Metal-Insulator Transition Classification Using Hybrid Quantum Learning Under Data Scarcity

في عالم علم المواد، هناك فئة خاصة من المواد التي يمكنها التحول بين كونها موصلة للكهرباء وعازلة تمنع مرورها. هذا التحول، المعروف باسم الانتقال من المعدن إلى العازل، هو نبض الجيل القادم من الإلكترونيات، وتخزين الذاكرة، والمستشعرات التي تحاكي الدماغ البشري. التحدي الذي يواجه العلماء هو أن هذه المواد نادرة ويصعب دراستها؛ فالعثور على أمثلة كافية وموثقة لتدريب حاسوب على التعرف عليها يشبه محاولة تعلم لغة لا تملك سوى حفنة من الكلمات. ولأن البيانات شحيحة وغير موزعة بشكل متساوٍ، لجأ الباحثون إلى الذكاء الاصطناعي للمساعدة في فحص المرشحين الجدد. مؤخرًا، ظهر نوع جديد من الحوسبة يسمى تعلم الآلة الكمومي، والذي يعد بحل هذه المشكلات الصعبة باستخدام القواعد الغريبة للفيزياء الكمومية لمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. والسؤال الكبير للمجتمع العلمي هو ما إذا كانت هذه الأدوات الكمومية تقدم بالفعل ميزة حقيقية عندما تكون البيانات ضئيلة بهذا الشكل، أم أنها مجرد أداة معقدة أخرى تعاني من نفس الظروف التي تعاني منها الأساليب القديمة.

وضع فريق من الباحثين في جامعة أوكلاهوما هدفًا للإجابة على هذا السؤال من خلال بناء اختبار صارم لمعرفة مدى كفاءة الحواسيب الكمومية في تصنيف هذه المواد الصعبة. لم يبدأ الباحثون بادعاء تفوق الحواسيب الكمومية؛ بل صمموا تجربة دقيقة لمعرفة ما إذا كان بإمكانهم مضاهاة أداء النماذج الحاسوبية القياسية والمعروفة. عمل الباحثون على قاعدة بيانات تضم 316 مركبًا كيميائيًا، وهو عدد صغير في مجال علم المواد. استخدموا نوعًا قياسيًا من الذكاء الاصطناعي، يُعرف بالشبكة العصبية الرسومية، لترجمة البنية الفيزيائية لكل بلورة إلى ملخص رقمي موجز. ثم تم تغذية هذا الملخص في أنواع مختلفة من أنظمة "القراءة" لمعرفة أي منها يمكنه التنبؤ بشكل أفضل بما إذا كانت المادة معدنًا أم عازلاً. وقارنوا بين النماذج الخطية البسيطة، والشبكات العصبية المعقدة متعددة الطبقات، ونوعين مختلفين من المصنفات الكمومية. استخدم أحد النهجين الكموميين دائرة مرنة يمكن ضبطها، بينما قام الآخر بتغذية البيانات في الدائرة بشكل متكرر لمعرفة ما إذا كانت تلك المعالجة الإضافية ستساعد.

كانت نتائج الدراسة واضحة وموزونة. فعندما استخدم الباحثون جميع البيانات المتاحة، قدمت المصنفات الكمومية أداءً يضاهي أفضل النماذج الكلاسيكية، لكنها لم تتفوق عليها. حقق النموذج الكمومي الأكثر تقدمًا درجة أداء بلغت 0.870، وهي مطابقة تقريبًا للنموذج الخطي عند 0.869 وللشبكة العصبية المعقدة عند 0.861. تشير هذه النتيجة إلى أنه بالنسبة لهذه المهمة المحددة، فإن الدوائر الكمومية قادرة على أن تكون تنافسية، لكنها ليست حلًا سحريًا يفتح آفاقًا جديدة لقوة التنبؤ. وفي الواقع، عندما نظر الباحثون عن كثب في كيفية بناء النماذج الكمومية، وجدوا أن التكوين الأكثر نجاحًا كان بسيطًا بشكل مفاجئ. فالنموذج الذي غدّى البيانات في الدائرة بشكل متكرٍ، وهي تقنية غالبًا ما يتم الترويج لها كقوة رئيسية للحوسبة الكمومية، اختار دائمًا التوقف بعد تمريرة واحدة فقط. وفي أكثر من 82 بالمائة من حالات الاختبار الخاصة بهم، قرر النظام أن إضافة المزيد من طبقات التعقيد لم يكن مفيدًا. وهذا يشير إلى أن الملخص الرقمي الأولي للمادة كان واضحًا للغاية لدرجة أن الحاسوب الكمومي لم يحتج إلى بذل عمل إضافي لفهمه.

كما أولت الدراسة عناية كبيرة لضمان عدالة المقارنة. فغالبًا، عند مقارنة الحواسيب الكمومية والكلاسيكية، يتم وضع النماذج الكلاسيكية في وضع غير مؤاتٍ عبر إجبارها على استخدام موارد أقل. في هذه التجربة، طابق الباحثون موارد النماذج الكلاسيكية مع موارد الكمومية، بل وصنعوا نسخًا كلاسيكية تحاكي الاختناقات المحددة للدوائر الكمومية. وعند تطبيق هذه الضوابط الصارمة، اختفت أي ميزة ظاهرة بدت أن النماذج الكمومية تمتلكها. استطاعت النماذج الكلاسيكية إعادة إنتاج النتائج بنفس الكفاءة. علاوة على ذلك، وجد الباحثون أنه بينما كانت النماذج الكمومية جيدة في ترتيب المواد من الأكثر احتمالاً إلى الأقل احتمالاً لتكون انتقالًا بين المعدن والعازل، إلا أنها لم تكن جيدة جدًا في تعيين الاحتمالات الدقيقة لتلك الترتيبات. فقد يكون النموذج قادرًا على تحديد المرشحين الأفضل بشكل صحيح، ولكنه قد يكون مفرط الثقة في تخميناته، وهي سمة خطيرة للعلماء الذين يحتاجون إلى معرفة مدى إمكانية الوثوق بالتنبؤ قبل إنفاق الوقت والمال على التجارب.

ولاختبار حدود هذه الأدوات، أجرى الفريق أيضًا تجربة منفصلة باستخدام مجموعة مختلفة من البيانات التي وصفت المواد بخصائص فيزيائية أساسية ست فقط بدلاً من هياكلها البلورية الكاملة. في هذا السيناريو، حاولوا معالجة مشكلة قلة الأمثلة للمواد النادرة عن طريق إنشاء نقاط بيانات أكثر بشكل اصطناعي. وبينما ساعدت هذه التقنية النماذج الكمومية في العثٍور على المزيد من المواد النادرة، إلا أنها تسببت أيضًا في الكثير من الإنذارات الكاذبة، حيث صنفت مواد على أنها مثيرة للاهتمام بينما لم تكن كذلك. ظل نموذج قياسي غير كمومي يُعرف باسم "الغابة العشوائية" (Random Forest) هو الأقوى أداءً في هذا الاختبار، حيث وجد المواد النادرة بدقة عالية وأخطاء أقل. وقد عزز هذا الاستنتاج الرئيسي القائل بأن مجرد إضافة دوائر أكثر تعقيدًا أو استخدام حيل البيانات لا يتغلب على الصعوبة الجوهرية المتمثلة في امتلاك مجموعة بيانات صغيرة وغير منظمة.

في النهاية، يوفر هذا البحث خارطة طريق واقعية لكيفية استخدام الحوسبة الكمومية في علم المواد. فهو يوضح أن الدوائر الكمومية يمكن أن تعمل كأدوات فعالة وموجزة لقراءة المعلومات التي تعلمها الذكاء الاصطناعي الحديث بالفعل عن بنية المادة. ومع ذلك، فإن الدراسة تنفي فكرة أن هذه الأدوات الكمومية تقدم ميزة خاصة ومتأصلة لا تستطيع الحواسيب الكلاسيكية تحقيقها. إن أداء النظام يعتمد بشكل أكبر على مدى جودة تمثيل المادة ومدى دقة اختيار النماذج ومعايرتها، أكثر من اعتماده على ما إذا كانت الخطوة النهائية تستخدم معالجًا كموميًا. وبالنسبة للعلماء الذين يتطلعون لاكتشاف مواد جديدة، فإن الطريق إلى الأمام يتضمن استخدام هذه الأدوات الكمومية كجزء من سير عمل أكبر ومنضبط يتضمن التحقق الدقيق والتحقق التقليدي، بدلاً من توقع أن تحل مشكلة ندرة البيانات بمفردها. تكمن قيمة النهج الكمومي في قدرته على الاندماج في العمليات العلمية القائمة، وليس في قدرته على استبدالها.