Scaling Laws for Parameter Setting in Digitized Counterdiabatic QAOA

في المشهد الواسع للحوسبة الحديثة، تتضمن بعض التحديات الأكثر استعصاءً إيجاد أفضل ترتيب واحد من بين عدد مذهل من الاحتمالات. وسواء كان الأمر يتعلق بتوجيه شاحنات التوصيل عبر المدينة، أو جدولة آلات المصانع، أو تسوية المعاملات المالية، فإن هذه هي مشكلات التحسين التوافقي. ولعقود من الزمن، نظر العلماء إلى الحواسيب الكمومية — وهي آلات تستخدم القواعد الغريبة للعالم دون الذري — لحل هذه الألغاز بشكل أسرع مما يمكن للآلات الكلاسيكية فعله. أحد أكثر الأدوات واعداً لهذه المهمة هو خوارزمية تسمى "خوارزمية التقريب الكمومي للتحسين" (QAOA). فكر فيها كعملية بحث موجهة: يقوم الكمبيوتر بإعداد حالة كمومية، ويطبق سلسلة من العمليات التي يتم التحكم فيها بواسطة أرقام محددة تسمى المعلمات، ثم يقيس النتيجة ليرى مدى اقترابها من الحل المثالي. لكن العقبة تكمن في أنه لكل مشكلة جديدة، يحتاج الكمبيوتر عادةً إلى تشغيل عملية طويلة وبطيئة لتحديد أفضل الأرقام للاستخدام. هذه الخطوة المتمثلة في "الضبط" تستهلك الوقت والموارد، وغالباً ما تلغي ميزة السرعة التي كان من المفترض أن توفرها الآلة الكمومية.

لقد وجد الباحثان ياوتشنغ تشين وجياباي زوانج طريقة لتجاوز هذه العقبة لخوارزمية كمومية محددة النوع مصممة للتعامل مع المشكلات الموزونة، حيث تختلف قوة الروابط بين العناصر. لقد اكتشفا أن الإعدادات المثلى لعناصر التحكم في الخوارزمية ليست عشوائية أو فريدة لكل مشكلة على حدة. بدلاً من ذلك، تتبع هذه الإعدادات نمطاً يمكن التنبؤ به بناءً على حقيقتين بسيطتين حول المشكلة نفسها: عدد الروابط التي تمتلكها العناصر في المتوسط، ومدى قوة تلك الروابط. ومن خلال دراسة آلاف الإعدادات المختلفة للمشكلات عبر المحاكاة، بنى الفريق مجموعة من القواعد التي يمكنها التنبؤ بالإعدادات المثلى لمشكلة جديدة بمجرد النظر إلى إحصائياتها الأساسية. وهذا يعني أنه يمكن تسليم مشكلة جديدة غير محلولة إلى حاسوب كمومي وإعطاؤه فوراً التعليمات الصحيحة لبدء البحث، دون الحاجة لقضاء الوقت في معرفة ماهية تلك التعليمات.

ركز الفريق على نسخة متطورة من الخوارزمية القياسية تُعرف باسم "الخوارزمية الكمومية للتحسين المضاد للديابيتيك الرقمي" (digitized counterdiabatic QAOA). وبينما تستخدم النسخة القياسية نوعين من العمليات للتنقل عبر الإجابات المحتملة، تضيف هذه النسخة المحسنة نوعاً ثالثاً من العمليات المصممة لمنع النظام من التعثر أو ارتكاب الأخطاء أثناء تطوره. هذه الخطوة الإضافية تجعل الخوارزمية أكثر قوة ولكن أيضاً أكثر تعقيداً، حيث تتطلب ضبط ثلاث مجموعات من الأرقام لكل طبقة من عملية المعالجة. بدأ الباحثون بتشغيل عمليات محاكاة ضخمة "خارج الخط" (offline) على مجموعة واسعة من هياكل الرسوم البيانية — وهي خرائط رياضية للروابط — تتراوح من الحلقات البسيطة إلى الشبكات العشوائية المعقدة. وقد قاموا بتحسين الإعدادات لكل من هذه الآلاف من الرسوم البيانية للوصول إلى أفضل أداء.

وما نتج عن هذا الجبل من البيانات هو انتظام مذهل. فعندما قام الباحثون بضبط الإعدادات وفقاً لحجم الروابط ومتوسط عدد الروابط لكل عنصر، تجمعت الإعدادات المثلى لجميع الرسوم البيانية المختلفة في كتلة ضيقة. بدا الأمر كما لو أن التفاصيل المحددة لكل رسم بياني لا تهم بقدر ما يهم الحجم الإجمالي للمشكلة. وأدرك الفريق أنه يمكنهم وصف الإعدادات المثلى باستخدام صيغة بسيطة تأخذ متوسط عدد الاتصالات وقوة الروابط كمدخلات. تعمل هذه الصيغة كمفتاح عالمي: بمجرد معرفة الإحصائيات الأساسية لمشكلة جديدة، يمكنك إدخالها والحصول على الأرقام الدقيقة اللازمة لتشغيل الدائرة الكمومية. والنتيجة هي "وصفة مجمدة"، وهي مجموعة ثابتة من القواعد التي تعين المعلمات الصحيحة فوراً، متجاوزة بذلك عملية البحث الطويلة بالكامل.

لاختبار ما إذا كان هذا الاختصار يعمل بالفعل، أجرى الباحثون عمليات محاكاة على 1,050 رسماً بيانياً اختبارياً مختلفاً لم ترها الخوارزمية من قبل. وقارنوا نهجهم القائم على الصيغة مقابل طريقة قياسية تستخدم مجموعة ثابتة من الأرقام للجميع. وفي كل حالة، من الدوائر الضحلة التي تحتوي على طبقة واحدة فقط من العمليات إلى الدوائر الأعمق التي تحتوي على أربع طبقات، حققت الطريقة القائمة على الصيغة متوسط احتمالية أعلى لأخذ العينة من الحل الأمثل مقارنة بالنهج الثابت القياسي. وعند عمق أربع طبقات، وصل متوسط احتمالية الحل الأمثل للطريقة الجديدة إلى 19.36%، مقارنة بـ 13.11% للنهج الثابت القياسي. وقد صمدت هذه الميزة عبر أنواع مختلفة من الشبكات وطرق مختلفة لتخصيص قوة الروابط. حتى أن الباحثين اختبروا الطريقة على معالج كمومي حقيقي، وهو IBM ibm_fez، باستخدام شبكات منتظمة صغيرة. وبينما أدت الضوضاء في الأجهزة الحقيقية إلى تعقيد النتائج في المستويات الأعمق، إلا أن الطريقة القائمة على الصيغة لا تزال تظهر ميزة واضحة عند المستوى الأكثر ضحالة، مما يثبت أن القواعد المستمدة من المحاكاة يمكن أن تترجم إلى آلات فيزيائية.

كما استكشفت الدراسة ما إذا كانت هذه الإعدادات المحسوبة مسبقاً يمكن أن تعمل كنقطة انطلاق جيدة لمزيد من الصقل. وفي تجربة منفصلة، أخذ الباحثون الإعدادات التي قدمتها صيغتهم واستخدموها لتهيئة عملية بحث تحسين قياسية على مجموعة صغيرة من الرسوم البيانية. ووجدوا أن البدء بالأرقام التي توفرها الصيغة سمح للبحث بالوصول إلى حل أفضل بشكل أسرع بكثير من البدء بتخمين عشوائي. في الواقع، حقق البدء القائم على الصيغة جودة حل متوسطة أعلى مما يمكن أن يصل إليه البحث العشوائي حتى بعد 500 محاولة. وهذا يشير إلى أن الصيغة لا تستبدل البحث فحسب، بل توفر منصة انطلاق عالية الجودة تجعل أي عملية ضبط دقيق لاحقة أكثر فعالية.

ومع ذلك، فقد كان الباحثون حذرين في الإشارة إلى المواضع التي قد تتعثر فيها طريقتهم. فقد اشتُقت القواعد من رسوم بيانية ذات عدد متوسط من الاتصالات، وعندما اختبروا الصيغة على رسوم بيانية ذات اتصالات قليلة جداً، انخفض الأداء، خاصة في الدوائر الأعمق. وهذا يشير إلى أنه على الرغم من قوة قوانين القياس، إلا أن لها حدوداً ولا ينبغي تطبيقها بشكل أعمى على كل نوع ممكن من الشبكات. علاوة على ذلك، تمت المقارنة طبقة تلو الأخرى، مما يعني أن الخوارزمية المحسنة استخدمت عمليات فيزيائية أكثر في كل خطوة من الخوارزمية القياسية. وقد أقر الباحثون بأن مقارنة أكثر إنصافاً ستتطلب مراعاة إجمالي عدد العمليات، وهو سؤال لا يزال مفتوحاً للدراسة المستقبلية.

في نهاية المطاف، يوضح هذا العمل أنه يمكن ترويض سلوك الخوارقات الكمومية المعقدة من خلال فهم الهندسة البسيطة للمشكلات التي تحلها. ومن خلال إدراك أن أفضل الإعدادات تعتمد على مقياس الشبكة بدلاً من تفاصيلها المحددة، حول الباحثون مشكلة ضبط صعبة تتم لكل حالة على حدة إلى عملية حسابية مباشرة. هذا التحول يسمح للحواسيب الكمومية بقضاء وقتها الثمين في حل المشكلات بدلاً من تعلم كيفية حلها، مما يقرب الوعد بالتحسين الكمومي من الواقع العملي. وتشير النتائج إلى أنه بالنسبة لمجموعة واسعة من المشكلات التوافقية، فإن الطريق إلى أفضل إجابة ليس لغزاً يجب حله من الصفر في كل مرة، بل هو نمط يمكن قراءته مباشرة من بنية المشكلة نفسها.