Machine learning quantum data to accelerate quantum Monte Carlo

في العالم المجهري للجزيئات والمواد، غالبًا ما يكون سلوك الإلكترونات عبارة عن تشابك فوضوي. فعندما تتفاعل الإلكترونات بقوة مع بعضها البعض، فإنها ترفض العمل بشكل مستقل، مما يخلق أنماطًا معقدة تحدد ما إذا كانت المادة ستوصل الكهرباء، أو تصبح موصلًا فائقًا، أو تعمل كمحفز لتفاعل كيميائي. ويعد التنبؤ بهذه السلوكيات أحد أصعب التحديات في العلم الحديث. فالأجهزة الكلاسيكية، التي تشغل كل شيء من الهواتف الذكية إلى الحواسيب الفائقة، تعاني بشدة في هذه المهمة لأن عدد ترتيبات الإلكترونات الممكنة ينمو بسرعة كبيرة لدرجة أنه يتجاوز قدرة حتى أقوى الآلات. أما الحواسيب الكمومية، التي تستخدم القوانين الغريبة للفيزياء لمعالجة المعلومات، فتقدم مسارًا مختلفًا؛ إذ يمكنها تمثيل حالات الإلكترونات المتشابكة هذه بشكل طبيعي، لكنها تعاني حاليًا من الأخطاء ولا يمكنها استيعاب سوى كمية محدودة من المعلومات في وقت واحد. ولتجسير هذه الفجوة، طور العلماء نهجًا هجينًا: استخدام حاسوب كمومي لإعداد رسم تخطيطي أولي لترتيب الإلكترونات، ثم استخدام حاسوب كلاسيكي لصقل هذا الرسم وتحويله إلى إجابة دقيقة. وقد أظهرت هذه الطريقة، المعروفة باسم "مونت كارلو الكمومية" (quantum Monte Carlo)، وعدًا كبيرًا، لكنها اصطدمت بحائط مسدود؛ إذ إن عملية ترجمة البيانات الخام للحاسوب الكمومي إلى شكل يمكن للحاسوب الكلاسيكي استخدامه بطيئة ومكلفة للغاية، مما حد من هذه التجارب في الأنظمة الصغيرة جدًا، ومنع العلماء من التعامل مع الجزيئات الأكبر والأكثر أهمية.

لقًد نجح فريق من الباحثين الآن في كسر هذا الحاجز عبر تعليم نموذج تعلم آلي قراءة بيانات الحاسوب الكمومي مباشرة، متجاوزًا بذلك الحاجة إلى الحسابات المتكررة والبطيئة. وفي دراسة حديثة، أظهروا أن هذا النهج الجديد يمكنه تسريع العملية بأكملها بآلاف المرات، مما سمح لهم بمحاكاة أنظمة تصل إلى 40 كيوبت (qubit) — وهو مقيء يزيد عن الضعف عما كان ممكنًا سابقًا بالدقة ذاتها. واختبر الفريق، الذي عمل باستخدام معالج "ويلو" (Willow) الكمومي من جوجل، طريقتهم على تحديين مختلفين تمامًا: سلاسل طويلة من ذرات الهيدروجين وتجمعات الحديد والكبريت المعقدة الموجودة في الأنظمة البيولوجية. وفي كلتا الحالتين، نجح نموذج التعلم الآلي في التنبؤ بالتداخلات الكمومية اللازمة من مجموعة مضغوطة من القياسات، ليعمل بفعالية كـ "مترجم ذكي وسريع" بين العالمين الكمومي والكلاسيكي. ولم تكن النتائج أسرع فحسب، بل كانت دقيقة بما يكفي للوصول إلى "الدقة الكيميائية"، وهي المعيار الذهبي للتنبؤ بكيفية سلوك الجزيئات، وهو إنجاز ظل بعيد المنال لهذه الأنظمة الأكبر.

يكمن جوهر المشكلة التي حلها الباحثون في كيفية عمل الخوارزميات الكمومية الهجينة حاليًا. ففي الإعداد النموذجي، يقوم المعالج الكمومي بإعداد "دالة موجية تجريبية" (trial wavefunction)، وهي وصف رياضي لكيفية احتمال ترتيب الإلكترونات. ولصقل هذا الوصف، يقوم حاسوب كلاسيكي بتشغيل محاكاة تسمى "مونت كارلو الكمومية"، والتي تتضمن ملايين الخطوات حيث يتم دفع النظام وفحصه. وفي كل خطوة من هذه الخطوات، يحتاج الحاسوب الكلاسيكي إلى معرفة مدى تطابق الحالة الحالية مع الدالة الموجية التجريبية للمعالج الكمومي. تقليديًا، يتطلب هذا من الحاسوب الكلاسيكي إعادة معالجة البيانات الخام من الآلة الكمومية لكل خطوة منفردة من خطوات المحاكاة. ومع نمو النظام، تنفجر كمية البيانات، ويصبح الوقت المطلوب لمعالجتها باهظًا. وفي التجارب السابقة، أدى هذا الاختناق إلى أن محاكاة نظام مكون من 16 كيوبت فقط تطلبت أكثر من 13,000 ساعة من وقت الحوسبة على معالجات رسومية قوية. وبالاستقراء إلى نظام مكون من 40 كيوبت، تبين أن الأمر سيتطلب ملايين الساعات، مما يجعل مثل هذه الحسابات مستحيلة فعليًا.

للتغلب على ذلك، غير الباحثون سير العمل تمامًا. فبدلاً من إعادة معالجة البيانات الخام ملايين المرات، قاموا بجمع دفعة كبيرة من القياسات العشوائية من المعالج الكمومي لمرة واحدة. ثم استخدموا هذه البيانات لتدريب نموذج تعلم آلي، وهو نوع من الذكاء الاصطناعي الذي يمكنه تعلم الأنماط من الأمثلة. وقد تم تعليم هذا النموذج التنبؤ بالقيم المحددة التي تحتاجها المحاكاة الكلاسيكية، مما أدى فعليًا إلى ضغط الكم الهائل من البيانات الكمومية في برنامج مدمج وسريع التشغيل. وبمجرد تدريبه، يمكن لهذا النموذج توفير المعلومات اللازمة للمحاكاة الكلاسيكية بشكل فوري تقريبًا، دون الحاجة أبدًا للنظر في البيانات الكمومية الأصلية مرة أخرى. وقد شبه الباحثون ذلك بتعلم لغة: فبدلاً من ترجمة كتاب كلمة بكلمة في كل مرة تحتاج فيها إلى جملة، فإنك تتعلم القواعد والمفردات مرة واحدة، مما يسمح لك بالتحدث بطلاقة وفورية بعد ذلك.

وضع الفريق هذه الطريقة قيد الاختبار باستخدام معالج "ويلو" من جوجل، وهو جهاز يحتوي على أكثر من مئة كيوبت وقدرات قياس عالية السرعة. تناولوا أولاً سلاسل الهيدروجين، وهي معيار قياسي لاختبار مدى قدرة الطريقة على التعامل مع زيادة التعقيد. ومن خلال تغيير طول السلسلة، تمكنوا من محاكاة أنظمة تتراوح من 8 إلى 40 كيوبت. وفي هذه الاختبارات، قدم نهج التعلم الآلي نتائج دقيقة كيميائيًا، مما يعني أن مستويات الطاقة المتوقعة كانت ضمن هامش خطأ ضئيل مطلوب للكيمياء الواقعية. والأهم من ذلك، كان التسريع مذهلاً؛ فبالنسبة لنظام مكون من 16 كيوبت، كانت الطريقة الجديدة أسرع بـ 4,100 مرة من النهج التقليدي. أما بالنسبة لنظام الـ 40 كيوبت، فقد كان النهج التقليدي مكلفًا جدًا لدرجة أنه لم يُجرَ أبدًا، لكن الطريقة الجديدة جعلت الأمر ممكنًا، حيث أتمت الحساب في جزء بسيط من الوقت.

انتقل الباحثون بعد ذلك إلى مشكلة أصعب بكثير: تجمع الحديد والكبريت، وهو نوع من الجزيئات الضرورية للعمليات البيولوجية مثل انتقال الإلكترونات والتحفيز. وتعتبر هذه الجزيئات صعبة المحاكاة بشكل ملحوظ لأن إلكتروناتها شديدة الارتباط وتوجد في حالات طاقة عديدة متطابقة تقريبًا. وقد عانت المحاولات السابقة لمحاكاة هذه الأنظمة باستخدام الطرق الكلاسيكية أو التقنيات الكمومية المبكرة من أجل الوصول إلى مستوى الدقة المطلوب. وباستخدام إطار عمل التعلم الآلي الخاص بهم، نجح الفريق في محاكاة تجمع الحديد والكبريت في مساحات نشطة مكونة من 28 و40 كيوبت. ووجدوا أن نهجهم الموجه كموميًا يمكنه تحقيق الدقة الكيميائية حتى عندما كانت الأجهزة الكمومية "مشوشة" (noisy)، وهي مشكلة شائعة في الأجهزة الحالية. لقد كان نموذج التعلم الآلي قويًا بما يكفي لتصفية الضوضاء واستخراج الإشارة الفيزيائية الصحيحة، مما أثبت أن الطريقة تعمل حتى عندما تكون البيانات الكمومية الأساسية غير مثالية.

كانت الرؤية الجوهرية للعمل هي أن نموذج التعلم الآلي لم يكن بحاجة إلى إعادة بناء الحالة الكمومية بأكملها، وهو أمر سيكون معقدًا للغاية. بدلاً من ذلك، كان عليه فقط تعلم "التداخلات" (overlaps) المحددة — وهي العلاقات الرياضية بين الحالة الكمومية والتكوينات المستخدمة في المحاكاة. ومن خلال التركيز على هذه العلاقات المحددة، ظل النموذج بسيطًا وفعالًا. كما أظهر الباحثون أنه يمكنهم البدء بتخمين كلاسيكي تقريبي ثم استخدام البيانات الكمومية لصقله، أو حتى البدء من الصفر وترك البيانات الكمومية تعلم النموذج كل ما يحتاج لمعرفته. وفي حالة تجمع الحديد والكبروت، أظهروا أن نموذجًا تم تدريبه على بيانات كمومية قد تفوق على الطرق الكلاسيكية التي تم تحسينها لنفس المهمة، مما يسلط الضوء على القيمة الفريدة للتعلم مباشرة من الأجهزة الكمومية.

تمتد آثار هذا العمل إلى ما وراء هذه الجزيئات المحددة. فالاختناق الذي عالجه الباحثون — وهو المعالجة البطيئة للبيانات الكمومية — هو مشكلة أساسية ستستمر حتى مع زيادة قوة الحواسيب الكمومية وخلوها من الأخطاء. ومن خلال إظهار أن التعلم الآلي يمكنه ضغط وإعادة استخدام المعلومات الكمومية بكفاءة، قدم الفريق مخططًا لكيفية توسيع نطاق الخوارزميات الهجينة لحل مشكلات العالم الحقيقي. إن نجاحهم مع 40 كيوبت يشير إلى أن الطريق لمحاكاة المواد المعقدة وتصميم أدوية جديدة لم يعد محجوبًا بالتكلفة الحوسبية. وتثبت الدراسة أنه مع وجود واجهة صحيحة بين الحوسبة الكمومية والكلاسيكية، يمكننا الآن الوصول إلى مقياس من المحاكاة كان بعيد المنال سابقًا، مما يفتح الباب أمام عصر جديد من الاكتشاف في الكيمياء وعلم المواد.