن الإشارة الحقيقية. اختبروا عدة طرق، بما في ذلك طريقة تحاول تخمين النتيجة التي كانت ستكون عليها الآلة لو لم يكن بها ضجيج على الإطلاق، وأخرى تستخدم سلسلة من النبضات السريعة لتثبيت الكيوبتات. واكتشفوا أن ليست كل طرق تصحيح الخطأ متساوية. إحدى التقنيات، التي قامت ببساطة بتعديل الأرقام النهائية بناءً على كيفية قراءة الآلة لها، فشلت في المساعدة. أما الطريقة الأخرى، التي حاولت استقراء النتيجة الخالية من الضجيج، فقد نجحت في استعادة فجوة الأداء، ولكن فقط من خلال جعل اللغز نفسه أصعب على الحاسوب التقليدي، بدلاً من جعل الحاسوب الكمي أفضل بشكل ملحوظ. ومع ذلك، كانت الطريقة الأكثر فعالية هي الطريقة التي تعمل بنشاط على كبح الضجيج أثناء العملية. لم يكتفِ هذا النهج باستعادة ميزة الآلة الكمية فحسب، بل حسن أيضاً قدرتها على حل اللغز، مما جعل أداءها أقرب بكثير إلى ما قد يحققه جهاز مثالي خالٍ من الضجيج.
على الرغم من هذه النجاحات، كان الباحثون حذرين في توضيح ما لم يثبته عملهم. لقد أظهروا أن الأجهزة الكمية يمكنها التفوق على نماذج تعلم الآلة التقليدية في مهمة هندسية محددة، لكنهم أظهروا أيضاً أن هذه الميزة ليست مطلقة. فعندما قاموا بمحاكاة العملية الكمية باستخدام خوارزمية تقليدية قوية تُعرف باسم "حالة ضرب المصفوفة" (matrix product state)، وهي مصممة لمحاكاة الأنظمة الكمية، كان أداء المحاكاة التقليدية مساوياً لأداء الأجهزة الكمية الصاخبة. يشير هذا إلى أن الميزة الكمية الحالية هشة وتعتمد بشدة على نوع المشكلة ومستوى الضجيج. تمكنت المحاكاة التقليدية من مواكبة الآلة لأن الدوائر الكمية المستخدمة في التجربة لم تكن معقدة بما يكفي لكسر حدود الحوسبة التقليدية. وخلص الباحثون إلى أنه بينما أظهروا مساراً يمكن للآلات الكمية أن تفوز فيه، فإن الهدف النهائي المتمثل في التغلب على أفضل طرق المحاكاة التقليدية لا يزال عقبة كبيرة. ويتطلب المسار المستقبلي تصميم مشكلات ليست صعبة فحسب على الحواسيب التقليدية لمحاكاتها، بل مستحيلة بالنسبة لها، حتى مع استخدام أكثر الخوارزميات تقدماً المتاحة اليوم.
تعد هذه الدراسة بمثابة خريطة واقعية للمشهد الحالي للحوسبة الكمية. فهي تؤكد أن الآلات الكمية يمكنها القيام بأشياء لا تستطيع الآلات التقليدية القيام بها، ولكن فقط تحت ظروف خاضعة للتحكم الدقيق ومع المساعدة من تصحيح الخطأ. كما تسلط الضوء على أن المجال لا يزال في مرحلة يكون فيها "الضجيج" الخاص بالآلة هو العامل الحاسم غالباً بين النصر والهزيمة. ومن خلال إظهار أن تقنيات تخفيف الخطأ المختلفة لها تأثيرات متفاوتة للغاية، يوفر هذا العمل خارطة طريق للتجارب المستقبلية، مما يشير إلى أن مجرد تشغيل خوارزمية كمية ليس كافياً؛ بل يجب أيضاً اختيار الأدوات الصحيحة لتنظيف الفوضى التي تحدثها الآلة. لم يدعِ الباحثون أنهم حلوا مشكلة الميزة الكمية، لكنهم قدموا دليلاً قوياً على أنها هدف يمكن تحقيقه، شريطة اختيار المشكلات بعناية كافية للتفوق على عمليات المحاكاة التقليدية التي تشكل حالياً العقبة الأكبر.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.