Benchmarking Modular Optimization Strategies for Parameterized Quantum Circuits
تقدم هذه الورقة إطار عمل معياري للتقييم المرجعي يفصل بين تقدير اتجاه البحث الكمي وقواعد تحديث المعلمات الكلاسيكية لتقييم الأداء وكفاءة التكلفة لمختلف المحسنات بشكل منهجي عبر أعباء عمل كمية متنوعة، بما في ذلك QAOA وQCNN وVQE، تحت كل من محاكاة الطلقات المحدودة والتنفيذ على معالج كمي بسعة 156 كيوبت.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في السباق لبناء حواسيب كمومية مفيدة، يعمل العلماء حاليًا على آلات قوية ولكنها هشة. هذه الأجهزة، المعروفة باسم المعالجات الكمومية قصيرة المدى، يمكنها إجراء حسابات تعجز عنها الحواسيب الكلاسيكية، لكنها عرضة للأخطاء وتفقد حالاتها الكمومية الدقيقة بسرعة. وللحصول على نتائج مفيدة من هذه الأجهزة غير المثالية، يعتمد الباحثون على نهج هجين يسمى الخوارزميات الكمومية التباينية. في هذه الطريقة، يعمل الحاسوب الكمومي كآلة حاسبة متخصصة تختبر إعدادًا محددًا للمعلمات، بينما يعمل الحاسوب الكلاسيكي القياسي كمدرب، يحلل النتائج ويقترح كيفية تعديل تلك المعلمات للحصول على إجابة أفضل. والهدف هو العثور على أفضل إعداد ممكن لمشكلة ما، سواء كان ذلك لحل لغز رياضي معقد، أو تصنيف صورة، أو محاكاة جزيء. ومع ذلك، فإن الطريق إلى الإجابة الأفضل ليس مباشرًا؛ فمشهد الحلول الممكنة غالبًا ما يكون وعرًا ومليئًا بالفخاخ، كما أن القياسات المأخوذة من الحاسوب الكمومي هي بطبيعتها صاخبة، مما يعني أن المدرب يتلقى إشارة مختلفة قليلاً في كل مرة يطرح فيها سؤالًا.
لقد وضع فريق من الباحثين في جامعة ألكساندرو إيوان كوزا وحرم فرييا مايند (FreeYa Mind Campus) في رومانيا هدفًا لفهم كيفية التنقل في هذه التضاريس الصعبة بشكل أكثر فعالية. وقد ركزوا على جزأين متميزين من عملية التدريب: الطريقة المستخدمة لتقدير الاتجاه الذي يجب أن تتحرك فيه المعلمات، والقاعدة المستخدمة لتحديث تلك المعلمات فعليًا. وبينما كانت العديد من الدراسات السابقة تعامل استراتيجيات التحسين كحزم كاملة وغير قابلة للتغيير، قرر هذا الفريق فصل الاثنين؛ حيث تعاملوا مع "اتجاه البحث" و"قاعدة التحديث" كوحدات مستقلة يمكن خلطها ومطابقتها. ومن خلال القيام بذلك، تمكنوا من رؤية كيف يؤثر اختيار جزء واحد على أداء الجزء الآخر، بدلاً من مجرد مراقبة أي تركيبة جاهزة حدثت بالصدفة في تجربة واحدة.
اختبر الباحثون إطار عملهم النموذجي عبر أربعة أنواع مختلفة تمامًا من المشكلات. فقد تناولوا مهمة تحسين توافقي تُعرف باسم MaxCut، والتي تتضمن تقسيم شبكة من الاتصالات إلى مجموعتين لتعظيم عدد الروابط بينهما. كما اختبروا مهام التعلم الخاضع للإشراف، باستخدام مجموعة بيانات صغيرة من قياسات الزهور لتصنيف الأنواع، ومجموعة أكبر من الأرقام المكتوبة بخط اليد للتمييز بين الرقمين صفر وواحد. وأخيرًا، طبقوا أساليبهم على مشكلة في الكيمياء الكمومية، محاولين العثور على أدنى حالة طاقة لجزيء الهيدروجين. وبالنسبة لكل من هذه التحديات، أجروا عمليات محاكاة على نموذج حاسوبي خالٍ من الضجيج، واختاروا إعدادات على معالج كمومي فيزيائي حقيقي يحتوي على 156 كيوبت. وقارنوا بين طرق مختلفة لتقدير التدرج، أو ميل مشهد الحل، بما في ذلك الطرق التي تغير المعلمات قليلًا لقياس التغيير، والطرق التي تخل بالمعلمات جميعها في وقت واحد، والطرق التي لا تستخدم التدرجات على الإطلاق. وتم دمج هذه الطرق مع قواعد تحديث مختلفة، مثل التعديلات البسيطة خطوة بخطوة أو القواعد التكيفية الأكثر تعقيدًا التي تتذكر التحركات الماضية.
وكشفت النتائج أنه لا يوجد "محسن" واحد مثالي يصلح لكل المواقف. فقد اعتمد أداء الاستراتيجية بشكل كبير على نوع المشكلة التي يتم حلها والموارد المتاحة. بالنسبة لمشكلة MaxCut، حققت طريقة تخل بالمعلمات جميعها في وقت واحد وتستخدم قاعدة تحديث بسيطة أداءً جيدًا في المتوسط، رغم أن تركيبة أخرى حققت أفضل نتيجة فردية في تشغيل تجريبي محدد. وبالنسبة لمحاكاة جزيء الهيدروجين، أنتجت طريقة تعمل على تنعيم اتجاه البحث وتستخدم قاعدة تحديث بسيطة أقرب نتيجة فردية إلى الإجابة الصحيحة المعروفة، لكن تركيبة أخرى تستخدم تقدير تدرج قياسي وقاعدة تحديث تكيفية كانت أكثر اتساقًا عبر عمليات التشغيل المتعددة. وفي مهام تصنيف الصور، حققت استراتيجية تعدل اتجاه البحث بناءً على انحناء المشهد وتستخدم قاعدة تحديث تكيفية أعلى دقة باستمرار عبر جميع عمليات التشغيل.
ومن الأهمية بمكان أن الدراسة سلطت الضوء على أن تحقيق نتيجة أفضل غالبًا ما يأتي بتكلفة باهظة من حيث عدد القياسات المطلوبة. فبعض الطرق التي وصلت إلى أعلى دقة احتاجت إلى تشغيل الدائرة الكمومية آلاف المرات أكثر من غيرها للوصول إلى هناك. على سبيل المثال، في مهمة تصنيف الأرقام، وصلت إحدى التكوينات إلى دقة مثالية ولكنها تطلبت تنفيذ الدائرة حوالي ثلاث وعشرين مرة أكثر من تكوين آخر حقق دقة أقل قليلاً. ويشير هذا التبادل إلى أن الطريقة الأكثر دقة ليست دائمًا هي الأكثر عملية، خاصة عند التشغيل على أجهزة حقيقية حيث تكون الوقت والموارد محدودة. كما وجد الباحثون أن اختيار قاعدة التحديث كان مهمًا للغاية؛ إذ يمكن لتغيير القاعدة المستخدمة لتعديل المعلمات أن يغير الدقة النهائية بشكل جذري، حتى لو ظلت الطريقة المستخدمة لتقدير الاتجاه كما هي. وفي بعض الحالات، نجحت قاعدة تحديث بسيطة بشكل أفضل مع مقدّر معين، بينما كانت هناك حاجة إلى قاعدة تكيفية أكثر تعقيدًا لكي يعمل مقدّر مختلف بشكل جيد.
وعندما انتقل الفريق من المحاكاة إلى المعالج الكمومي الفيزيائي، كانت النتائج مختلطة ولكنها غنية بالمعلومات. أظهرت عمليات تشغيل الأجهزة الحقيقية أن الخوارزميات لا تزال قادرة على تحسين الحلول، لكن التقدم كان غالبًا أقل سلاسة والنتائج النهائية لم تكن بجودة ما شوهد في عمليات المحاكاة الخالية من الضجيج. في تجربة جزيء الهيدروجين، أظهر تشغيل الأجهزة تحسنًا مؤقتًا قبل أن تبدأ النتائج في التدهور، وهو سلوك لم يظهر في المحاكاة. وهذا يشير إلى أن الضجيج والعيوب في الجهاز الفيزيائي يمكن أن تغير مسار التحسين بطرق لا يمكن التنبؤ بها. وقد لاحظ الباحثون بعناية أن عمليات تشغيل الأجهزة هذه كانت دراسات حالة لتكوينات محددة وليست ترتيبًا نهائيًا لجميع الأساليب، حيث لم يكن عدد التشغيلات المحدود على الجهاز الفيزيائي كافيًا لعزل التأثيرات المحددة لضجيج الأجهزة عن العوامل الأخرى.
في نهاية المطاف، توفر الدراسة خريطة أوضح لمشهد التحسين للخوارزميات الكمومية. فهي تثبت أن أداء هذه الخوارزميات لا يتحدد بوجود "رصاصة سحرية" واحدة، بل بالاقتران الدقيق بين كيفية بحث النظام عن الحل وكيفية اتخاذ قرار الحركة. ويعتمد الخيار الأفضل على المشكلة المحددة، والميزانية المتاحة للقياس، والحاجة إلى الاتساق مقابل الرغبة في الوصول إلى ذروة الأداء. ومن خلال فصل تقدير اتجاه البحث عن قاعدة التحديث، أظهر الباحثون أنه يمكن للعلماء الآن ضبط هذه المكونات بشكل مستقل للعثور على المسار الأكثر كفاءة لاحتياجاتهم الخاصة. ويقدم هذا النهج النموذجي طريقة عملية للملاحة في عالم الحوسبة الكمومية القريبة من المدى، المليء بالضجيج وعدم اليقين، مما يساعد الباحثين على تحقيق أقصى استفادة من الآلات القوية ولكن غير المثالية التي يمتلكونها حاليًا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.