Programming Quantum Circuit Parameters with Large Language Models
تتقصى هذه الورقة مدى فعالية استخدام نموذج لغوي كبير مجمد لتوليد معاملات الدوائر الكمومية التباينية، حيث وجدت أنه في حين يواجه هذا النهج صعوبة مع هاملتونيّات العشوائية العامة، فإنه ينجح في استنتاج تكوينات الطاقة المنخفضة للأنظمة المهيكلة ويقدم بديلاً قابلاً للتحقق فيزيائياً للتنبؤ المباشر بالطاقة.
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 مجال الحوسبة الكمومية الناشئ، يتعلم العلماء كيفية تسخير القواعد الغريبة لعالم ما دون الذرة لحل مشكلات قد تستغرق الحواسيب العادية آلاف السنين لفك شفرتها. وفي قلب العديد من هذه الجهود تكمن "الخوارزميات الكمومية التباينية"، وهي نهج هجين يجمع بين معالج كمومي وحاسوب كلاسيكي. يقوم الجهاز الكمومي بإعداد حالة محددة للمادة باستخدام مجموعة من الإعدادات القابلة للضبط، تماماً مثل ضبط مقابض راديو معقد. ثم يقوم الحاسوب الكلاسيكي بقياس النتيجة ويحاول ضبط تلك المقابض للعثور على أفضل إعداد ممكن، وعادة ما يكون الإعداد الذي يتوافق مع أدنى حالة طاقة للنظام. هذه العملية ضرورية لمحاكاة مواد جديدة أو فهم التفاعلات الكيميائية، لكنها صعبة للغاية بشكل معروف. يجب على الحاسوب الكلاسيكي أن يطلب من الآلة الكمومية تكرار نفس الحساب مراراً وتكراراً، مع تعديل الإعدادات قليلاً في كل مرة، فقط لمعرفة الاتجاه الذي يؤدي إلى إجابة أفضل. هذا الأخذ والرد يستهلك قدراً كبيراً من الوقت والموارد، مما يخلق عنق زجاجة يبطئ التقدم.
وقد تساءل الباحثون مؤخراً عما إذا كان نوع مختلف من الذكاء يمكنه تخطي مرحلة التجربة والخطأ المملة. فقد أظهرت النماذج اللغوية الكبيرة، وهي أنظمة الذكاء الاصطناعي القوية نفسها التي يمكنها كتابة المقالات أو الإجابة على الأسئلة، قدرة مذهلة على فهم الأنماط المعقدة. وقد شرع فريق من العلماء من النمسا والبرازيل في اختبار ما إذا كانت هذه النماذج يمكن أن تعمل كاختصار، من خلال التنبؤ بالإعدادات المثالية لدائرة كمومية بمجرد قراءة وصف للدائرة والمشكلة التي تهدف لحلها، دون الحاجة لتشغيل التجربة أولاً. أرادوا معرفة ما إذا كان بإمكان الذكاء الاصطناعي النظر إلى مخطط لآلة كمومية والوصف الرياضي للطاقة التي تحتاج لتقليلها، ومن ثم ببساطة كتابة الأرقام الصحيحة لضبط المقابض، متجاوزاً بذلك عملية التحسين التكرارية البطيئة.
استخدم الباحثون نموذجاً لغوياً عاماً ومجمداً، مما يعني أنهم لم يعلموه أي شيء جديد عن الفيزياء الكمومية أو يعطوه أمثلة محددة للتعلم منها. بدلاً من ذلك، قاموا بتغذيته بالوصف الرمزي لدائرة كمومية والتحليل الرياضي لمشكلة الطاقة، وطلبوا من النموذج توليد قائمة كاملة من الأرقام لإعدادات الدائرة. وقد اختبروا هذا النهج على ثلاثة أنواع مختلفة من التحديات: مشكلات رياضية عشوائية لا تتبع نمطاً واضحاً، ومشكلات مهيكلة تحاكي الأنظمة الفيزيائية الحقيقية مثل الجزيئات، وخوارزميات كمومية محددة مصممة للبحث عن المعلومات أو تحويل البيانات. وفي حالة المشكلات العشوائية، واجه النموذج صعوبة؛ فعندما كان مشهد الطاقة فوضوياً ويفتقر إلى بنية واضحة، كانت تخمينات الذكاء الاصطناعي غالباً أسوأ مما يمكن للطريقة الرياضية القياسية والمعروفة أن تحققه من خلال التكرار البسيط. لم يستطع النموذج العثور بشكل موثوق على إعدادات الطاقة المنخفضة بمجرد النظر إلى الرموز، مما يشير إلى أنه بدون نمط واضح لاتباعه، كان الذكاء الاصطناعي يخمن في الظلام.
ومع ذلك، تغيرت القصة عندما كانت المشكلات ذات بنية قابلة للتمييز. فعندما قدم الباحثون للنموذج "هاميلتونيات" تمثل أنظمة فيزيائية حقيقية، مثل جزيء مكون من أربع ذرات هيدروجين، كان أداء الذكاء الاصطناعي أفضل بكثير. في هذه الحالات، تمكن النموذج من توليد تكوينات للمعاملات أدت إلى حالات طاقة منخفضة، بل واقتربت أحياناً من الإجابة المثلى بعد محاولات قليلة جداً. بدا أن وجود بنية فيزيائية ورياضية محددة يعمل كدليل، مما سمح للنموذج باستنتاج الإعدادات الصحيحة. كما استكشف الفريق ما إذا كان تقديم ملاحظات للنموذج بعد كل تخمين سيساعد. ووجدوا أنه بينما يمكن للنموذج تحسين اقتراحاته قليلاً عند إخباره بطاقة تخمينه السابق، فإن أكبر المكاسب جاءت من الرؤية الأولية التي وفرتها بنية المشكلة بدلاً من دورة طويلة من التصحيحات. في الواقع، بالنسبة للمشكلات العشوائية، لم تقدم حلقة التغذية الراجعة سوى القليل من المساعدة، مما يعزز فكرة أن قوة النموذج تكمكمن في التعرف على الأنماط بدلاً من البحث بالقوة الغاشمة.
تضمن جزء حاسم من الدراسة التحقق من موثوقية تنبؤات الذكاء الاصطناعي. فقد اكتشف الباحثون أنه عندما يحاول النموذج تخمين قيمة الطاقة النهائية مباشرة، فإنه يرتكب أحياناً خطأً جوهرياً، حيث يتنبأ بمستوى طاقة أقل مما هو ممكن فيزيائياً لهذا النظام. وهذا يمثل قيداً كبيراً، لأنه يعني أنه لا يمكن الوثوق في التنبؤ المباشر بالرقم من قبل الذكاء الاصطناعي دون تحقق. في المقابل، عندما يقدم النموذج الإعدادات الفعلية للدائرة الكمومية، يمكن اختبار تلك الإعدادات في محاكاة لإنتاج قيمة طاقة حقيقية وقابلة للقياس. وحتى لو لم تكن الإعدادات مثالية، فإن الطاقة الناتلة ستكون دائماً حداً علوياً صالحاً وممكناً من الناحية الفيزيائية. هذا التمييز حيوي: فالنموذج أفضل في اقتراح مسار ملموس للحل منه في التنبؤ بالوجهة مباشرة.
كما اختبر الباحثون قدرة النموذج على العمل كمترجم، حيث طلبوا منه النظر إلى دائرة كمومية وشرح ما تقوم به. لقد أعطوا النموذج دوائر تؤدي مهاماً معروفة، مثل البحث في قاعدة بيانات أو تحويل البيانات، لكنهم قاموا بتغيير المظهر البصري للدوائر لإخفاء هويتها. ومن المثير للدهشة، استطاع النموذج في كثير من الأحيان تحديد المهمة الأساسية بشكل صحيح، حتى عندما بدا شكل الدائرة مختلفاً تماماً عن شكلها المعتاد. والأكثر إثارة للإعجاب هو أنه حتى عندما فشل النموذج في تسمية الخوارزمية بشكل صحيح، فإنه غالباً ما تنبأ بالنتيجة الصحيحة للتجربة. وهذا يشير إلى أن النموذج يفهم السلوك الوظيفي للنظام — أي "ماذا يحدث" — حتى لو لم يستطع دائماً تسمية "ما هو مسمى هذا الشيء".
في النهاية، ترسم الدراسة صورة دقيقة لما يمكن وما لا يمكن للذكاء الاصطناعي فعله في المجال الكمومي. وهي تشير إلى أن النماذج اللغوية الكبيرة ليست بديلاً عالمياً لطرق التحسين التقليدية، خاصة عند التعامل مع المشكلات الفوضوية وغير المهيكلة. ومع ذلك، عندما تمتلك المشكلة بنية فيزيائية أو رياضية واضحة، يمكن لهذه النماذج أن تعمل كأدوات قوية لبدء البحث عن الحلول، حيث توفر نقاط انطلاق واعدة توفر الوقت والموارد. يسلط العمل الضوء على أنه بينما يمكن للذكاء الاصطناعي التعرف على الأنماط واقتراح تكوينات صالحة فيزيائياً، فإنه لا يزال يتطلب التحقق الصارم من القياس الفعلي لتأكيد تنبؤاته. إن مستقبل الحوسبة الكمومية قد لا يعتمد على الذكاء الاصطناعي لحل كل مشكلة من الصفر، بل على شراكة حيث يقدم الذكاء الاصطناعي تخمينات ذكية بناءً على البنية، وتقوم الأساليب الكلاسيكية بصقل تلك التخمينات للوصول إلى إجابات دقيقة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.