← أحدث الأبحاث
⚛️ الفيزياء الكمومية

Beyond Error Mitigation: Using Boosting for Noisy Quantum Machine Learning

تُثبت هذه الورقة البحثية أن تعزيز الدوائر الكمومية المعلمية المشوبة بالضجيج في تعلم الآلة الكمومي الخاضع للإشراف يمكن أن يحقق أهداف التصنيف بعدد أقل من عمليات تنفيذ الدوائر ودقة اختبار أعلى مقارنة بإلغاء الخطأ الاحتمالي، وذلك من خلال الاستفادة من المعلومات الخاصة بالمهمة لتجنب إعادة البناء المكلفة للمخرجات المثالية الخالية من الضجيج.

المؤلف الأصلي: Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev, Vedran Dunjko

نُشر 2026-11-20
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Anastasiia Lukianenko, Yash J. Patel, Nurbolat Kenbayev, Vedran Dunjko

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 السباق لبناء حواسيب كمومية مفيدة، يواجه العلماء عقبة مستعصية: الضجيج. فخلافاً للحسابات المثالية الخالية من الأخطاء كما يتصورها المنظرون، فإن الآلات الكمومية الحقيقية هشة؛ إذ إن مكوناتها، المعروفة باسم الكيوبتات (qubits)، تتأثر بسهولة ببيئتها، مما يؤدي إلى تشويش المعلومات التي تحملها قبل انتهاء العملية الحسابية. لسنوات طويلة، كان النهج القياسي لهذه المشكلة هو محاولة إصلاح الأخطاء فور حدوثها. وتعمل التقنيات المعروفة باسم "تخفيف الخطأ" (error mitigation) مثل المرشح، حيث تحاول تجريد النتيجة النهائية من الضجيج للكشف عما كان سينتجه الجهاز المثالي الكامل. ومع ذلك، فإن عملية التصفية هذه مكلفة للغاية؛ فمن أجل الحصول على إجابة واضحة، غالباً ما يتعين على الباحثين تشغيل نفس الحساب آلاف أو حتى ملايين المرات، آملين أن يؤدي المتوسط الإحصائي لهذه المحاولات المشوشة في النهاية إلى إلغاء الأخطاء. وهذا الطلب الهائل على تكرار التشغيل، أو "الطلقات" (shots)، يهدد بجعل الحوسبة الكمومية بطيئة ومستهلكة للموارد بشكل لا يسمح بجدواها في العديد من المهام الواقعية.

تتحدى دراسة جديدة أجراها أناستاسيا لوكيانينكو، ياش جيه باتيل، نوربولات كينبايف، وفيدران دوجنكو الافتراض القائل بأنه يجب علينا دائماً السعي وراء إعادة بناء مثالية وخالية من الضجيج. فقد طرح الباحثون سؤالاً أبسط وأكثر عملية: إذا كان الهدف هو مجرد اتخاذ قرار صحيح، مثل تصنيف البيانات إلى فئتين، فهل يحتاج الجهاز إلى معرفة القيمة الدقيقة والمثالية لكل عملية حسابية وسيطة؟ وجدوا أنه بالنسبة للعديد من مهام التعلم، فإن الإجابة هي لا. فبدلاً من محاولة تنظيف كل نتيجة مشوشة على حدة، أظهر الفريق أنه من الأكثر كفاءة في كثير من الأحيان احتضان الضجيج واستخدام استراتيجية تسمى "التعزيز" (boosting). تأخذ هذه الطريقة العديد من النماذج الكمومية غير المثالية والمشوشة وتدمجها في متنبئ واحد قوي. وتظهر عمليات المحاكاة التي أجروها أن هذا النهج يمكن أن يصل إلى نفس مستوى الدقة الذي تحققه طرق تصحيح الخطأ التقليدية، ولكنه يتطلب عدداً أقل بكثير من تنفيذات الدوائر الكمومية، خاصة مع زيادة حجم الآلات وزيادة ضجيجها.

ركز الباحثون على نوع شائع من المشكلات يسمى "التصنيف الثنائي" (binary classification)، حيث يجب على الكمبيوتر أن يقرر ما إذا كان المدخل ينتمي إلى مجموعة واحدة أو أخرى، مثل التمييز بين نوعين من الصور. وفي هذا السياق، تهم إشارة الحساب أكثر من قيمته المحددة — أي ما إذا كانت النتيجة موجبة أم سالبة — وهي التي تحدد التصنيف النهائي. قارن الفريق بين طريقتين مختلفتين للتعامل مع الدوائر الكمومية المشوشة. الطريقة الأولى، المعروفة باسم "إلغاء الخطأ الاحتمالي" (probabilistic error cancellation)، تحاول عكس آثار الضجيج رياضياً؛ فهي تعمل عن طريق تشغيل الدائرة مرات عديدة وإعادة وزن النتائج لمحاكاة مخرج مثالي خالٍ من الضجيج. وبينما تعد هذه الطريقة سليمة من الناحية النظرية، لاحظ الباحثون أن عدد المرات التي يجب تشغيل الدائرة فيها ينمو أسياً مع حجم الدائرة وقوة الضجيج. إن الأمر يشبه محاولة سماع همس وسط إعصار من خلال الصراخ بصوت أعلى فأعلى؛ ففي النهاية، يصبح الجهد المطلوب مستحيلاً.

أما الطريقة الثانية، وهي "التعزيز"، فتسلك مساراً مختلفاً. فبدلاً من محاولة إصلاح الضجيج، تعامل هذه الطريقة الدوائر الكمومية المشوشة كـ "متعلمين ضعفاء" (weak learners) — وهي نماذج أفضل قليلاً من التخمين العشوائي. يقوم الخوارزم بتدريب هذه النماذج الضعيفة واحداً تلو الآخر، مع التركيز في كل مرة بشكل أكبر على الأمثلة التي أخطأ فيها النموذج السابق. ومن خلال دمج تنبؤات العديد من هذه النماذج غير المثالية، يبني النظام مصنفاً قوياً ودقيقاً. وتكمن الرؤية الجوهرية للدراسة في أن هذه العملية لا تتطلب أن تكون النماذج الفردية مثالية؛ فطالما أنها تحتفظ بما يكفي من المعلومات المفيدة لتقديم تخمين أفضل قليلاً من المصادفة، فإن الدمج يمكن أن ينجح. قام الباحثون بمحاكاة هذه العملية على حاسوب كمومي ذي أربعة كيوبتات، واختبروا دوائر ذات أعماق متفاوتة وتحت مستويات مختلفة من الضجيج الفيزيائي. وقد وضعوا هدفاً محدداً للدقة وقاسوا عدد مرات تشغيل كل طريقة للوصة إليه.

وكشفت النتائج عن تحول واضح في الكفاءة اعتماداً على الظروف. فعندما كان الضجيج منخفضاً والدوائر ضحلة، كانت طريقة تخفيف الخطأ التقليدية منافسة. ومع ذلك، عندما أصبحت الدوائر أكثر عمقاً والضجيج أقوى، ارتفذت تكلفة طريقة تخفيف الخطأ بشكل صاروخي. في المقابل، ظل منهج التعزيز فعالاً. وفي تسعة وثلاثين حالة من أصل ستة وخمسين مقارنة محددة عبر مستويات مختلفة من الضجيج وأعماق الدوائر، تطلب نهج التعزيز عدداً أقل من عمليات تنفيذ الدائرة للوصول إلى نفس هدف التعلم. وفي بعض الحالات، كان الفرق جوهرياً، حيث احتاجت طريقة تخفيف الخطأ إلى مرات تشغيل أكثر بك die كثيرة من التعزيز. علاوة على ذلك، لم يوفر منهج التعزيز الموارد فحسب، بل أنتج أيضاً نماذج أكثر دقة قليلاً على البيانات الجديدة غير المرئية مقارنة بالنماذج التي تنتجها طريقة تخفيف الخطأ.

كما بحثت الدراسة في مدى صمود هذه التوقعات النظرية في الممارسة العملية. أجرى الباحثون عمليات محاكاة حيث قاموا فعلياً بعدّ كل "طلقة قياس" (measurement shot) مستخدمة، بدلاً من مجرد تقدير التكلفة. ووجدوا أنه حتى عند احتساب التكاليف الإضافية لتشغيل خوارزمية التعزيز نفسها، فإن إجمالي تكلفة الموارد كان غالباً أقل من تكلفة محاولة تنظيف الضجيج. وهذا يشير إلى أن الاعتقاد الشائع — بأنه يجب دائماً دفع ثمن باهظ لإزالة الضجيج قبل التعلم — قد يكون غير ضروري للعديد من المهام. وأكد الباحثون أن نتائجهم تستند إلى محاكاة لنوع محدد من الضجيج ومهمة تعلم محددة، لكن المبدأ راسخ: إذا كان الهدف هو اتخاذ قرار صحيح وليس رقماً مثالياً، فإن الحفاظ على المعلومات التي تنجو من الضجيج غالباً ما يكون أرخص من محاولة إعادة بناء المعلومات التي فُقدت.

لا تدعي هذه الدراسة أن تخفيف الخطأ عديم الفائدة أو أن الحواسيب الكمومية جاهزة الآن لحل جميع المشكلات. فقد أُجريت عمليات المحاكاة على نظام صغير مكون من أربعة كيوبتات، وتعتمد النتائج على الطريقة التي يتصرف بها الضجيج وطبيعة مهمة التعلم. ومع ذلك، توفر الدراسة بديلاً مقنعاً للمستقبل القريب. فهي تقترح أنه بينما تتحسن الأجهزة الكمومية ولكنها تظل غير مثالية، فإن الاستراتيجية الأكثر فعالية قد لا تكون محاربة الضجيج بتصحيحات تزداد تكلفة باستمرار، بل تصميم خوارزميات تعلم قوية بطبيعتها تجاهه. ومن خلال قبول حقيقة أن الحسابات الكمومية الفردية ستكون معيبة والتركيز على كيفية دمجها بفعالية، قد يتمكن الباحثون من تحقيق نتائج مفيدة باستخدام موارد أقل بكثير مما كان يُعتقد سابقاً. ويقترح المؤلفون أن الطريق إلى الأمام يكمن في تصميم إجراءات تعلم تعمل مع الواقع المشوش للآلات الكمومية بدلاً من محاولة فرض حالة مثالية خالية من الأخطاء قد يكون الوصول إليها مكلفاً للغاية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →