Classical training of conditional instantaneous quantum polynomial-time Born machines
تقدم هذه الورقة آلة "بورن" (Born machine) لـ IQP شرطية قابلة للتدريب كلاسيكياً، تقوم بتشفير الشروط في الحالة المدخلة باستخدام وحدة (unitary) مشتركة، مما يظهر كفاءة ودقة متفوقتين في نمذجة التوزيعات الشرطية والتحولات الطورية مقارنة بالنماذج المشروطة قطرياً والنماذج التوليدية الكلاسيكية السابقة.
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 الزوايا الهادئة للفيزياء وعلوم الحاسوب، يستكشف الباحثون نوعًا جديدًا من الذكاء الاصطناعي الذي يعيش داخل الحواسيب الكمومية. وخلافًا للحواسيب الكلاسيكية الموجودة في جيوبنا، والتي تعالج المعلومات كسلسلة بسيطة من الأصفار والآحاد، تستخدم الآلات الكمومية جسيمات يمكن أن توجد في حالات متعددة في وقت واحد. هذه القدرة الفريدة تسمح لها بمعالجة مشكلات قد تستغرق الحواسيب العادية آلاف السنين لحلها. أحد التطبيقات الواعدة هو النمذجة التوليدية، حيث تتعلم الآلة الأنماط الخفية لنظام معقد — مثل الطريقة التي تترتب بها الذرات في مادة ما أو كيف تشكل البكسلات وجهًا — ثم تنشئ أمثلة جديدة وواقعية لذلك النظام. لطالما كان التحدي يكمن في تدريب هذه الآلات؛ ولأن الحواسيب الكمومية لا تزال هشة ومكلفة التشغيل، فقد بحث العلماء عن طرق لتعليمها باستخدام الحواسيب الكلاسيكية أولاً، وتوفير الأجهزة الكمومية فقط للفصل الختامي المتمثل في توليد البيانات.
لقد طور فريق من الباحثين الآن طريقة للقيام بذلك بالضبط لنوع محدد من النماذج الكمومية يسمى "آلة بورن" (Born machine). هذه النماذج مصممة لمحاكاة السلوك الإحصائي للأنظمة الكمومية. اكتشف الباحثون طريقة لتعليم دائرة كمومية واحدة التعامل مع عائلة كاملة من السيناريوهات المختلفة، بدلاً من مجرد موقف ثابت واحد. تخيل فنانًا واحدًا يمكنه رسم منظر طبيعي في الصيف، والشتاء، والربيع، والخريف، ببساطة من خلال إخباره بالفصل الذي يجب تصويره، دون الحاجة إلى تعلم تقنية رسم جديدة تمامًا لكل فصل. وجد الفريق أنه من خلال ترميز "الفصل" مباشرة في الحالة الابتدائية للحاسوب الكمومي، تمكنوا من تدريب الآلة بالكامل على حاسوب كلاسيكي. وبمجرد تدريبها، يمكن نشر الآلة على جهاز كمومي حقيقي لتوليد عينات لأي حالة، حتى تلك التي لم ترها من قبل.
يكمن جوهر اكتشافهم في كيفية إعداد الحاسوب الكمومي لاستقبال التعليمات. حاولت الطرق السابقة تعديل "المقابض" الداخلية للدائرة الكمومية بناءً على الشرط، وهو أمر يشبه محاولة تغيير محرك السيارة أثناء قيادتها. أما النهج الجديد فيغير "الوقود" قبل بدء المحرك. فهم يغذون الدائرة الكمومية بحالة ابتدائية محددة تحتوي بالفعل على المعلومات المتعلقة بالشرط، مثل درجة حرارة معينة أو إعداد معين. بعد ذلك، تطبق الدائرة مجموعة واحدة مشتركة من العمليات على هذه الحالة الابتدائية. ولأن الحالة الابتدائية تحمل الشرط، فإن الدائرة لا تحتاج إلى إعادة تدريب أو إعادة تهيئة لكل سيناريو جديد. وهذا يسمح للباحثين بتدريب النموذج باستخدام عمليات محاكاة كلاسيكية، وهي سريعة وموثوقة، ثم تشغيل النسخة النهائية على معالج كمومي.
لاختبار هذه الفكرة، ركز الفريق على تحديين متميزين. أولاً، نظروا في عائلة رياضية من التوزيعات حيث يمكن ضبط المتوسط والانتشار بشكل مستقل. قاموا بتدريب نموذج للتعامل مع هذه الاختلافات ووجدوا أنه يمكنه بنجاح التنبؤ بالنتائج لمجموعات من الإعدادات التي لم يواجهها أثناء التدريب. في هذا الاختبار، كان منهجهم أكثر دقة بشكل ملحوظ من التقنيات القديمة التي حاولت تعديل المعلمات الداخلية للدائرة لكل شرط. لقد التقط النهج الجديد البنية الأساسية للمشكلة بشكل جيد للغاية لدرجة أنه عمم النتائج على مواقف جديدة بأقل قدر من الخطأ.
أما الاختبار الثاني، الأكثر تطلبًا، فقد تضمن نموذج "كوري-ويس" (Curie-Weiss)، وهو نظام شهير يُستخدم لوصف كيفية سلوك المغناطيسات مع تسخينها أو تبريدها. مع تغير درجة الحرارة، تمر الدورات المغناطيسية في المادة بتحول دراماتيكي، من حالة غير منظمة إلى حالة مرتبة. هذا التحول يصعب نمذجته لأن شكل توزيع الاحتمالات يتغير بشكل جذري. قام الباحثون بتدريب نموذج كمومي واحد مكون من ستة عشر كيوبت للتعامل مع هذا النطاق الكامل من درجات الحرارة. كانت النتائج مذهلة: نجح النموذج في التقاط الانتقال من ذروة احتمالية واحدة إلى ذروة مزدوجة، وهو سلوك يمثل التحول الفيزيائي في المادة. وعندما قارنوا نتائجهم بالنماذج التوليدية الكلاسيكية، كان النهج الكمومي يؤدي بشكل جيد تمامًا مثل النماذج الكلاسيكية التي تمتلك سبعة أضعاف عدد المعلمات القابلة للضبط. والأكثر إثارة للإعجاب، أن النموذج تعلم الفيزياء بشكل جيد لدرجة أنه استطاع التنبؤ بسلوك النظام في درجات حرارة لم تُعرض عليه مطلقًا أثناء التدريب.
لم يتوقف الفريق عند المحاكاة الصغيرة، بل دفعوا المنهج إلى أقصى حدوده، حيث دربوا نماذج تصل إلى ألفين وأربعمائة وثمانية وأربعين كيوبت. عند هذا المقياس، يكون من المستحيل محاكاة النظام على حاسوب كلاسيكي للتحقق من الإجابات مباشرة. ومع ذلك، ولأن القوانين الفيزيائية التي تحكم هذا النظام المحدد مفهومة جيدًا، استطاع الباحثون حساب السلوك المتوقع للمغناطيسية ومقارنته بمخرجات نموذجهم. ووجدوا أن النموذج نجح في تعلم النظام طويل المدى في المرحلة الباردة واستطاع تعميم هذا السلوك على أحجام تفوق بكثير ما تم استخدامه أثناء التدريب. أظهر هذا أن المنهج يتوسع بفعالية، محافظًا على قدرته على تعلم الأنماط المعقدة حتى عندما يصل النظام إلى حجم يصبح فيه التحقق الكلاسيكي مستحيلاً.
كما سلطت الدراسة الضوء على أهمية كيفية ترميز "الشرط". فقد اختبروا طرقًا مختلفة لإعداد الحالة الابتدائية ووجدوا أن طريقة إعداد أكثر تطورًا، تضمنت "لف" الحالة الكمومية بطريقة معينة، أعطت نتائج أفضل بكert بكثير من النهج الأبسط. يشير هذا إلى أن الطريقة التي تُغذى بها المعلومات إلى الحاسوب الكمومي لا تقل أهمية عن خوارزمية التعلم نفسها. ومن خلال التصميم الدقيق للمدخلات، تمكنوا من فرض تناظرات فيزيائية على النموذج، مما يضمن احترامه للقوانين الأساسية للنظام الذي يحاول محاكاته.
في النهاية، يوسع هذا العمل نطاق تعلم الآلة الكمومي. فهو يظهر أننا لسنا بحاجة لانتظار حواسيب كمومية مثالية وخالية من الأخطاء للبدء في تدريب النماذج المعقدة. فمن خلال استخدام الحواسيب الكلاسيكية لتعلم الأنماط والحواسيب الكمومية فقط لتوليد البيانات النهائية، يمكن للباحثين الآن معالجة المشكلات التي تتضمن التوليد المشروط — حيث تعتمد المخرجات على متغير مدخل محدد. هذا يفتح الباب لمحاكاة الأنظمة الفيزيائية تحت ظروف مختلفة، من درجات حرارة مختلفة إلى مجالات خارجية مختلفة، باستخدام دائرة كمومية واحدة مشتركة. إن القدرة على تدريب هذه النماذج كلاسيكيًا ثم نشرها على أجهزة كمومية تمثل خطوة كبيرة للأمام في جعل النماذج التوليدية الكمومية عملية للاكتشاف العلمي في العالم الحقيقي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.