Conformalized Quantum DeepONet Ensembles: Towards Scalable Operator Learning with Distribution-Free Guarantees

في عالم العلوم والهندسة الحديثة، تتضمن العديد من المشكلات التنبؤ بكيفية سلوك الأنظمة المعقدة بمرور الوقت. فكر في شبكة طاقة تدير تدفق الكهرباء، أو نموذج طقس يتتبع عاصفة. هذه الأنظمة تحكمها قوانين الفيزياء التي يمكن كتابتها في شكل معادلات، لكن حل تلك المعادلات لكل سيناريو محتمل غالبًا ما يكون بطيئًا ومكلفًا للغاية بالنسبة لاتخاذ القرار في الوقت الفعلي. ولتسريع الأمور، طور العلماء "نماذج بديلة" (surrogate models)، وهي نسخ مبسطة ومتعلمة من هذه الأنظمة المعقدة. يمكن لهذه النماذج تقديم تنبؤات بشكل فوري تقريبًا، حيث تعمل كزر "تقديم سريع" للمحاكاة. ومع ذلك، هناك عقبة: عندما تُستخدم هذه النماذج في مهام حرجة تتعلق بالسلامة، مثل الحفاظ على استقرار شبكة الطاقة، فإن معرفة ما يتنبأ به النموذج ليس كافيًا فحسب. يحتاج المهندسون أيضًا إلى معرفة مدى إمكانية الثقة في ذلك التنبؤ. إذا كان النموذج غير متأكد، فعليه أن يعبر عن ذلك، ويجب أن يوفر نطاقًا موثوقًا للنتائج المحتملة. علاوة على ذلك، مع زيادة تفاصيل هذه الأنظمة، تنمو قوة الحوسبة المطلوبة لتشغيل النماذج بسرعة كبيرة لدرجة قد تجعل استخدامها مستحيلاً.

لقد عالج فريق من الباحثين في جامعة بوردو هاتين المشكلتين — السرعة والموثوقية — من خلال الجمع بين مجالين متميزين: الحوسبة الكمومية وطريقة إحصائية لقياس عدم اليقين. لقد أنشأوا إطار عمل جديدًا يسمى "شبكة العمليات العميقة الكمومية الموائمة" (Conformalized Quantum Deep Operator Network). وببساة، هذا نوع من الذكاء الاصطناعي المصمم لتعلم قواعد كيفية تغير الأنظمة، ولكنه مبني باستخدام مبادئ ميكانيكا الكم ليعمل بشكل أسرع، وهو مغلف بشبكة أمان إحصائية لضمان موثوقية تنبؤاته. لم يكتفِ الباحثون ببناء نموذج واحد؛ بل بنوا مجموعة من هذه النماذج تعمل معًا، وهي تقنية تُعرف باسم "المجموعة" (ensemble)، لتقدير مدى عدم يقينها بشكل أفضل. وتظهر أعمالهم أنه بينما لا تزال هذه النماذج الكمومية في مراحلها الأولى، إلا أنها يمكن أن تحقق دقة عالية وتوفر هوامش سلامة مضمونة رياضيًا، حتى عند تشغيلها على أجهزة صاخبة وغير مثالية.

إن جوهر المشكلة التي عالجها الباحثون هو أن نماذج الذكاء الاصطناعي التقليدية، التي تستخدم شرائح الكمبيوتر القياسية، تعاني عندما يُطلب منها محاكاة الأنظمة المستمرة والمعقدة. تعتمد هذه النماذج على طبقات من الحسابات التي تصبح مكلفة بشكل أسّي مع زيادة تفصيل النظام. إذا كنت تريد التنبؤ بسلوك نظام بدقة عالية، فإن الوقت المستغرق لتشغيل المحاكاة يمكن أن ينمو لدرجة تلغي الغرض من وجود نموذج سريع. لجأ الباحثون إلى الحوسبة الكمومية لحل هذه العقبة. فقد استخدموا نوعًا محددًا من الشبكات العصبية الكمومية، والتي تستخدم الخصائص الفريدة للبتات الكمومية، أو "الكيوبتات" (qubits)، لأداء حسابات بطريقة هي نظريًا أكثر كفاءة لهذه الأنواع المحددة من المشكلات. فبدلاً من شرائح الكمبيوتر القياسية التي تتطلب قدرًا تربيعيًا من العمل لمعالجة البيانات، فإن نهجهم الكمومي يتوسع بشكل أكثر سلاسة، مما يوفر مسارًا محتملاً للتعامل مع الكميات الهائلة من البيانات المطلوبة للمحاكاة دقيقة التفاصيل.

ومع ذلك، فإن مجرد جعل النموذج أسرع لا يجعله آمنًا للاستخدام في المواقف الحرجة. في الواقع، تميل الحواسيب الكمومية حاليًا إلى الخطأ والضجيج، مما قد يجعل مخرجاتها تبدو عشوائية أو غير موثوقة. ولمعالجة ذلك، دمج الباحثون نماذجهم الكمومية مع تقنية تسمى "التنبؤ الموائم" (conformal prediction). هذه طريقة إحصائية لا تعتمد على تخمين احتمالية حدوث خطأ بناءً على توزيعات البيانات السابقة. بدلاً من ذلك، تستخدم مجموعة منفصلة من البيانات لمعايرة النموذج، مما ينشئ فترات تنبؤ مضمونة احتواء الإجابة الحقيقية بنسبة مئوية معينة، بغض النظر عن كيفية توزيع البيانات. ومن خلال تدريب نماذج كمومية متعددة بشكل مستقل ثم استخدام طريقة المعايرة هذه، أنشأ الفريق نظامًا لا يتنبأ بالنتائج فحسب، بل يرسم أيضًا "صندوقًا" حول تلك التنبؤات، مؤكدًا بيقين رياضي أن القيمة الحقيقية تقع داخل ذلك الصندوق.

اختبر الباحثون هذا الإطار على عدة تحديات مختلفة. أولاً، استخدموا معايير اصطناعية، مثل مهمة رياضية تتضمن تكامل الدوال ومحاكاة لموجة تتحرك عبر الفضاء. في هذه المحاكاة المثالية والخالية من الضجيج، حقق النظام دقة عالية، حيث بلغ الخطأ النسبي أقل من نصف بالمائة لمهمة التكامل وحوالي اثنين بالمائة لمحاكاة الموجة. والأهم من ذلك، نجح النظام في تحقيق أهداف الموثوقية الخاصة به. فعندما طلب الباحثون من النموذج تقديم فاصل ثقة بنسبة 90 بالمائة، وقعت النتائج الفعلية ضمن هذا الفاصل في حوالي 88 إلى 92 بالمائة من المرات، مما طابق الهدف بدقة. وقد أثبت هذا أن الطريقة يمكنها توفير ضمانات السلامة الصارمة اللازمة للتطبيقات الواقعية.

ولضمان متانة النتائج، قام الفريق أيضًا بمحاكاة آثار عيوب الأجهزة في العالم الحقيقي. الحواسيب الكمومية اليوم ليست مثالية؛ فهي تعاني من "الضجيج" الذي يمكن أن يفسد الحسابات. اختبر الباحثون نماذجهم تحت مستويات مختلفة من الضجيج المحاكى، بما في ذلك أنماط خطأ محددة موجودة في معالجات كمومية حقيقية من شركات مصنعة كبرى. وحتى مع هذه العيوب، ظل النظام مستقرًا بشكل ملحوظ. فقد تعدلت فترات التنبؤ بشكل مناسب، وظلت معدلات التغطية قريبة من المستويات المستهدفة. وفي بعض الحالات، بدا أن وجود الضجيج له تأثير دقيق وغير متوقع على سلوك النموذج، رغم أن الباحثين أشاروا إلى أن هذا كان أوليًا ويتطلب مزيدًا من الدراسة. كما استكشفوا طرقًا مختلفة لتشغيل النماذج، مثل تقسيم العمل بين الأجزاء الكلاسيكية والكمومية من الكمبيوتر، أو استخدام تقنية لتشغيل نماذج متعددة على دائرة كمومية واحدة لتوفير الموارد. وأظهرت هذه التجارب أنه بينما توجد مقايضات بين السرعة والدقة وعدد الكيوبتات المطلوبة، فإن إطار العمل مرن بما يكفي للتكيف مع قيود الأجهزة المختلفة.

أخيرًا، طبق الباحثون طريقتهم على سيناريو من العالم الحقيقي: ديناميكيات أنظمة الطاقة. لقد دربوا النماذج للتنبؤ بكيفية تغير الجهد وتدفق الطاقة في الشبكة الكهربائية استجابة للاضطرابات. هذه مهمة حاسمة لمنع انقطاع التيار الكهربائي والحفاظ على استقرار الشبكة. تم اختبار النماذج في كل من المهام "خارج الخط" (offline)، حيث يتم تحليل تاريخ النظام بأكمله دفعة واحدة، والمهام "على الخط" (online)، حيث يجب إجراء التنبؤات في الوقت الفعلي مع وصول بيانات جديدة. وفي هذه الاختبارات، حققت نماذج المجموعة الكمومية أخطاء نسبية تتراوح بين حوالي 4 بالمائة و12 بالمائة، اعتمادًا على تعقيد المهمة. والأهم من ذلك، ظلت تقديرات عدم اليقين موثوقة، حيث وقعت النتائج الفعلية ضمن النطاقات المتوقعة في حوالي 90 بالمائة من المرات، تمامًا كما اقترح النظرية. وقد أثبت هذا أن الإطار يمكنه التعامل مع البيانات المعقدة وعالية المخاطر لشبكة طاقة حقيقية، وليس فقط الألغاز الرياضية النظيفة.

إن العمل المقدم في هذه الدراسة يعد خطوة مهمة للأمام في مجال تعلم الآلة العلمي، ولكنه يأتي مع ملاحظات هامة. يشير الباحثون بحذر إلى أن نتائجهم المتعلقة بالسرعة تستند إلى تحليل نظري ومحاكاة، وليس على تشغيل النماذج على كمبيوتر كمومي فيزيائي أسرع من الكمبيوتر الكلاسيكي. إن الأجهزة الكمومية الحالية ليست قوية بما يكفي بعد للتفوق على الحواسيب الفائقة الكلاسيكية في هذه المهام في بيئة عملية واقعية. الإنجاز الأساسي هنا هو إثبات إطار عمل كامل يجمع بنجاح بين الكفاءة الكمومية والضمانات الإحصائية الصارمة. لقد أظهر الباحثون أنه من الممكن بناء نظام يكون مدركًا للموارد ومدركًا لعدم اليقين في آن واحد، مما يوفر مخططًا لكيفية استخدام هذه التقنيات معًا في المستقبل.

ومع نضوج هذه التكنولوجيا، يمكن أن يصبح هذا النهج أداة حيوية للمهندسين والعلماء الذين يحتاجون إلى اتخاذ قرارات سريعة وموثوقة في البيئات المعقدة. ومن خلال إثبات أن النماذج الكمومية يمكن معايرتها لتوفير هوامش سلامة جديرة بالثقة، أزال الباحثون حاجزًا رئيسيًا أمام اعتماد هذه التقنيات في المجالات الحرجة للسلامة. لا تدعي الدراسة أنها حلت مشكلة ضجيج الحوسبة الكمومية أو أنها صنعت آلة جاهزة للنشر الفوري في محطة طاقة. بدلاً من ذلك، فهي تقدم مسارًا واضحًا وسليمًا رياضيًا للمضي قدمًا، وتظهر أنه عندما يقترن التعلم الكمومي بأساليب إحصائية قوية، فإنه يمكن أن يقدم تنبؤات ليست سريعة فحسب، بل صادقة أيضًا بشأن حدودها. هذا الجمع بين السرعة والموثوقية هو المفتاح لإطلاق العنان لإمكانات التعلم الآلي الكمومي لأهم التحديات في العلوم والهندسة.