Hidden selection rules and amplitude ceilings in quantum Fourier models
تحدد هذه الورقة قيوداً هيكلية في مرحلة ما قبل التدريب، بما في ذلك قواعد اختيار عكس الزمن والانعكاس التي تلغي ترددات محددة وسقوفاً للسعة تحد من قيم المعاملات القصوى، والتي تحدد مجتمعةً القدرة التعبيرية والأداء التنبؤي لنماذج فوريه الكمومية مع ترميزات بيانات باولي.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في السعي لبناء آلات تتعلم من البيانات، يتجه العلماء نحو القوانين الغريبة للفيزياء الكمومية. وفي قلب هذا الجهد تكمن الدوائر الكمومية، وهي في الأساس شبكات من المفاتيح الصغيرة التي تتلاعب بالمعلومات المخزنة في جسيمات تسمى "الكيوبتات" (qubits). ولجعل هذه الآلات مفيدة لمهام مثل التعرف على الأنماط أو التنبؤ بالاتجاهات، يجب على الباحثين تعليمها معالجة المعلومات بطريقة غير خطية، مما يعني أن المخرجات لا تتناسب طردياً ببساطة مع المدخلات. هذه اللاخطية هي محرك التعلم، ولكن في العالم الكمومي، هي شيء هش. تُصمم الدوائر لحساب أنماط موجية معقدة، وتعتمد قدرتها على التعلم كلياً على الأنماط المحددة التي يمكنها توليدها. لسنوات، عمل المجال بناءً على افتراض أنه إذا كانت الدائرة معقدة بما يكفي وتم تدريبها لفترة كافية، فيمكنها في النهاية تعلم أي نمط تقريباً. ومع ذلك، يشير دراسة جديدة إلى أن هذا الأمل غالباً ما يكون في غير محله، ليس بسبب نقص في قوة التدريب، بل بسبب جدران غير مرئية مبنية في تصميم الدائرة ذاته.
لقد كشف الباحثان بافل سوليموف وكلود لييمان من جامعة زيورخ للعلوم التطبيقية أن العديد من الدوائر الكمومية محدودة جوهرياً بقواعد خفية تمنعها من التعبير عن أنماط معينة، بغض النظر عن مقدار تدريبها. هذه القيود ليست ناتجة عن الضوضاء أو الأخطاء التي تعاني منها الحواسيب الكمومية الحالية، وليست نتيجة لاستراتيجيات تدريب ضعيفة. بدلاً من ذلك، هي سمات هيكلية، مثل الهندسة الثابتة لمبنى تملي أي الغرف يمكن ربطها ببعضها. اكتشف الفريق نوعين محددين من هذه الحواجز الهيكلية؛ الأول يعمل كمرشح صارم، يمحو تماماً ترددات معينة من مخرجات الدائرة، مما يجعل تعلمها مستحيلاً. والثاني يعمل كسقف، يحدد سقفاً لقوة الأنماط التي يمكن للدائرة إنتاجها، مما يضمن أنه حتى لو كان النمط مسموحاً به، فإنه سيكون ضعيفاً جداً لدرجة تجعله عديم الفائدة فعلياً للتعلم.
لفهم كيفية عمل هذه الحواجز، تخيل الدائرة الكمومية كآلة تأخذ رقماً، وتلويه عبر سلسلة من البوابات، وتنتج مخرجاً يشبه الموجة. وجد الباحثون أنه بالنسبة للعديد من تصميمات الدوائر الشائعة، هناك تناظر خفي يجبر المخرجات على التصرف بطريقة محددة. إذا كانت الدائرة تمتلك ترتيباً معيناً من الاتصالات، فإنها تتبع قاعدة تشبه "تناظر عكس الزمن". هذه القاعدة تملي أنه إذا قمت بإزاحة الرقم المدخل بمقدار معين، فيجب أن تعكس المخرجات إشارتها. هذا القيد الرياضي يجبر الآلة على تجاهل عائلات كاملة من الأنماط. على سبيل المثال، في تصميم محدد يُستخدم في معيار رئيسي لتعلم الآلة الكمومي، تعني هذه القاعدة أن الدائرة يمكنها فقط تعلم الأنماط الفردية، وكانت عاجزة فيزيائياً عن تعلم الأنماط الزوجية. طور الباحثون طريقة حاسوبية سريعة للتحقق من هذه القواعد قبل بدء أي تدريب. واختبروا آلاف تصميمات الدوائر القياسية ووجدوا أن قاعدة عكس الزمن هذه كانت موجودة في ما يقرب من 18 بالمائة منها، مما جعل جزءاً كبيراً من إمكانات الدائرة عديم الفائدة فعلياً قبل إجراء عملية حسابية واحدة.
الحاجز الثاني هو "سقف السعة"، الذي يحدد مدى علو أو قوة النمط. عندما تستخدم الدائرة طبقة واحدة من الكيوبتات لتشفير البيانات، فإن قوة أعلى الترددات التي يمكنها إنتاجها تنخفض بشكل أسّي مع زيادة عدد الكيوبتات. فمع وجود ثمانية كيوبتات فقط، تكون أقوى أنماط التردد العالي الممكنة ضعيفة جداً لدرجة أنها لا يمكنها تفسير أكثر من اثنين بالمائة من التباين في مجموعة البيانات. لا يتعلق الأمر بكون الدائرة ضحلة للغاية؛ فحتى لو تم جعل الدائرة أعمق عبر إعادة تشفير البيانات عدة مرات، ستظل قوة هذه الترددات العليا مقيدة بعرض الطبقة الأولى. أثبت الباحثون أن هذا السقف يظل قائماً بغض النظر عن الضوضاء أو الأخطاء في النظام. إنه حد صلب على القدرة التعبيرية للنموذج، مما يعني أن أي قدر من التدريب لن يتمكن أبداً من دفع الدائرة لتجاوز هذا الجدار لتعلم إشارة عالية التردد قوية.
وللتحقق من هذه النتائج، انتقل الفريق من النظرية إلى الواقع، حيث أجروا تجارب على معالجات كمومية فعلية مقدمة من شركة IBM. اختبروا الدوائر على أجهزة تتراوح من بضعة كيوبتات إلى سلسلة مكونة من 65 كيوبت. وفي كل حالة، صمدت القواعد الخفية. فعندما صمموا دائرة من المفترض أن تُمنع من إنتاج أنماط معينة، لم تنتج الآلة سوى ضوضاء الخلفية لتلك الأنماط، مما أكد التنبؤ النظري. كما أظهروا أنه يمكنهم كسر هذه القواعد عمداً عن طريق إضافة بوابة واحدة بسيطة إلى الدائرة، مما سمح للأنماط المحظورة بالظهور فوراً. علاوة على على ذلك، أظهروا أن الضوضاء في الآلة يمكن أن تحاكي أحياناً كسر هذه القواعد، ولكن من خلال تحليل البيانات بعناية، استطاعوا التمييز بين الانتهاك الهيكلي الحقيقي وبين خلل مؤقت ناتج عن استرخاء الآلة إلى حالة طاقة أدنى.
إن تداعيات هذه النتائج عميقة بالنسبة للمجال. توضح الدراسة أن قدرة النموذج الكمومي على التعلم ليست مجرد مسألة امتلاك بيانات كافية أو حاسوب قوي؛ بل هي أولاً وقبل كل شيء مسألة بنية (Architecture). فقبل تدريب أي نموذج، تكون إمكاناته محددة بالفعل من خلال هيكله. اختبر الباحثون ذلك من خلال تجميد توقعاتهم حول ما يمكن للدائرة تعلمه قبل تشغيل أي تدريب. وعلى مجموعات بيانات واقعية، كانت توقعاتهم السابقة للتدريب دقيقة بشكل ملحوظ، حيث تطابقت غالباً مع الأداء النهائي للنماذج المدربة ضمن هامش خطأ ضئيل جداً. وفي الحالات التي منعت فيها القواعد الهيكلية النموذج من التعلم، لم يكن لأي قدر من التدريب أن يصلح ذلك. وعلى العكس من ذلك، عندما حددوا خللاً هيكلياً وطبقوا إصلاحاً بسيطاً، تحسن أداء النموذج بشكل كبير، تماماً كما كان متوقعاً.
ينقل هذا العمل التركيز من مجرد تدريب النماذج الكمومية إلى فهم حدودها الأساسية. فهو يكشف أن العديد من الإخفاقات المشاهدة في معايير تعلم الآلة الكمومي ليست بسبب نقص في التحسين أو البيانات، بل لأن النماذج تحاول تعلم أنماط يمنع تصميمها الفيزيائي التعبير عنها. لقد زود الباحثون المجال بأداة لتحديد هذه الحدود مبكراً، مما يسمح للعلماء بتصميم دوائر قادرة حقاً على المهام الموكلة إليها. ومن خلال التعرف على قواعد الاختيار الخفية وسقوف السعة هذه، يمكن للمجال الانتقال من نهج التجربة والخطأ نحو فهم أكثر مبدئية لما يمكن للحواسيب الكمومية فعله وما لا يمكنها فعله. وتخلص الدراسة إلى أن طريق تعلم الآلة الكمومي المفيد لا يكمن في جعل الدوائر أعمق أو أكثر تعقيداً، بل في ضمان توافق هيكلها مع الأنماط التي وُجدت لتعلمها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.