بحث جديد يحقق اختراقا في الحوسبة الكمومية

أجرى فريق في مختبر لوس ألاموس الوطني بحثاً جديداً حقق اختراقاً في الحوسبة الكمومية. يثبت مبرهناً جديداً أن الشبكات العصبية التلافيفية يمكن دائمًا تدريبها على أجهزة الكمبيوتر الكمومية، مما يغلب تهديداً يعرف باسم “الهضاب القاحلة” في مشاكل التحسين.

نشر البحث في Physical Review X.

الهضاب القاحلة – مشكلة الحل الأساسي

يمكن تشغيل الشبكات العصبية التلافيفية على أجهزة الكمبيوتر الكمومية لتحليل البيانات بشكل أفضل من الحواسيب الكلاسيكية. ومع ذلك، كانت هناك مشكلة حل أساسي تعرف باسم “الهضاب القاحلة” التي تشكل تحدياً للباحثين من خلال تقييد تطبيق الشبكات العصبية لمجموعات بيانات كبيرة.

ماركو سيريزو هو أحد مؤلفي ورقة البحث التي تحمل عنوان “غياب الهضاب القاحلة في الشبكات العصبية الكمومية التلافيفية”. سيريزو هو فيزيائي متخصص في الحوسبة الكمومية والتعلم الكمومي والمعلومات الكمومية في المختبر.

“طريقة بناء الشبكة العصبية الكمومية يمكن أن تؤدي إلى هضاب قاحلة – أو لا”، قال سيريزو. “لقد أثبتنا غياب الهضاب القاحلة لنوع خاص من الشبكات العصبية الكمومية. يعطي عملنا ضمانات للتدريب على هذه الهيئة، مما يعني أنه يمكن تدريب معاملاتها بشكل عام”.

تتضمن الشبكات العصبية الكمومية التلافيفية سلسلة من الطبقات التلافيفية التي تتناوب مع طبقات التجميع، مما يسمح بتقليل بعدية البيانات مع الحفاظ على الميزات المهمة لمجموعة البيانات.

يمكن استخدام الشبكات العصبية لمدى واسع من التطبيقات، مثل التعرف على الصور واكتشاف المواد. من أجل تحقيق الإمكانات الكاملة لأجهزة الكمبيوتر الكمومية في تطبيقات الذكاء الاصطناعي، يجب التغلب على الهضاب القاحلة.

وفقاً لسيريزو، كان الباحثون في التعلم الكمومي يتحليلون تقليدياً كيفية التغلب على آثار هذه المشكلة، ولكنهم لم يطوروا بعد أساساً نظرياً لتجنب المشكلة بالكامل. هذا يتغير مع البحث الجديد، حيث يثبت ورقة الفريق كيفية حصانة بعض الشبكات العصبية الكمومية من الهضاب القاحلة.

باتريك كولز هو فيزيائي كمومي في لوس ألاموس ومؤلف مشارك في البحث.

“مع هذا الضمان في متناول اليد، سيكون الباحثون قادرين الآن على التصفية من خلال بيانات الكمبيوتر الكمومي حول الأنظمة الكمومية واستخدام تلك المعلومات لدراسة خصائص المواد أو اكتشاف مواد جديدة، من بين تطبيقات أخرى”، قال كولز.

الانحدار المتلاش

ينشأ المشكلة الرئيسية من “انحدار متلاش” في منظومة التحسين، تتكون المنظومة من تلال ووادي. الهدف هو تدريب معاملات النموذج لاكتشاف حل من خلال استكشاف جغرافيا المنظومة، وعندما يكون الحل عادة في قاع الوادي الأدنى، فإن هذا لا يحدث عندما تكون المنظومة مسطحة.

تزداد صعوبة المشكلة عندما يزيد عدد ميزات البيانات، وتصبح المنظومة مسطحة بشكل كبير مع حجم الميزة. هذا يشير إلى وجود هضاب قاحلة، ولا يمكن توسيع الشبكة العصبية الكمومية.

للتغلب على ذلك، طور الفريق نهجاً جرافياً جديداً لتحليل التوسع داخل الشبكة العصبية الكمومية. من المتوقع أن يكون لهذا النموذج تطبيقات في تحليل البيانات من المحاكاة الكمومية.

“مجال التعلم الكمومي لا يزال شاباً”، قال كولز. “هناك اقتباس مشهور عن الليزر، عندما تم اكتشافه لأول مرة، قال إنها حل بدون مشكلة. الآن يستخدم الليزر في كل مكان. بشكل مماثل، يشتبه بعضنا في أن البيانات الكمومية ستصبح متاحة بسهولة، ثم سينفجر التعلم الكمومي”.

يمكن للشبكة العصبية الكمومية القابلة للتوسيع تمكين جهاز كمبيوتر كمومي من التصفية من خلال مجموعة بيانات ضخمة حول حالات مادة معينة. يمكن بعد ذلك ربط تلك الحالات بالمراحل، مما يساعد في تحديد الحالة المثالية للاستровод العالي الحرارة.