Predictingthe Trainability of Variational Quantum Circuits: A Data-Driven Model for BarrenPlateaus

في مجال الحوسبة الكمومية الناشئ، يعمل العلماء على بناء آلات تستخدم القواعد الغريبة لعالم الجسيمات دون الذرية لحل مشكلات معقدة للغاية بالنسبة لأجهزة الكمبيوتر الفائقة اليوم. ويتضمن أحد النهج الرائدة لجعل هذه الآلات مفيدة طريقة تسمى "الخوارزمية الكمومية التباينية". فكر في هذا الأمر كحلقة حيث يقوم مصمم بشري ببناء ترتيب محدد من المفاتيح الكمومية، المعروف باسم "الدائرة"، ثم يحاول جهاز كمبيوتر ضبط إعدادات تلك المفاتيح لحل مشكلة ما. يقوم الكمبيوتر بقياس مدى جودة أداء الدائرة، وإذا لم تكن النتيجة مثالية، فإنه يعدل الإعدادات مراراً وتكراراً، آملًا في العثور على أفضل تكوين ممكن. هذه العملية هي المحرك وراء العديد من الأدوات الكمومية الجديدة في مجالات الكيمياء، والتمويل، والذكاء الاصطناعي.

ومع ذلك، هناك عقبة رئيسية غالباً ما توقف هذا المحرك عن العمل. فكلما أصبحت الدوائر أكبر وأكثر تعقيداً للتعامل مع مشكلات أكبر، تتلاشى القدرة على العثور على الإعدادات الصحيحة تماماً. تُعرف هذه الظاهرة باسم "الهضبة القاحلة" (barren plateau). تخيل أنك تحاول العثور على قاع وادٍ وسط ضباب كثيف؛ إذا كانت الأرض مسطحة تماماً في كل مكان، فلن يكون لديك أي وسيلة لمعرفة الاتجاه الذي يؤدي إلى الأسفل. في هذه الدوائر الكمومية، يصبح المشهد الرياضي مسطحاً للغاية لدرجة أن الكمبيوتر لا يستطيع معرفة أي اتجاه يسلك لضبط المقابض لتحسين النتيجة. تختفي الإشارة التي يحتاجها للتعلم، وتتوقف عملية التدريب. لسنوات طويلة، كانت الطريقة الوحيدة لمعرفة ما إذا كان تصميم الدائرة سيعاني من هذه المشكلة هي بناؤها وتشغيلها بالفعل، وهي عملية مكلفة للغاية وتستغرق وقتاً طويلاً، خاصة بالنسبة للدوائر الكبيرة المطلوبة للتطبيقات الواقعية.

وقد اقترح باحث في جامعة جيونغسانغ الوطنية في كوريا الجنوبية طريقة مختلفة لحل هذا اللغز. فبدلاً من الانتظار لرؤية ما إذا كانت الدائرة ستفشل بعد بنائها، تساءل الباحث عما إذا كان بإمكان كمبيوتر تقليدي التنبؤ بالفشل بمجرد النظر إلى مخطط الدائرة. تعاملت الدراسة مع تصميم الدائرة الكمومية كأنها مجموعة من التعليمات: عدد المفاتيح المستخدمة، وعدد طبقات العمليات المتراكمة، وكيفية اتصال المفاتيح ببعضها البعض، ونوع القياس المحدد الذي يتم إجراؤه. كان الهدف هو معرفة ما إذا كان نموذج تعلم آلي تقليدي يمكنه تعلم العلاقة بين خيارات التصميم هذه واحتمالية تعثر الدائرة في حالة مسطحة غير قابلة للتدريب.

ولاختبار هذه الفكرة، أنشأ الباحث مجموعة بيانات ضخمة تضم عشرين ألف تصميم مختلف لدوائر عشوائية. وباستخدام برنامج محاكاة دقيق يعمل على كمبيوتر تقليدي، قام بتوليد السلوك الدقيق لكل دائرة دون الحاجة إلى آلة كمومية مادية. ولكل تصميم على حدة، قام بحساب مدى تغير الأداء إذا تم تعديل الإعدادات قليلاً. هذا الحساب، المعروف باسم "تباين التدرج" (gradient variance)، يعمل كمقياس لقابلية التدريب. التباين العالي يعني أن الدائرة سهلة التدريب لأن الكمبيوتر يمكنه رؤية المسار بوضوح، أما التباين المنخفض جداً فيعني أن الدائرة عالقة في هضبة قاحلة. بعد ذلك، قام الباحث بتغذية مواصفات تصميم هذه الدوائر العشرين ألفاً في نموذج تعلم آلي، جنباً إلى جنب مع درجات قابلية التدريب المحسوبة، وطلب من النموذج تعلم النمط.

أظهرت النتائج أن نوعاً معيناً من نماذج التعلم الآلي، يُعرف باسم "المنظم المعزز بالتدرج" (gradient-boosted regressor)، يمكنه بنجاح التنبؤ بقابلية تدريب الدائرة بمجرد النظر إلى بنيتها. وعند اختباره على تصميمات دوائر لم يسبق له رؤيتها، تنبأ النموذج بدقة عالية بدرجة قابلية التدريب. والأمر الأكثر إثارة للإعجاب هو أن النموذج قد تم تدريبه فقط على دوائر أصغر تحتوي على ما يصل إلى عشرة مفاتيح، ومع ذلك ظل قادراً على تقديم تنبؤات دقيقة لدوائر أكبر لم يسبق له رؤيتها تحتوي على أحد عشر واثني عشر مفتاحاً. يشير هذا إلى أن القواعد التي تحكم قابلية التدريب متسقة بما يكفي بحيث يمكن للنموذج تعلمها من أمثلة صغيرة وتطبيقها على أنظمة أكبر وأكثر تكلفة. كما عمل النموذج كمصنف، حيث ميز بين الدوائر التي ستعمل وتلك التي ستفشل بدقة تقترب من الكمال.

ومن خلال تحليل الميزات التي اعتمد عليها النموذج أكثر من غيرها لاتخاذ قراراته، وجد الباحث أن النموذج قد أعاد اكتشاف مبادئ علمية راسخة دون أن يتم إخباره بها صراحة. كانت العوامل الأكثر أهمية هي نوع القياس المستخدم ونمط الاتصالات بين المفاتيح. وتحديداً، كانت الدوائر التي تستخدم قياساً عالمياً (global measurement)، والذي ينظر إلى جميع المفاتيح في وقت واحد، أكثر عرضة لعدم قابلية التدريب من تلك التي تستخدم قياساً محلياً (local measurement) يركز على مفتاح واحد فقط. وبالمثل، فإن بعض أنماط الاتصالات التي خلقت تشابكاً كثيفاً بين المفاتيح أدت أيضاً إلى حالات غير قابلة للتدريب. هذا التوافق مع الفيزياء المعروفة يعطي الثقة في أن النموذج لا يقوم بمجرد التخمين، بل يلتقط الأسباب الفيزيائية الحقيقية التي تجعل بعض التصميمات تفشل.

لا تدعي هذه الدراسة أنها حلت مشكلة الهضاب القاحلة أو أنها خلقت تفوقاً كمومياً. فالنموذج نفسه تقليدي بالكامل، والبيانات المستخدمة لتدريبه تم توليدها بواسطة محاكاة، وليس بواسطة كمبيوتر كمومي مادي. تكمن قيمة هذا العمل في توفير أداة فحص رخيصة وسريعة. فقبل إنفاق الموارد لبناء أو محاكاة دائرة كمومية معقدة، يمكن للمهندسين الآن استخدام هذا النموذج للتحقق مما إذا كان التصميم من المرجح أن يكون قابلاً للتدريب. إذا تنبأ النموذج بهضبة قاحلة، فيمكن استبعاد التصميم أو تعديله فوراً. يوفر هذا النهج طريقة عملية للتنقل في الفضاء الشاسع من تصميمات الدوائر الكمومية الممكنة، مما يساعد الباحثين على تركيز جهودهم على البنى التي لديها فرصة حقيقية للنجاح. ويؤكد هذا العمل أن قابلية تدريب الدائرة الكمومية ليست حادثاً عشوائياً بل هي خاصية يمكن التنبؤ بها من خلال تصميمها، مما يفتح الباب أمام تطوير أكثر كفاءة للتقنيات الكمومية المستقبلية.