Hardware-Aware Design and Layout Selection in Quantum Reservoir Computing for Insurance Claims Forecasting
تُثبت هذه الورقة أن نماذج الحوسبة الخزانية الكمومية المكونة من ستة كيوبتات، والصغيرة والمدركة للعتاد، يمكنها تحقيق دقة تنافسية في التنبؤ بمطالبات التأمين على السيارات، بما يضاهي النماذج الكلاساسية المرجعية، مع التخفيف بفعالية من تدهور الأداء عند الانتقال من المحاكاة المثالية إلى عتاد IBM الكمومي المشوب بالضجيج من خلال اختيار التخطيط الأمثل.
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 عالم الحوسبة الحديثة، هناك رغبة متزايدة في استخدام آلات تعمل وفق القواعد الغريبة للفيزياء الكمومية لحل مشكلات تعد صعبة للغاية على أجهزة الكمبيوتر الخارقة اليوم. هذه الآلات الجديدة، التي تُسمى غالباً المعالجات الكمومية، لا تزال في مراحلها الأولى؛ فهي صغيرة، وهشة، وعرضة للأخطاء لأن مكوناتها تفقد خصائصها الكمومية الخاصة بسرعة كبيرة. ولجعل هذه الآلات مفيدة قبل أن تصبح مثالية، يطور العلماء تقنية تسمى "الحوسبة الاحتياطية الكمومية" (quantum reservoir computing). فبدلاً من محاولة تعليم الآلة الكمومية كل خطوة منفردة من الحل، وهو أمر صعب وعرضة للخطأ، يقوم الباحثون بإعداد نظام معقد وثابت يعالج المعلومات بشكل طبيعي أثناء تدفقها عبره. ثم يقومون ببساطة بتدريب كمبيوتر تقليدي لقراءة النتائج الخارجة من هذا النظام الكمومي. ويعد هذا النهج جذاباً لأنه يتجنب الحاجة إلى التدريب العميق والمعقد الذي غالباً ما يفشل على الأجهزة المليئة بالضجيج، مما ينقل التحدي بدلاً من ذلك إلى البحث عن الإعداد الفيزيائي المناسب لتشغيل التجربة.
وضع فريق من الباحثين هدفاً لاختبار ما إذا كان هذا الأسلوب يمكن أن ينجح بالفعل في حل مشكلة عملية وواقعية للغاية: وهي التنبؤ بعدد مطالبات التأمين التي ستتلقاها شركة تأمين السيارات في اليوم التالي. وتعد هذه مهمة حاسمة لشركات التأمين، التي يجب أن تستعد للتقلبات اليومية في التكاليف. استخدم الباحثون معالجاً كمومياً صغيراً يحتوي على ستة "كيوبتات" (qubits) —وهي الوحدات الأساسية للمعلومات الكمومية— ليعمل كمحرك للتنبؤ لديهم. وقد قاموا بتغذية الآلة ببيانات حول عدد وثائق السيارات النشطة، واليوم من الأسبوع، وما إذا كان يوم عطلة، وعدد المطالبات من اليوم السابق. وكان الهدف هو معرفة ما إذا كان نظام كمومي صغير ومثقل بالضجيج يمكنه التنبؤ بعدد المطالبات المستقبلي بدقة تضاهد أفضل نماذج الكمبيوتر التقليدية، والأهم من ذلك، ما إذا كانت التنبؤات التي يتم إجراؤها على آلة حقيقية غير مثالية ستطابق التنبؤات التي يتم إجراؤها في محاكاة حاسوبية مثالية.
بدأ الفريق بتصميم خمس نسخ مختلفة من نظامهم الكمومي، لكل منها بنية داخلية مختلفة قليلاً لمعرفة أي منها يتذكر المعلومات الماضية بشكل أفضل. واختبروا هذه التصاميم أولاً في محاكاة مثالية خالية من الضجيج. وفي هذه البيئة المثالية، قدمت النماذج الكمومية أداءً تنافسياً، حيث سجلت أخطاءً مقاربة إحصائياً لعدة نماذج مرجعية كلاسيكية (recurrent and reservoir baselines)، رغم أن نموذج "انحدار ريدج" (ridge regression) القياسي ظل الأكثر دقة بشكل عام. وقد تمكنت الأنظمة الكمومية من تتبع التقلبات اليومية في أعداد المطالبات تماماً كما فعلت العديد من الطرق الراسخة، مما أثبت أن نظاماً كمومياً صغيراً يمكنه التعامل مع هذا النوع من البيانات الزمنية المعقدة.
ومع ذلك، جاء الاختبار الحقيقي عندما انتقل الباحثون من المحاكاة المثالية إلى معالج كمومي حقيقي موجود في منشأة بحثية. هذه الآلة، رغم تقدمها، ليست مثالية؛ فمكوناتها تعاني من أخطاء طفيفة، والروابط بينها ليست موحدة. واكتشف الباحثون أن مجرد تشغيل نفس الكود على الآلة الحقيقية لا يضمن الحصول على نفس النتائج. إن الطريقة التي توضع بها البتات الكمومية فيزيائياً على الشريحة كانت مهمة للغاية. وقارنوا بين ثلاث طرق لترتيب البيانات على المعالج: طريقة مختارة بواسطة برمجيات قياسية، وترتيب عشوائي، وتصميم مخصص "مدرك للأجهزة" (hardware-aware) قاموا بابتكاره.
كانت نتائج هذا الاختبار الفيزيائي كاشفة. فقد تفوق التصميم المخصص المدرك للأجهزة باستمرار على نهج البرمجيات القياسي. وعندما استخدم الباحثون تخطيطهم الدقيق والمصمم خصيصاً، كان الفرق بين المحاكاة والآلة الحقيقية صغيراً ويمكن السيطرة عليه. ظلت التنبؤات مستقرة، حيث انحرفت الآلة الحقيقية عن النموذج المثالي بمتوسط يقل عن ثماني مطالبات في اليوم في أسوأ حالاتها. وفي المقابل، فشل التخطيط البرمائي القياسي أحياناً بشكل دراماتيكي، حيث قفزت الأخطاء إلى ما يقرب من اثنتي عشرة مطالبة في اليوم، وكانت الترتيبات العشوائية غير مستقرة لدرجة أنها أنتجت أحياناً أخطاءً تتجاوز ثلاثين مطالبة، مما جعل التنبؤ عديم الفائدة. وأظهرت الدراسة أن الأخطاء التي أدخلتها الآلة الحقيقية كانت في الغالب عبارة عن إزاحة بسيطة في العدد الإجمالي، وليست فوضى عارمة، مما يعني أن النظام كان لا يزال يتتبع التغيرات اليومية بشكل صحيح حتى لو كان العدد الإجمالي غير دقيق تماماً.
كما وجد الباحثون قيداً أثر على جميع النماذج، وليس النماذج الكمومية فقط. فمع نمو شركة التأمين وزيادة عدد الوثائق النشطة بشكل كبير خلال فترة الاختبار، واجهت النماذج صعوبة في التنبؤ بالعدد الإجمالي المرتفع للمطالبات. ويعود ذلك إلى أن النماذج قد تم تدريبها على بيانات من محفظة أصغر، وكان عليها التخمين فيما سيحدث على نطاق أكبر بكثير. وبينما تعامل النموذج الإحصائي التقليدي مع هذا النمو بشكل أفضل قليلاً، إلا أن النماذج الكمومية حافظت أيضاً على وتيرتها في تتبع التقلبات اليومية، مما أثبت قدرتها على منافسة الطرق الكلاسيكية حتى عندما تحركت البيانات خارج النطاق الذي رأتْه من قبل.
في نهاية المطاف، يوضح هذا العمل أن الحوسبة الكمومية جاهزة لمعالجة مهام التنبؤ المحددة والواقعية، بشرط التعامل مع الأجهزة بعناية. فقد أظهرت الدراسة أن نظاماً كمومياً صغيراً يمكن أن يكون بدقة الكمبيوتر الكلاسيكي في التنبؤ بمطالبات التأمين، ولكن فقط إذا اختار الباحثون بعناية التخطيط الفيزيائي للآلة لتقليل الأخطاء. لا يكفي مجرد تشغيل خوارزمية كمومية؛ بل يجب فهم الخصائص الفريدة للأجهزة التي تعمل عليها. ومن خلال ربط المشكلة بالواقع الفيزيائي للمعالج، ضمن الفريق بقاء تنبؤاتهم صامدة في رحلتهم من النظرية إلى التطبيق، مما يوفر مساراً واضحاً لاستخدام هذه الآلات الهشة والقوية لحل مشكلات الأعمال اليومية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.