Hardware Demonstration of Neural-Surrogated Quantum-Enhanced MCMC for Large-Scale Constrained Boltzmann Sampling
تقدم هذه الورقة تنفيذاً فعالاً من حيث الأجهزة لنموذج مونت كارلو بسلاسل ماركوف (MCMC) المعزز كمياً والمستند إلى البدائل العصبية على معالج IBM Quantum Heron r2، مما يظهر تسارعاً كبيراً في اضمحلال الارتباط الذاتي لأخذ عينات بولتزمان المقيدة واسعة النطاق لما يصل إلى 1,064 متغيراً ثنائياً.
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 المشهد الشاسع للحوسبة الحديثة، يبرز تحدٍ مستمر يتمثل في إيجاد أفضل ترتيب ممكن من بين خيارات لا حصر لها. تخيل محاولة تنظيم مكتبة ضخمة حيث يجب وضع كل كتاب على رف محدد، لكن قواعد الوضع معقدة للغاية لدرجة أن فحص كل إمكانية بمفردها سيستغرق وقتاً أطول من عمر الكون. هذا هو مجال التحسين (optimization)، وهو مجال يسعى فيه العلماء والمهندسون إلى إيجاد الحل الأكثر كفاءة لمشكلات تتراوح من اللوجستيات إلى تصميم الأدوية. لعقود من الزمن، اعتمد النهج المعياري على الحواسيب الكلاسيكية لاستكشاف هذه الاحتمالات خطوة بخطوة، وغالباً ما كانت تتعثر في وديان محلية من عدم الكفاءة. ومع ذلك، ظهر أفق جديد مع ظهور الحواسيب الكمومية، وهي آلات تستخدم قوانين الفيزياء الغريبة لمعالجة المعلومات بطرق لا تستطيع الآلات الكلاسيكية القيام بها. وبينما لا تزال الأجهزة الكمومية اليوم صاخبة ومحدودة الحجم، يتعلم الباحثون كيفية دمج نقاط قوتها الفريدة مع خوارزميات كلاسيكية قوية لحل مشكلات كانت في السابق بعيدة المنال.
لقد أظهر فريق من الباحثين الآن طريقة عملية لسد هذه الفجوة، باستخدام معالج كمومي صغير لمساعدة حاسوب كلاسيكي في حل مشكلة أخذ عينات ضخمة. كان الهدف هو توليد عينات عشوائية من توزيع احتمالي معقد، وهي مهمة أساسية لفهم كيفية سلوك الأنظمة تحت قيود معينة. وللقيام بذلك، استخدموا تقنية تسمى "سلسلة ماركوف مونت كارلو" (Markov chain Monte Carlo)، وهي طريقة تبني تسلسلاً من الخطوات العشوائية لاستكشاف مشهد من الاحتمالات. يكمن الابتكار في كيفية توجيه هذه الخطوات؛ فبدلاً من ترك الحاسوب يتجول بعشوائية، استخدموا حاسوباً كمومياً لتوليد "مقترحات" عالية الجودة للخطوة التالية في التسلسل. ثم تم استخلاص هذه المقترحات في شبكة عصبية، وهي نوع من الذكاء الاصطناعي الذي تعلم الأنماط الخاصة بالعينات الكمومية. سمح هذا النظام الهجين للباحثين بتحديث مجموعات كبيرة من المتغيرات في وقت واحد، مما مكنهم من التحرك عبر مساحة الحلول بشكل أسرع بكثير من الطرق التقليدية.
اختبر الفريق هذا النهج على معالج "IBM Quantum Heron r2"، وهو جهاز يحتوي على 156 كيوبت فائق التوصيل. بدأوا بنظام مكون من 144 متغيراً ثنائياً، والتي يمكن التفكير فيها كمفاتيح إما أن تكون في وضع التشغيل أو الإيقاف. كان التحدي هو إيجاد ترتيبات لهذه المفاتيح تلبي قيداً محدداً: وهو أن يظل العدد الإجمالي للمفاتيح التي في وضع "التشغيل" ثابتاً. قام الباحثون بتقسيم هذه المشكلة الكبيرة إلى قطع أصغر ومتداخلة. وبالنسبة لقطعة واحدة ممثلة، قاموا بضبط الحاسوب الكمومي لتوليد عينات مثالية. ومن المثير للاهتمام أنهم وجدوا أن الإعدادات المستخدمة لهذه القطعة الواحدة عملت بشكل جيد مع جميع القطع الأخرى، على الرغم من اختلاف القطع. هذا "النقل للمعلمات" (parameter transfer) يعني أنهم لم يحتاجوا إلى قضاء وقت ثمين في إعادة ضبط الآلة الكمومية لكل مشكلة فرعية، وهي خطوة حاسمة جعلت العملية فعالة بما يكفي للعمل على الأجهزة الحالية.
أظهرت النتائج أن هذه الطريقة سرعت استكشاف مساحة الحلول بشكل كبير. فعندما استخدم الباحثون الشبكة العصبية، المدربة على العينات المولدة كمومياً، لتوجيه الحاسوب الكلاسيكي، تحسنت قدرة النظام على نسيان نقطة بدايته والوصول إلى حالة عشوائية حقيقية بشكل كبير. وتحديداً، كان معدل تلاشي ذاكرة النظام لماضيه أسرع بنحو خمس مرات من استخدام طريقة عالمية قياسية، وأسرع بأكثر من اثنتي عشرة مرة من الطريقة المحلية. وقد ظل هذا التسارع قائماً حتى عندما رفع الباحثون حجم المشكلة إلى نظام يحتوي على 1,064 متغيراً، وهو حجم يتجاوز بكثير قدرة المعالج الكمومي نفسه. ومن خلال إبقاء المشكلات الكمومية الفرعية صغيرة وإعادة استخدام الإعدادات المتعلمة، نجحوا في إثبات أخذ عينات "بولتزمان" المقيدة بمعدلات اضمحلال ارتباط ذاتي أسرع في نظام أكبر بسبعة أضعاف من الجهاز الذي يمكنهم التعامل معه مباشرة.
ومع ذلك، كشفت الدراسة أيضاً عن قيود مهمة يجب معالجتها من أجل النمو المستقبلي. فكلما زاد الباحثون من حجم المشكلات الفرعية التي حاولوا حلها باستخدام الحاسوب الكمومي، لم يستمر الأداء في التحسن إلى ما لا نهاية، بل بدأ في التدهور. فقد واجهت الشبكات العصبية صعوبة في تعلم الأنماط المعقدة المطلوبة لهذه الكتل الأكبر، مما أدى إلى ارتفاع معدل المقترحات المرفوضة. يشير هذا إلى أنه بينما يمكن للحاسوب الكمومي تقديم دفعة قوية، يجب أن تكون الشبكة العصبية الكلاسيكية قادرة على محاكاة السلوك الكمومي بدقة، ويصبح هذا الأمر أكثر صعوبة مع زيادة تعقيد المشكلة الفرعية. وجد الباحثون أن مجرد جعل المشكلات الكمومية الفرعية أكبر لم يؤدِ تلقائياً إلى نتائج أفضل؛ فهناك "نقطة مثالية" حيث يتم تعظيم الميزة الكمومية قبل أن تطغى صعوبة تعلم الأنماط على النظام.
تكمن أهمية هذا العمل في إثماجه لمسار قابل للتوسع. فهو يثبت أننا لسنا بحاجة إلى حاسوب كمومي ضخم ومصحح للأخطاء للحصول على ميزة اليوم. بدلاً من ذلك، من خلال استخدام جهاز كمومي صغير لتوليد عينات عالية الجودة لعدد قليل من المشكلات التمثيلية، ثم نقل تلك المعرفة إلى نظام أكبر، يمكننا إثبات أخذ عينات فعال لمشكلات تتضمن آلاف المتغيرات. تؤكد الدراسة أن الميزة الكمومية ليست مجرد إمكانية نظرية، بل هي واقع قابل للقياس يمكن توسيعه للأنظمة واسعة النطاق. وبينما تظل التحديات قائمة في تحسين عملية التعلم للكتل الأكبر، فإن النتيجة الجوهرية واضحة: النهج الهجين، حيث يعمل معالج كمومي صغير كمحرك متخصص لنظام كلاسيكي أكبر، يمكن أن يقدم تسريعات كبيرة في أخذ عينات "بولتزمان" المقيدة للمشكلات المعقدة. وهذا يفتح باباً عملياً لاستخدام الآلات الكمومية غير المثالية اليوم لمعالجة تحديات التحسين في العالم الحقيقي، والتي تعد حالياً صعبة للغاية على الحواسيب الكلاسيكية وحدها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.