Coherent-feedback and dissipative training of quantum reservoir computers
تقدم هذه الورقة وتتحقق من بروتوكولين للتدريب بدون قياس للحواسيب الخزانية الكمومية، مظهرةً أنه في حين أنها لا تقدم بعد مزايا تنبؤ ذاتية الاستقلال عن الطرق الكلاسيكية، إلا أنها تعالج بنجاح تساؤلات الجدوى الرئيسية من خلال تأكيد أن عمليات إعادة الضبط عالية الدقة كافية، وأن دقة أوراكل التكلفة المتماسكة هي العائق الأساسي، وأن التحقيق المقاوم للأخطاء هو فعال في استهلاك الكيوبتات ومتين ضد ضجيج الأجهزة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في مجال تعلم الآلة، غالبًا ما تعاني الحواسيب مع البيانات التي تتكشف بمرور الوقت، مثل الكلام، أو الأسواق المالية، أو أنماط الطقس. وللتعامل مع هذا، يستخدم العلماء طريقة تسمى "الحوسبة بالخزان" (reservoir computing). تخيل آلة معقدة وغير قابلة للتغيير تأخذ تدفقًا من المعلومات وتمررها عبر شبكة متشابكة وواسعة من الاتصالات. هذه الآلة، "الخزان"، تحول المدخلات الخام إلى نمط غني عالي الأبعاد. بعد ذلك، يحتاج الكمبيوتر فقط إلى تعلم طريقة خطية بسيطة لقراءة المخرجات من هذا النمط لإجراء تنبؤ. هذا النهج فعال لأن العمل الشاق يتم بواسطة الآلة الثابتة، وليس من خلال عملية تعلم بطيئة.
لطالما تساءل العلماء عما إذا كان استبدال الآلة الكلاسيكية بآلة كمومية سيوفر ميزة هائلة. يمكن للأنظمة الكمومية أن توجد في حالات عديدة في وقت واحد، مما يوفر مساحة أكبر أسيًا لمعالجة المعلومات. ومع ذلك، كانت هناك عقبة رئيسية تتمثل في كيفية تدريب هذه الأنظمة الكمومية. في الحوسبة الكمومية القياسية، يتطلب التعلم عادةً قياس النظام لمعرفة مدى أدائه. لكن قياس نظام كمومي يشبه التقاط صورة فوتوغرافية تجمد جسمًا متحركًا؛ فهو يدمر الحالة الكمومية الدقيقة وهو بطيء للغاية مقارنة بسرعة العمليات الكمومية نفسها. هذه العقبة هي ما جعلت تعلم الآلة الكمومي غير عملي للمهام الواقعية.
قام فريق من الباحثين في معهد الأبحاث المتكاملة للكم في طوكيو باستكشاف مسار مختلف. فقد تساءلوا عما إذا كان بإمكان الكمبيوتر الكمومي أن يتعلم دون أن يتوقف أبدًا لقياس حالته الخاصة. وبدلاً من النظر إلى النتيجة لتقرير ما يجب تغييره، اقترحوا استخدام طريقة حيث يضبط الكمبيوتر إعداداته الخاصة بناءً على حلقة تغذية راجعة مستمرة وغير مرئية. وقد طوروا طريقتين متميزتين للقيام بذلك. تستخدم الطريقة الأولى خدعة ذكية حيث يتم تشفير المعلومات حول كيفية التحسين في طور خفي للنظام، والذي يتم بعد ذلك تغذيته مرة أخرى لتعديل الإعدادات قبل إعادة ضبط النظام. أما الطريقة الثانية فتعتمد على الميل الطبيعي للأنظمة المفتوحة للاستقرار في حالة مستقرة؛ فمن خلال هندسة البيئة بعناية، يسترخي النظام طبيعيًا في أفضل تكوين ممكن، تمامًا مثل كرة تتدحرج أسفل تلة لتجد أدنى نقطة.
اختبر الباحثون هذه الأفكار باستخدام عمليات محاكاة على نظام كمومي صغير ومبسط. ووجدوا أن كلتا الطريقتين يمكنهما توجيه الكمبيوتر الكمومي للتعلم، مما يضاهي أداء التدريب التقليدي الذي يعتمد على القياس. وفي عمليات المحاكاة، كان النظام قادرًا على التنبؤ بالخطوة التالية في تسلسل فوضوي، مثل أنماط الطقس المتقلبة لنموذج "ماكي-غلاس" (Mackey-Glass)، بمستوى من الدقة تحسن عن النظام غير المدرب. ومع ذلك، كانت النتائج دقيقة؛ فبينما أظهر النظام الكمومي تحسنًا واضحًا في التنبؤ بالخطوة التالية مباشرة لتسلسل فوضوي، إلا أنه لم يتفوق على أفضل الحواسيب الكلاسيكية عندما يتعلق الأمر بالتنبؤ بالتسلسل بعيد المدى بمفرده. وقد استبعدت الدراسة صراحةً فكرة أن هذا النهج المحدد يقدم حاليًا "ميزة كمومية" للتنبؤ المستقل، مما يعني أنه ليس فائزًا واضحًا بعد على الطرق الكلاسيكية الموجودة للتنبؤ طويل المدى.
تضمن جزء كبير من العمل تحديد ما سيكون مطلوبًا لبناء هذا على كمبيوتر كمومي حقيقي ومقاوم للأخطاء. وحسب الباحثون أن مثل هذه الآلة لن تحتاج إلى ملايين الـ "كيوبتات" (qubits)، وهي الوحدات الأساسية للمعلومات الكمومية، بل حوالي عشرة آلاف كيوبت فيزيائي للتعامل مع عملية التدريب. التحدي الحقيقي، كما اكتشفوا، ليس عدد الكيوبتات، بل الوقت الذي يستغرقه تشغيل الحسابات. فالعملية محدودة بمدى سرعة دورة عمليات الكمبيوتر، وليس بنقص الأجهزة. علاوة على ذلك، حددوا أن المكون الأكثر أهمية هو "أوراكل التكلفة" (cost oracle)، وهي آلية تخبر النظام بمدى ابتعاده عن التنبؤ الصحيح. ووجدوا أن تقنية رياضية محددة، تُعرف باسم "قاعدة إزاحة المعامل" (parameter-shift rule)، يمكن أن تجعل هذه الآلية أكثر دقة وأسه વધુ سهولة في البناء مما كان يُعتقد سابقًا، مما يزيل عائقًا رئيسيًا أمام التنفيذ.
لإثبات أن أفكارهم لم تكن مجرد نظريات، قام الفريق بتشغيل دوائرهم الكمومية المحسنة على أجهزة كمومية فعلية مقدمة من شركة IBM. استخدموا ثلاثة أجهزة مختلفة تحتوي على 156 كيوبت، واختبروا الدوائر تحت ظروف مختلفة لمعرفة مدى صمودها أمام الضجيج والأخطاء الحتمية في الأجهزة الواقعية. كانت النتائج مشجعة: أنتجت الدوائر الكمومية مخرجات تطابق بشكل وثيق عمليات المحاكاة المثالية الخالية من الضجيج، مع درجة عالية من الارتباط. أثبت هذا أن الحالات الكمومية المحددة التي صمموها قوية بما يكفي للنجاة من عيوب التكنولوجيا الحالية. ومع ذلك، فإن حلقة التدريب الفعلية، التي تتطلب التغذية الراجعة المعقدة والمستمرة وإعادة ضبط الكيوبتات في منتصف الدائرة، لم يكن من الممكن اختبارها بالكامل على هذه الأجهزة لأن تلك القدرة العتادية المحددة ليست متوفرة بعد.
تخلص الدراسة إلى أنه بينما لا يحل هذا النهج الخالي من القياس مشكلة التغلب على الحواسيب الكلاسيكية في التنبؤ طويل المدى بعد، إلا أنه ينجح في إثبات مسار قابل للتطبيق لتدريب الأنظمة الكمومية دون الخطوة البطيئة والمدمرة للقياس. لقد أظهر الباحثون أن الأجهزة اللازمة لإزالة الإنتروبيا وإعادة ضبط النظام جيدة بما يكفي بالفعل، وأن العقبة الرئيسية هي دقة آلية التغذية الراجعة، والتي يمكن تحسينها باستخدام تقنيات معروفة. إن هذا العمل يعد بمثابة تقليل للمخاطر في هذا المجال، حيث يحدد بالضبط أين تكمن التحديات الهندسية ويؤكد أن الطريق إلى الأمام هو تحسين السرعة والدقة بدلاً من اكتشاف فيزياء جديدة تمامًا. إن الباب مفتوح أمام الأجهزة المستقبلية التي يمكنها أداء حلقات التغذية الراجعة المستمرة هذه، مما قد يفتح الإمكانات الكاملة للحوسبة بالخزان الكمومي في السنوات القادمة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.