Beauty and charm jet identification with end-to-end training on a superconducting quantum processor
تقدم هذه الورقة أول تدريب واختبار شامل لنظام طرف إلى طرف لدائرة كمية تباينية لتحديد نفاثات الجمال والسحر على معالج كمي فائق التوصيل حقيقي مكون من 5 كيوبتات، مما يثبت أن الضوضاء العتادية لا تؤدي إلى تدهور الأداء بشكل كبير ويمهد الطريق للميزة الكمية المستقبلية في مهام التصنيف في فيزياء الطاقات العالية.
المؤلف الأصلي:Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, DavLucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Davide Zuliani
المؤلف الأصلي: Lucio Anderlini, Pietro Asinari, Gianluca Bertaina, Davide Calonico, Marco Coïsson, Alessio Gianelle, Donatella Lucchesi, Giovanni Passaleva, Matteo Maria Piredda, Lorenzo Sestini, Michele Veltri, Davide Zuliani
في عالم فيزياء الجسيمات عالي الطاقة، يقوم العلماء بصدم البروتونات مع بعضها البعض بسرعة تقترب من سرعة الضوء لإعادة تهيئة ظروف الكون المبكر. وعندما تحدث هذه التصادمات، تنتج رشاشات من الجسيمات تسمى "النفاثات" (jets). معظم هذه النفاثات عادية، لكن بعضها ينشأ من جسيمات ثقيلة وقصيرة العمر تُعرف بـ "كواركات الجمال" (beauty) و"الكواركات الساحرة" (charm). إن تحديد أي النفاثات تأتي من هذه الكواركات الثقيلة أمر بالغ الأهمية لاختبار القوانين الأساسية للطبيعة، ومع ذلك، فهو مهمة صعبة للغاية. فالكواركات الثقيلة تتحلل بسرعة كبيرة لدرجة أن نفاثاتها تبدو مشابهة جداً لنفاثات الجسيمات الأخف، مما يتطلب من الباحثين البحث عبر مئات الأدلة الدقيقة للتمييز بينها. ولعقود من الزمن، كان هذا العمل من مهام الحواسيب الكلاسيكية القوية والذكاء الاصطناعي المتقدم، ولكن برز سؤال جديد: هل يمكن لتكنولوجيا الحوسبة الكمومية الناشئة، التي تعالج المعلومات بطريقة مختلفة جوهرياً، أن تساعد في حل هذه المشكلة؟
لقد اتخذ فريق من الباحثين في إيطاليا خطوة مهمة نحو الإجابة على ذلك السؤال من خلال تدريب حاسوب كمومي على تحديد نفاثات "الجمال" و"السحر" الثقيلة. لم يكتفوا بمحاكاة العملية على حاسوب عادي، بل أجروا دورة التدريب والاختبار بأكملها على معالج كمومي حقيقي ومادي. هذا الجهاز، وهو جهاز فائق التوصيل مكون من خمسة كيوبتات يُدعى "لاغرانج" (Lagrange)، يقع في جامعة "بوليتكنيكو دي تورينو". قام الباحثون بتغذية الحاسوب الكمومي ببيانات من تجربة (LHCb) التابعة لمصادم الهادرات الكبير، والتي تمت محاكاتها لتمثل تصادمات عند طاقة قدرها 13 تيرا إلكترون فولت. كان هدفهم هو معرفة ما إذا كان بإمكان خوارزمية كمومية أن تتعلم التمييز بين نفاثات كواركات الجمال وتلك القادمة من كواركات السحر، رغم الطبيعة الصاخبة وغير المثالية للأجهزة الكمومية الحالية.
كان التحدي كبيراً. فالحواسيب الكمومية اليوم لا تزال في مهدها، وهي عرضة للأخطاء ومحدودة في كمية المعلومات التي يمكنها استيعابها. اضطر الباحثون إلى ضغط البيانات المعقدة التي تصف النفاثة في خمس سمات رئيسية فقط، مثل كتلة نقطة التحلل الثانوية وعدد مسارات الجسيمات، لتناسب خمسة كيوبتات متاحة فقط. وقد صمموا دائرة كمومية محددة، وهي مجموعة من التعليمات التي تقوم بتدوير وتشابك البتات الكمومية لمعالجة هذه المعلومات. وعلى عكس الحاسوب القياسي الذي يتبع مساراً ثابتاً، كانت هذه الدائرة الكمومية تحتوي على مقابض قابلة للتعديل، أو "بارامترات"، يمكن للآلة ضبطها بنفسها لتحسين دقتها. وضع الفريق حلقة حيث يقوم المعالج الكمومي بعمل تخمين، ثم يقوم حاسوب كلاسيكي بحساب مدى خطأ ذلك التخمين، ومن ثم يقوم المعالج الكمومي بتعديل مقابضه ليؤدي بشكل أفضل.
ما وجدوه كان مشجعاً. فبعد تشغيل عملية التدريب بالكامل على معالج "لاغرانج" الكمومي، تعلمت الآلة بنجاح الفصل بين نوعي النفاثات. كان أداء النموذج المدرب كمومياً قريباً بشكل ملحوظ من أداء نموذج تم تدريبه على محاكاة مثالية خالية من الضجيج. ورغم أن الحاسوب الكمومي قد أدخل بعض الضجيج وأدى إلى إزاحة النتائج قليلاً، إلا أنه لم يدمر القدرة على التصنيف الصحيح. حقق النظام مستوى من التمييز يضاهي المحاكاة المثالية، مما يثبت أن الضجيج المتأصل في الأجهزة الحالية لا يمنع بالضرورة الآلة الكمومية من تعلم مهمة فيزيائية معقدة. استغرقت عملية التدريب بأكملها، والتي تضمنت آلاف الحسابات، أقل من ساعة من الوقت الفعلي الذي قُضي على المعالج الكمومي.
تعتبر هذه التجربة بمثابة إثبات حيوي للمفهوم. فهي توضح أن سير العمل الكامل لتدريب نموذج تعلم آلي كمومي — من الإعداد الأولي إلى الاختبار النهائي — يمكن إتمامه على أجهزة حقيقية وصاخبة دون انهيار الأداء. كما طور الباحثون طريقة للتنبؤ بالوقت الذي ستستغرقه مثل هذه المهمة على آلات أكبر، حيث قدروا أن الحواسيب الكمومية المستقبلية التي تحتوي على عشرات الكيوبتات يمكنها التعامل مع بيانات أكثر واقعية وتعقيداً ضمن أطر زمنية معقولة، بشرط إدارة الأعباء الإضافية للأجهزة. وبينما يعتبر هذا الجهاز المحدد المكون من خمسة كيوبتات صغيراً جداً لحل المشكلة الكاملة لتحديد النفاثات كما هي موجودة في التجارب الحقيقية، والتي تتضمن مئات المتغيرات، فإن الدراسة توضح الطريق للمضي قدماً. إنها تشير إلى أنه مع نمو المعالجات الكمومية واستقرارها، قد توفر في النهاية أداة جديدة للفيزياء عالية الطاقة، قادرة على معالجة مهام التصنيف التي يصعب حتى على أكثر الحواسيب الكلاسيكية تقدماً التعامل معها.
ملخص تقني: تحديد نفاثات الجمال والسحر عبر التدريب المتكامل على معالج كمي فائق التوصيل
بيان المشكلة يعد تحديد النفاثات ذات الفلوّات الثقيلة (تحديداً تلك الناشئة عن كواركات الجمال (b) والسحر (c)) مهمة تصنيف بالغة الأهمية ولكنها مليئة بالتحديات في تجارب فيزياء الطاقات العالية في مصادم الهادرونات الكبير (LHC). وبينما تم استخدام تقنيات التعلم الآلي الكلاسيكية المتقدمة بنجاح، مثل أشجار القرار المعززة (BDTs) والشبكات العصبية، باستخدام مئات المتغيرات الملحوظة، يواجه دمج التعلم الآلي الكمي (QML) عقبات كبيرة. ويكمن التحدي الرئيسي في التباين بين أبعاد فضاء الميزات المدخلة المرتفعة وعدد الكيوبتات المحدود في الأجهزة الكمية الحالية ذات المقياس المتوسط المشوبة بالضجيج (NISQ). علاوة على ذلك، لا يزال من المسائل المفتوحة ما إذا كانت الأجهزة الكمية الحالية، التي تتميز بعدد محدود من الكيوبتات والضجيج المتأصل، قادرة على دعم سير عمل التدريب والاستدلال الكامل لمهام التصنيف المعقدة دون تدهور كبير في الأداء.
المنهجية تنفذ هذه الدراسة مصنفاً كمياً متغيراً (VQC) للتمييز بين نفاثات b ونفاثات c باستخدام بيانات محاكاة مفتوحة من تجربة LHCb. يتم تنفيذ سير العمل بالكامل على معالج "لاغرانج" (Lagrange)، وهو معالج كمي فائق التوصيل مكون من 5 كيوبتات من تصنيع شركة IQM ومثبت في جامعة البوليتكنيك في تورينو.
البيانات والميزات: تتكون مجموعة البيانات من أحداث دايجيت (dijet) محاكاة (bbˉ و ccˉ) من تشغيل (Run 2) عند طاقة مركز الكتلة s=13 TeV. لاستيعاب قيد الـ 5 كيوبت، تم تقليص فضاء الميزات المدخلة من عشر متغيرات قياسية مستخدمة في BDTs الخاصة بـ LHCb إلى خمس ميزات رئيسية تتعلق بالرأس الثانوي (SV): الكتلة الثابتة، الكتلة الثابتة المصححة، نسبة الزخم العرضي للرأس الثانوي إلى الزخم العرضي للنفاثة، الزخم العرضي للرأس الثانوي، وتعدد مسارات الرأس الثانوي.
بنية الدائرة الكمية: يستخدم المصنف الكمي المتغير مخطط تضمين الزاوية حيث يتم ربط كل ميزة كلاسيكية بزاوية الدوران لكيوبت واحد (Ry). تتكون البنية المتغيرة (ansatz) من Nl من الطبقات، تحتوي كل منها على دورات أحادية الكيوبت قابلة للتدريب (Rz,Ry,Rz) وطبقة تشابك من بوابات CNOT مرتبة في طوبولوجيا حلقية. المخرج هو القيمة المتوقعة لمؤثر Pauli-Z على الكيوبت الأول.
التدريب والتحسين: يتبع سير العمل نهجاً هجيناً (كمي-كلاسيكي). يتم تنفيذ الدائرة الكمية على وحدة المعالجة الكمية (QPU) "لاغرانج" لتوليد الدرجات، بينما تقوم وحدة معالجة مركزية (CPU) كلاسيكية بحساب دالة الخسارة (الخطأ التربيعي) وتحديث المعلمات باستخدام مُحسن Adam. يتم تقدير التدرجات عبر قاعدة إزاحة المعلمة (parameter-shift rule).
تحسين المعلمات الفائقة: لإدارة وقت وحدة المعالجة الكمية المحدود، أُجريت دراسة لتحسين التكلفة باستخدام محاكاة خالية من الضجيج. تم تقليص التكوين من مرجع (Nq=5,Nl=2,Nshots=1024,Ntrain=1000) إلى إعداد محسن للتكلفة (Nq=4,Nl=1,Nshots=256,Ntrain=100). أدى ذلك إلى تقليل وقت التدريب المتوقع بمقدار ~100 ضعف مع حصر تدهور المساحة تحت المنحنى (AUC) في حوالي 7.5%.
تحليل الضجيج: تتناول الدراسة صراحةً ضجيج الأجهزة من خلال مقارنة أداء النماذج المدربة على وحدة المعالجة الكمية الحقيقية مقابل تلك المدربة على محاكي خالٍ من الضجيج.
المساهمات الرئيسية
أول عرض متكامل (End-to-End): حسب علم المؤلفين، هذا هو أول عرض لخوارزمية كمية لتحديد النفاثات باستخدام بيانات محاكاة LHC حيث يتم تنفيذ سير عمل التعلم الآلي الكامل — بما في ذلك التدريب والاختبار — بالكامل على أجهزة كمية حقيقية.
التدريب القائم على الأجهزة: على عكس الدراسات السابقة التي اعتمدت على المحاكيات للتدريب والاختبار فقط على الأجهزة، يتحقق هذا العمل من جدوى تدريب المصنفات الكمية المتغيرة مباشرة على أجهزة NISQ، مما يثبت أن حلقة التحسين يمكن أن تتقارب رغم ضجيج الأجهزة.
إطار تقدير الموارد: تقترح الورقة إطاراً لتقدير وقت تدريب وحدة المعالجة الكمية وتحسين معلمات الدائرة. كما تضع نموذجاً للقياس الخطي لوقت تنفيذ وحدة المعالجة الكمية بالنسبة لعمق الدائرة وتحدد عائقاً ثابتاً للأجهزة (حوالي 0.45 مللي ثانية) كعامل مهيمن في إجمالي وقت التدريب.
المرونة تجاه الضجيج: تقدم الدراسة دليلاً تجريبياً على أن الضجيج الكمي الناتج عن الأجهزة لا يؤدي إلى تدهور كبير في أداء التصنيف عندما يتم تدريب النموذج مباشرة على الجهاز المليء بالضجيج، حيث تتكيف عملية التحسين جوهرياً مع خصائص الضجيج.
النتائج
الأداء: حقق المصنف الكمي المتغير المدرب على معالج "لاغرانج" مساحة تحت المنحنى (AUC) قدرها 0.761، وهي متوافقة إحصائياً مع AUC البالغ 0.763 الذي تم الحصول عليه من محاكي خالٍ من الضجيج. تُظهر مصفوفات الارتباك ومنحنيات ROC قدرة تمييز متقاربة بين النماذج المدربة على الأجهزة والنماذج المدربة على المحاكي.
وقت التدريب: استغرقت عملية التدريب الكاملة على معالج "لاغرانج" المكون من 5 كيوبتات حوالي 43 دقيقة من وقت وحدة المعالجة الكمية، وهو ما يتوافق مع الـ 48 دقيقة المتوقعة من نموذج التوقيت المقترح.
تأثير الضجيج: بينما أظهرت توزيعات الدرجات من الأجهزة انزياحاً في المتوسط وزيادة في العرض مقارنة بالمحاكي الخالي من الضجيج (مما يشير إلى تحيز منهجي وتوسع إحصائي)، نجح المصنف في تعلم المعلمات التي تعوض هذه التأثيرات، محافظاً على أداء تصنيف قوي.
الأهمية والادعاءات تدعي الورقة أن هذا العمل يعمل كمنصة اختبار حرجة للتطبيقات المستقبلية على الأجهزة الكمية فائقة التوصيل الأكبر حجماً. وتثبت ما يلي:
الأجهزة الحالية من فئة NISQ كافية لتنفيذ سير عمل كامل ومتكامل للتعلم الآلي الكمي لمهمة تصنيف فيزيائية واقعية.
يمكن إدارة تأثير الضجيج الكمي من خلال التدريب المباشر على الأجهزة، مما يشير إلى أن التفوق الكمي في فيزياء الطاقات العالية قد يكون ممكناً حتى قبل توفر الأجهزة المقاومة للأخطاء، بشرط تقليل العوائق المادية للأجهزة.
توفر نموذج التوقيت واستراتيجيات التحسين المقترحة خارطة طريق عملية لتوسيع نطاق سير العمل هذا إلى معالجات أكبر (مثل نظام 54 كيوبت في CINECA). ويشير المؤلفون إلى أنه بينما سيزيد التوسع في عدد الكيوبتات من وقت التدريب خطياً عندما يهيمن العائق الثابت، فإن وقت التدريب يظهر اعتماداً تربيعياً على عدد الكيوبتات في الحالة المثالية حيث يصبح العائق الثابت غير ذي أهمية مقارنة بالمساهمة المعتمدة على البوابة.
يظل المؤلفون متواضعين فيما يتعلق بـ "التفوق الكمي"، موضحين أنه بينما الأداء يضاهي الطرق الكلاسيكية، فإن الهدف الأساسي لهذا العمل هو إثبات جدوى سير العمل وتوفير مرجع للتحقيقات المستقبلية حول ما إذا كانت النهج الكمية يمكن أن تتفوق في النهاية على الطرق الكلاسيكية في مهام تصنيف فيزياء الطاقات العالية.