Variational Relevance-Informed Sparsification of Term Measurements for Variational Quantum Algorithms
تقدم هذه الورقة البحثية متحكماً مُتعَلَّماً يستفيد من التناثر الخاص بالمعلمات في مساهمات التدرج لتقليل عبء القياس بشكل كبير في الخوارزميات الكمومية التباينية، مُظهرةً أداءً فائقاً على النماذج اللغوية الكبيرة غير الموجهة من خلال الدمج الفعال بين التمثيلات الفيزيائية والأهداف الخاصة بالمهمة.
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 سعي بناء حواسيب كمومية مفيدة، يحاول العلماء حالياً حل مشكلة تبدو بسيطة لكنها صعبة للغاية، وهي: كيفية إيجاد حالة الطاقة الأدنى لجزيء ما. هذا هو المفتاح لفهم التفاعلات الكيميائية، وتصميم أدوية جديدة، أو ابتكار مواد أفضل. الأداة الرائدة لهذه المهمة تسمى "المحلل الطيفي الكمومي المتغير" (variational quantum eigensolver). وهي تعمل من خلال إعداد دائرة كمومية، وتشغيلها، وقياس النتائج لمعرفة مدى قرب النظام من الطاقة المستهدفة. إذا لم تكن النتيجة مثالية، يقوم الكمبيوتر بتعديل الإعدادات والمحاولة مرة أخرى. تتكرر هذه الدورة آلاف المرات حتى يتم العثور على الإجابة. تكمن المشكلة في أن الحواسيب الكمومية هشة ومليئة بالضجيج، لذا فإن عملية قياس واحدة نادراً ما تكون كافية. وللحصول على إجابة موثوقة، يجب على الباحثين تكرار التجربة نفسها آلاف المرات، وهي عملية تُعرف باسم "الطلقات" (shots). ومع زيادة حجم الجزيئات وتعقيد الحسابات، ينفجر عدد الطلبات المطلوبة، مما يجعلها غالباً العقبة الرئيسية التي تبطئ العملية برمتها.
قام فريق من الباحثين في شركة "فيزا" (Visa) بتطوير طريقة جديدة لتسريع هذه العملية دون فقدان الدقة. فقد اكتشفوا أن ليس كل أجزاء القياس الكمومي متساوية في الأهمية لكل خطوة من خطوات الحساب. في التشغيل النموذجي، يقيس الكمبيوتر مجموعات عديدة مختلفة من البتات الكمومية لحساب كيفية تعديل الإعدادات. وجد الباحثون أنه بالنسبة لأي تعديل محدد، فإن مجموعة فرعية صغيرة ومحددة فقط من هذه المجموعات هي التي تهم فعلياً؛ أما البقية فلا تساهم إلا بالقليل في القرار النهائي. يشبه هذا محاولة التنقل في مدينة باستخدام خريطة تظهر كل شارع وزقاق وممر؛ فبالنسبة لرحلة معينة، تحتاج فقط لمعرفة الطرق الرئيسية. أدرك الباحثون أنه إذا تمكنوا من تحديد أي "الطرق" كانت أساسية لكل منعطف، فيمكنهم تجاهل البقية وتوفير وقت هائل.
ولتحقيق ذلك، قاموا ببناء متحكم ذكي، وهو نوع من الذكاء الاصطناعي المدرب على التنبؤ بالقياسات الضرورية. فبدلاً من محاولة قياس كل شيء في كل مرة، ينظر هذا المتحكم إلى الحالة الراهنة للدائرة الكمومية والتعديل المحدد الذي يتم إجراؤه، ثم يقرر أي مجموعات من القياسات يجب الاحتفاظ بها وأيها يجب تخطيها. تم اختبار النظام على خمس عشرة محاكاة جزيئية مختلفة. وفي هذه الاختبارات، نجحت الطريقة الجديدة في توفير ما يقرب من نصف القياسات المطلوبة. وتحديداً، قللت عدد الطلبات اللازمة بنسبة 49.6 بالمائة مع الحفاظ على حساب طاقة نهائي قريب جداً من النسخة الكاملة غير المختصرة. كان الفرق في نتيجة الطاقة النهائية ضئيلاً للغاية، بمتوسط قدره 5.67 ميلي هارتري (millihartree)، وهي وحدة طاقة مستخدمة في الكيمياء. وهذا يعني أن الكمبيوتر يمكنه الوصول إلى نفس مستوى الدقة الكيميائية في نصف الوقت تقريباً.
كما استكشف الباحثون ما إذا كان بإمكان نماذج اللغات الكبيرة، وهي نفس أدوات الذكاء الاصطناعي القوية التي يمكنها كتابة المقالات أو الإجابة على الأسئلة، حل هذه المشكلة دون أي تدريب خاص. لقد طلبوا من هذه النماذج العامة اختيار القياسات المهمة بناءً على البيانات الفيزيائية المقدمة، وكانت النتائج متباينة. فبينما استطاعت هذه النماذج أحياناً تحديد مجموعات مفيدة، إلا أنها كانت غير متسقة؛ فبدون توجيه محدد، غالباً ما فشلت في إعطاء الأولوية للمعلومات الفيزيائية التي تهم أكثر من غيرها. أما المتحكم المصمم خصيصاً، والذي تم تدريبه خصيصاً على قواعد ميكانيكا الكم وهيكل المشكلة، فقد كان أداؤه أفضل بكثير؛ حيث تعلم استخدام القرائن المتاحة بفعالية أكبر من النماذج العامة. وهذا يشير إلى أنه بالنسبة للمهام العلمية المعقدة، قد لا يكون النهج الأفضل هو الاعتماد على ذكاء اصطناعي واحد كلي المعرفة، بل الجمع بين مرونة النماذج العامة والأدوات المتخصصة التي تفهم القواعد المحددة للمجال.
كما بحثت الدراسة في مدى فعالية هذه الطريقة عندما تتغير الظروف، مثل عندما تصبح الدائرة الكمومية أكثر عمقاً أو عندما يكون الجزيء مختلفاً عن تلك التي تدرب عليها النظام. وقد أظهر المتحكم صموداً، حيث حافظ على قدرته على توفير الطلبات حتى عند مواجهة سيناريوهات جديدة لم يسبق له رؤيتها. وتعد هذه المتانة أمراً بالغ الأهمية لأن التطبيقات الواقعية نادراً ما تبدو تماماً مثل بيانات التدريب. ووجد الباحثون أنه يمكن ضبط الطريقة للمفاضلة بين السرعة والدقة؛ فمن خلال تعديل إعداد واحد، يمكنهم اختيار توفير المزيد من الطلبات إذا كان هامش خطأ أكبر قليلاً مقبولاً، أو الاحتفاظ بمزيد من القياسات إذا كانوا بحاجة إلى أعلى دقة ممكنة. تمنح هذه المرونة العلماء طريقة مباشرة للتحكم في التوازن بين التكلفة والجودة.
في نهاية المطاف، يسلط هذا العمل الضوء على نقطة ضعف محددة في سير عمل الحوسبة الكمومية الحالي: الميل إلى قياس كل شيء لمجرد الأمان. ومن خلال إثبات أن جزءاً كبيراً من هذه القياسات هو أمر زائد عن الحاجة لأي خطوة معينة، فتح الباحثون مساراً نحو خوارزميات كمومية أكثر كفاءة بكثير. وتشير النتائج إلى أن مستقبل الحوسبة الكمومية قد يعتمد ليس فقط على بناء آلات أكبر، بل على بناء طرق أذكى لاستخدام الآلات التي نمتلكها بالفعل. إن القدرة على تقليل وقت القياس إلى النصف دون التضحية بجودة البيانات الكيميائية هي خطوة كبيرة للأمام، مما يجعل التطبيق العملي لهذه الخوارزميات في اكتشاف الأدوية وعلوم المواد أمراً ممكناً للغاية. ويؤكد البحث أن فهم الهيكل المحدد للمشكلة يسمح باختصار ذكي تغفل عنه الطرق العامة، مما يشير إلى مستقبل يقود فيه الذكاء الاصطناعي المتخصص والمدرك للفيزياء الحواسيب الكمومية نحو إجاباتها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.