Beyond the Mean Gap: What Transferred-Angle QAOA Retains on a Superconducting Processor
تُظهر هذه الدراسة أنه في المعالجات فائقة التوصيل، غالبًا ما تحتفظ دوائر خوارزمية التحسين الكمي التقريبي (QAOA) بجزء كبير من تحسن متوسط الفجوة مقارنة بالعينات الموحدة بينما تفقد معظم احتمالية إيجاد الحل الأمثل، مما يسلط الضواء على الحاجة إلى التحقق من صحة التحسين الكمي عبر الإبلاغ عن الاحتفاظ بسلاسل البتات المثلى وشبه المثلى بدلاً من مجرد المتوسط التكلفي.
المؤلف الأصلي:Sanim Yousuf Fahim, Mohammad Arif Hossain
في همس المختبر الهادئ، يبني العلماء آلات تعمل وفق القواعد الغريبة لعالم الكم. هذه الأجهزة، المعروفة باسم المعالجات الكمومية، تحمل الوعد بحل مشكلات معينة بسرعة أكبر بكثير من الحواسيب الفائقة التي نستخدمها اليوم. أحد أكثر الطرق شيوعاً لاختبار هذه الآلات هو خوارزمية تسمى "خوارزمية التحسين التقريبي الكمومي"، أو QAOA. فكر في هذه الخوارزمية كمحرك بحث للعثور على الحل الأمثل الوحيد للغز معقد، مثل تنظيم جدول زمني أو تحديد مسار شاحنة توصيل. لا تكتفي الآلة بإخراج إجابة واحدة؛ بل تقوم بعملية تنتج سحابة من الإجابات المحتملة، على أمل أن تظهر الإجابة الأفضل أكثر من غيرها. لسنوات، تحقق الباحثون مما إذا كانت هذه الآلات تعمل من خلال النظر في جودة متوسط جميع الإجابات التي تنتجها. فإذا كان متوسط الإجابات جيداً، افترضوا أن الآلة تقوم بعملها. لكن هذا النهج لديه نقطة عمياء: يمكن للمتوسط المرتفع أن يخفي حقيقة أن الآلة نادراً ما تجد الحل الأفضل الفعلي، وهو الشيء الوحيد الذي يهم حقاً لحل اللغز.
قرر فريق من الباحثين مؤخراً النظر إلى ما وراء ذلك المتوسط ليروا ما يحدث حقاً داخل معالج كمومي فائق التوصيل. لقد استخدموا نوعاً معيناً من الآلات من إنتاج شركة IBM، موجود في منشأة في نيويورك، لتشغيل سلسلة من الاختبارات على ألغاز مكونة من اثني عشر متغيراً. وبدلاً من ترك الآلة تتعلم أفضل الإعدادات لكل لغز جديد، استخدموا استراتيجية تسمى "الزوايا المنقولة" (transferred angles). كان هذا يعني أنهم دربوا الآلة مرة واحدة على بعض الأمثلة الصغيرة ثم طبقوا تلك الإعدادات نفسها على ألغاز أكبر وأصعب. هذا النهج فعال لأنه يتجنب الحاجة إلى قضاء الآلة وقتاً في التعلم في الموقع، مما يسمح لكل محاولة بأن تكون حلاً محتملاً. قام الباحثون بتشغيل هذه الدوائر آلاف المرات، ملتقطين البيانات الخام للإجابات التي وجدتها الآلة بالفعل. ثم قارنوا هذه النتائج الواقعية بنماذج محاكاة حاسوبية صُممت لمحاكاة سلوك الآلة، بما في ذلك أخطائها وضجيجها المعروف.
كشفت النتائج عن انفصال مفاجئ بين ما بدت الآلة تفعله وما حققته بالفعل. فعندما نظر الباحثون إلى جودة متوسط الإجابات، بدت الآلة تعمل بشكل جيد معقول، حيث احتفظت بنحو ثلاثين إلى ستة وأربعين بالمائة من التحسن الذي كان ينبغي أن تظهره في عالم مثالي خالٍ من الضجيج. هذا المتوسط هو ما اعتمدت عليه معظم الدراسات السابقة لإعلان النجاح. ومع ذلك، عندما ركزوا بدقة لعدّ كم مرة وجدت الآلة الحل الأفضل الوحيد، تغيرت الصورة بشكل دراماتيكي. فقد احتفظت الآلة بنسبة تتراوح بين خمسة إلى خمسة عشر بالمائة فقط من احتمالية العثَد على تلك الإجابة المثالية. بعبارة أخرى، بينما كانت الآلة تنجح في تجنب الإجابات السيئة وغير المجدية، إلا أنها كانت تفشل في تركيز جهودها على أفضل الإجابات على الإطلاق. لقد تم دعم درجة المتوسط بقدرة الآلة على الابتعاد عن النتائج الأسوأ، مما أخفى حقيقة أنها كانت تخسر السباق نحو الحل الأمثل.
يتحدى هذا الاكتشاف الممارسة الشائعة للتحقق من صحة الحواسيب الكمومية عبر مقارنة أدائها المتوسط بمحاكاة حاسوبية. وجد الباحثون أن نموذج الكمبيوتر المصمم لمطابقة أخطاء الآلة الحقيقية يمكنه التنبؤ بالمتوسط بشكل جيد للغاية، لكنه بالغ كثيراً في تقدير عدد المرات التي ستجد فيها الآلة الحل الأفضل. في بعض الحالات، توقع النموذج أن تجد الآلة الإجابة المثالية أكثر بخمس إلى ثماني مرات مما فعلت في الواقع. تشير الدراسة إلى أن الضجيج في هذه الآلات لا يطمس النتائج بالتساوي فحسب؛ بل إنه يدمر تحديداً ذروة الاحتمالية الحادة التي يجب أن تستقر على الإجابة الأفضل، بينما يترك القدرة على تجنب الإجابات السيئة سليمة نسبياً. وهذا يعني أن الآلة يمكن أن تبدو ناجحة على الورق بينما تفشل في تقديم الحل المحدد المطلوب لتطبيق من تطبيقات العالم الحقيقي.
اختبر الباحثون أيضاً طرقاً مختلفة لمحاولة حماية الآلة من هذه الأخطاء، مثل إضافة نبضات إضافية لإلغاء التداخل أو بعثرة الإشارات لجعل الأخطاء أكثر تجانساً. وبينما ساعدت بعض هذه التقنيات قليلاً، إلا أنها لم تسد الفجوة بين المحاكاة والواقع. وفي الواقع، في مجموعة صعبة بشكل خاص من الألغاز المصممة لتكون وعرة ومعقدة، اختفت ميزة الآلة على الخوارزميات الكلاسيكية القياسية تماماً بمجرد إدخال الضجيج الواقعي. في عالم المختبر الهادئ، لم تستطع الآلة الكمومية التغلب على الخوارزميات الكلاسيكية التي تم ضبطها للمهمة. وتخلص الدراسة إلى أنه لكي نفهم حقاً ما إذا كان الكمبيوتر الكمومي جاهزاً للتحسين، يجب أن نتوقف عن النظر إلى المتوسط ونبدأ في عدّ الانتصارات. نحن بحاجة لمعرفة عدد المرات التي تجد فيها الآلة الإجابة الأفضل، وليس فقط مدى جودة تخمينها المتوسط، لأنه بالنسبة لحل المشكلات الصعبة، فإن المتوسط ليس كافياً.
ملخص تقني: ما وراء فجوة المتوسط
بيان المشكلة غالبًا ما يتم التحقق من صحة خوارزمية التحسين التقريبي الكمي (QAOA) على الأجهزة من خلال مقارنة متوسط التكلفة للجهاز (أو متوسط الفجوة المعيارية) مقابل محاكاة خالية من الضجيج أو تحتوي على ضجيج. ومع ذلك، بالنسبة لمهام التحسين، فإن المقياس الحاسم هو احتمالية أخذ العينة للحل الأمثل، وهو ما يحدد مباشرة "الوقت اللازم للوصول إلى الحل" (TTS). يمكن للمقارنة القائمة على المتوسط أن تحجب توزيع الكتلة الاحتمالية، مما قد يخفي فقدان الحل الأمثل مع إظهار توافق في متوسط التكلفة. يستقصي هذا البحث ما إذا كان الاتفاق في "فجوة المتوسط" بين الأجهزة والمحاكاة يتنبأ بالحفاظ على احتمالية الحل الأمثل، وتحديدًا تحت افتراض ضجيج إزالة الاستقطاب العالمي (global depolarization).
المنهية تستخدم الدراسة دوائر QAOA بعمق 2 مصممة كمسائل فرعية ثنائية ضمن إطار عمل "طريقة التكرار الموجه لتعميم المضاعفات" (ADMM) للتحسين الثنائي المختلط.
الدوائر: يستخدم المؤلفون "الزوايا المنقولة" (transferred angles)، وهي معاملات يتم تدريبها مرة واحدة على نماذج صغيرة مستبعدة ثم تُعاد استخدامها عبر مسائل أكبر. هذا يلغي الحاجة إلى حلقة تحسين على الجهاز، مما يضمن أن كل عملية أخذ عينات هي مرشح للحل. تُستخدم الزوايا العشوائية كعنصر تحكم.
الأجهزة: أُجريت التجارب على معالج IBM Heron المسمى ibm_marrakesh (كيوبتات فائقة التوصيل).
عائلات المسائل: تم استخدام عائلتين من مسائل الـ 12 كيوبت (مع التحقق باستخدام 8 كيوبت):
العائلة الرئيسية: مسائل تحسين ثنائي تربيعي غير مقيد (QUBO) عشوائية.
العائلة المزروعة (Planted Family): تضاريس وعرة ذات حل أمثل معروف، تم إنشاؤها عبر مجموعة "ويشارت" (Wishart ensemble).
تخفيف الخطأ: تقيم الدراسة تأثير "إلغاء التماسك الديناميكي" (DD) و"التدوير البوابي والقياسي" (gate/measurement twirling)، بالإضافة إلى تخفيف أخطاء القراءة.
المقاييس:
الحفاظ على فجوة المتوسط (η): الجزء المتبقي من التحسن عن أخذ العينات الموحد الذي ينجو في المخرجات المشوبة بالضجيج.
الحفاظ على الأمثل المصحح للأرضية (ηq): الجزء المتبقي من احتمالية الحل الأمثل (المصححة لأرضية التوزيع الموحد) الذي ينجو من الضجيج.
الوقت اللازم للوصول إلى الحل (TTS): عدد التقييمات المطلوبة لإيجاد الحل الأمثل باحتمالية 99%.
التنبؤ النظري: تثبت الورقة أنه تحت ظروف إزالة الاستقطاب العالمي، يجب أن يكون الحفاظ على فجوة المتوسط والحفاظ على الأرضية المصححة لأي مجموعة من السلاسل الثنائية (بما في ذلك الحل الأمثل) متطابقين. وبناءً عليه، فإن التحقق من فجوة المتوسط يتنبأ بالحفاظ على الأمثل فقط إذا كان الضجيج عبارة عن إزالة استقطاب عالمي.
التحقق من 8 كيوبت: في دراسة لـ 8 كيوبت، أظهر المؤلفون أنه بالنسبة للزوايا العشوائية (حيث تكون المخرات قريبة من التوزيع الموحد)، فإن الاتفاق في فجوة المتوسط لا يحمل أي معلومات تقريبًا. أما بالنسبة للزوايا المنقولة، فقد كان نموذج الضجيج المطابق للجهاز متفائلًا، حيث احتفظ بـ 90% من التحسن، بينما احتفظ الجهاز الفعلي بـ 49-73% فقط.
التباين في 12 كيوبت: في دوائر الـ 12 كيوبت، وجد المؤلفون تباينًا كبيرًا عن تنبؤ إزالة الاستقطاب العالمي. فبينما كان الحفاظ على فجوة المتوسط يتراوح بين 29-46%، كان الحفاظ على احتمالية الحل الأمثل (ηq) يتراوح بين 5-15% فقط.
التحليل القائم على عتبة الحل: من خلال تحليل الحفاظ عبر عتبات تكلفة مختلفة، كشفت الدراسة أن السلاسل الثنائية القريبة من المثالية فُقدت بمعدلات مماثلة للحل الأمثل، في حين كان الجهاز أفضل في تجنب السلاسل "السيئة" (تلك التي هي أسوأ من التخمين الموحد). يشير هذا إلى أن فجوة المتوسط تقيس أساسًا القدرة على تجنب الحلول السيئة بدلاً من الحفاظ على الحلول الجيدة.
قيود النموذج: استطاع نموذج الضجيج المطابق للجهاز إعادة إنتاج نمط ηq<η ولكنه بالغ في تقدير الحفاظ على الحل الأمثل بمقدار 5 إلى 8 أضعاف.
النتائج
الحفاظ على الأمثل: في العائلة الرئيسية، سجل الجهاز وسيطًا يتراوح بين 5.5 إلى 14 لقطة مثالية من أصل 4096 لكل مسألة، بينما توقع إزالة الاستقطاب العالمي عند فجوة المتوسط المقاسة الحصول على 23 إلى 33 لقطة.
الوقت اللازم للوصول إلى الحل: كان زمن الوصول للحل (TTS) في الأجهزة أكبر بمقدار 5 إلى 14 مرة من قيمته الخالية من الضجيج. وفي النسخة الأولى، تجاوز TTS الخاص بالجهاز زمن ثلاثة من الخوارزميات الكلاسيكية المضبوطة (التلدين المحاكي، بحث التابو، والتلدين المتوازي) في جميع المسائل.
العائلة المزروعة: في المحاكاة الخالية من الضجيج، تفوقت خوارزمية QAOA المنقولة على الخوارزميات المحلية في العائلة المزروعة الوعرة. ومع ذلك، في الأجهزة، اختفى هذا التفوق؛ حيث وجد الجهاز الحل الأمثل في 62% من الكتل (مقابل 98% في الحالة الخالية من الضجيج)، مما جعل أداءه مشابهًا أو أسوأ من الخوارزميات المحلية.
تأثيرات التخفيف: أدى إلغاء التقلب الديناميكي عمومًا إلى زيادة الحفاظ، بينما أدى التدوير إلى خفضه. ولم يؤدِ الجمع بينهما إلى تحسين الأداء باستمرار مقارنة بالإعدادات الفردية. وكان تذبذب الجهاز بين الجلسات بمستوى مماثل لتأثيرات إعدادات التخفيف.
التكامل مع ADMM: أظهرت دراسات صغيرة تدمج خطوة QAOA داخل حلقة ADMM أن أخطاء الأجهزة تنتقل إلى عملية التفكيك، مما يغير المسار النهائي وجودة الحل مقارنة بأخذ العينات الخالي من الضجيج.
الأهمية والادعاءات تجادل الورقة بأن التحقق من صحة دوائر التحسين الكمي عبر مقارنات فجوة المتوسط أو متوسط التكلفة وحدها أمر غير كافٍ ومضلل محتملاً. ولأن فجوة المتوسط تهيمن عليها قدرة الجهاز على تجنب الحلول السيئة، فإنها تفشل في التنبؤ بالحفاظ على الحل الأمثل أو المجموعات القريبة منه، وهي الأهداف الفعلية للتحسين.
يدعي المؤلفون ما يلي:
الاتفاق في فجوة المتوسط لا يضمن الحفاظ على احتمالية الحل الأمثل.
يمكن لنماذج الضجيج المطابقة للجهاز أن تعيد إنتاج نمط الفشل (انخفاض الحفاظ على الأمثل مقارنة بالحفاظ على المتوسط)، لكنها غالبًا ما تفشل في التنبؤ بـ مقدار الفقد، حيث تبالغ في تقدير الأداء بشكل كبير.
بالنسبة لمعايير التحسين، يجب أن تتضمن التقارير الحفاظ المصحح للأرضية للأمثل والمجموعات القريبة من المثالية، جنبًا إلى جنب مع عدد اللقطات المثالية المرصودة.
في الأجهزة فائقة التوصيل الحالية، يمكن أن يتجاوز الوقت اللازم للوصول إلى الحل (TTS) لـ QAOA زمن الخوارزميات الكلاسيكية، وقد لا تصمد المزايا الملحوظة في المحاكاة الخالية من الضجيج عند التنفيذ الفعلي.
تخلص الدراسة إلى أن معايير القياس المستقبلية يجب أن تتجاوز مقاييس المتوسط لتقييم بقاء الحلول عالية الجودة تحديدًا، مع الإقرار بأن الضجيج المحلي يجعل توزيعات الاحتمالية المركزة أكثر هشاشة مما يوحي به المتوسط.