مع استمرار تقدم الحوسبة الكمومية، تتقدم أيضًا الخوارزميات المستخدمة في التعلم الآلي الكمي، أو QML. على مدى السنوات القليلة الماضية، كان الممارسون يستخدمون خوارزميات كمومية صاخبة متوسطة الحجم (NISQ) مصممة للتعويض عن بيئات الحوسبة الصاخبة.
“هناك الكثير من خوارزميات التعلم الآلي في هذا السياق والتي تعمل بهذه الطريقة. يقول جو فيتزسيمونز، المؤسس والرئيس التنفيذي: “إنك تتعامل مع برنامجك الكمي كما لو كان شبكة عصبية”. حوسبة الأفق الكمومية، شركة تقوم ببناء أدوات تطوير البرمجيات الكمومية. “أنت تكتب برنامجًا يحتوي على الكثير من المعلمات التي لم تقم بتعيينها مسبقًا، ثم تحاول ضبط تلك المعلمات. يطلق الناس على هذه “الشبكات العصبية الكمومية”. لديك أيضًا مصنفات متغيرة وأشياء مثل تلك التي تندرج ضمن هذه الفئة.
يمكن للمرء أيضًا أن يأخذ نموذجًا كلاسيكيًا للتعلم الآلي الحالي ويحاول تسريع حساباته باستخدام الكمبيوتر الكمي. ومع ذلك، فإن الضوضاء تمثل تحديًا، لذا فإن تصحيح الخطأ ضروري. الشرط الآخر هو ذاكرة الوصول العشوائي الكمومية (QRAM، وهو المعادل الكمي لذاكرة الوصول العشوائي).
يقول فيتزسيمونز: “إذا تمكنا من الحصول على حواسيب كمومية ذات ضوضاء أقل، وإذا تمكنا من البدء في بناء ذاكرة الوصول العشوائي، فستكون هناك إمكانات هائلة حقًا لأجهزة الكمبيوتر الكمومية لتسريع النموذج الكلاسيكي أو النموذج الأصلي الكمي”. “يمكنك اللعب بالخوارزميات المتغيرة اليوم، بالتأكيد، ولكن تحقيق الخوارزميات الأكثر تنظيمًا والوصول إلى ذاكرة الوصول العشوائي الكمومية المصححة للأخطاء يستغرق خمس سنوات وعدة أجيال من أجهزة Nvidia.”
يحتاج QML إلى النضج
في حين أن الحوسبة الكمومية ليست الاتجاه الأكثر وشيكًا الذي يحتاج العلماء إلى القلق بشأنه اليوم، فمن المرجح أن يكون تأثيرها على التعلم الآلي تحويليًا.
يقول فيتزسيمونز: “إن الميزة الواضحة للحوسبة الكمومية هي القدرة على التعامل مع كميات هائلة من البيانات التي لا يمكننا التعامل معها بأي طريقة أخرى”. “لقد رأينا أن قوة أجهزة الكمبيوتر التقليدية تتضاعف بشكل فعال كل 18 شهرًا بفضل قانون مور. ومع الحوسبة الكمومية، يتضاعف عدد الكيوبتات كل ثمانية إلى تسعة أشهر تقريبًا. في كل مرة تضيف فيها كيوبتًا واحدًا إلى نظام ما، فإنك تضاعف قدرته الحسابية لحل مشكلات التعلم الآلي وأشياء من هذا القبيل، وبالتالي فإن القدرة الحسابية لهذه الأنظمة تتزايد بشكل كبير.
ستسمح الآلات الكمومية للمؤسسات بنمذجة وفهم الأنظمة المعقدة بطريقة حسابية، وحالات الاستخدام المحتملة كثيرة، بدءًا من السيارات والفضاء إلى الطاقة وعلوم الحياة والتأمين والخدمات المالية على سبيل المثال لا الحصر. ومع ارتفاع عدد الكيوبتات، يمكن لأجهزة الكمبيوتر الكمومية التعامل مع نماذج متزايدة التعقيد.
.jpg?width=700&auto=webp&quality=80&disable=upscale "Joe_FITZSIMONS_-_1_-_Credit_Horizon_Quantum_Computing_(1).jpg")
جو فيتزسيمونز، حوسبة الأفق الكمومية
يقول فيتزسيمونز: “مع التعلم الآلي الكلاسيكي، يمكنك أخذ النموذج الخاص بك واختباره مقابل بيانات العالم الحقيقي، وهذا هو ما تقيسه”. “الحوسبة الكمومية بدأت للتو في تحقيق ذلك. لم نصل إلى هذا الحد بعد، وهذا ما نحتاجه لكي ينطلق تعلم الآلة الكمومية حقًا، كما تعلمون، لكي نصبح حقًا تكنولوجيا قابلة للحياة، نحتاج إلى [benchmark] بنفس الطريقة التي اتبعها المجتمع الكلاسيكي، وليس مجرد لقطات فردية على مجموعات بيانات صغيرة جدًا. تعمل الكثير من الحوسبة الكمومية على إعادة اختراع ما تم إنجازه بالفعل في العالم الكلاسيكي. أمام التعلم الآلي في العالم الكمي طريق طويل قبل أن نعرف حقًا حدوده وقدراته.
ماذا يحدث مع Hybrid ML؟
تعلم الآلة الكلاسيكي ليس عمليًا في كل شيء، وكذلك QML. يعتمد التعلم الآلي الكلاسيكي على نماذج الذكاء الاصطناعي الكلاسيكية ووحدات معالجة الرسوميات، بينما يستخدم التعلم الآلي الكمي (QML) خوارزميات وأجهزة مختلفة تمامًا تستفيد من خصائص مثل التراكب والتشابك لتعزيز الكفاءة بشكل كبير، كما يقول رومان أوروس، أستاذ أبحاث إيكرباسك في مركز دبي الدولي للحوسبة وكبير المسؤولين العلميين. لشركة الكم AI الحوسبة المتعددة الأكوان.
“تمثل الأنظمة الكلاسيكية البيانات كبتات ثنائية: 0 أو 1. مع QML، يتم تمثيل البيانات في الحالات الكمومية. يقول أوروس: “يمكن لأجهزة الكمبيوتر الكمومية أيضًا إنتاج أنماط غير نمطية لا تستطيع الأنظمة الكلاسيكية إنتاجها بكفاءة، وهي مهمة أساسية في التعلم الآلي”.
يمكن استخدام تقنيات تعلم الآلة الكلاسيكية لتحسين الدوائر الكمومية، وتحسين رموز تصحيح الأخطاء، وتحليل خصائص الأنظمة الكمومية، وتصميم خوارزميات كمومية جديدة. تُستخدم طرق تعلم الآلة الكلاسيكية أيضًا في المعالجة المسبقة وتحليل البيانات التي سيتم استخدامها في التجارب أو عمليات المحاكاة الكمومية. في التجارب الهجينة، تعمل أجهزة NISQ الحالية على أجزاء المشكلة الأكثر ملاءمة لنقاط قوة الحوسبة الكمومية بينما يتعامل تعلم الآلة الكلاسيكي مع الأجزاء المتبقية.
يمكن أيضًا استخدام تقنيات البرمجيات المستوحاة من الكم لتحسين التعلم الآلي الكلاسيكي، مثل شبكات الموتر التي يمكنها وصف هياكل التعلم الآلي وتحسين الاختناقات الحسابية لزيادة كفاءة LLMs مثل ChatGPT.
“إنه نموذج مختلف، يعتمد بالكامل على قواعد ميكانيكا الكم. يقول أوروس: “إنها طريقة جديدة لمعالجة المعلومات، ويُسمح بعمليات جديدة تتعارض مع الحدس الشائع في علم البيانات التقليدي”. “بسبب الطريقة الفعالة التي تتعامل بها الأنظمة الكمومية مع معالجة المعلومات، فهي أيضًا قادرة على معالجة البيانات المعقدة لتمثيل هياكل البيانات المعقدة وارتباطاتها. يمكن أن يؤدي ذلك إلى تحسين الذكاء الاصطناعي التوليدي عن طريق تقليل تكاليف الطاقة والحوسبة بالإضافة إلى زيادة سرعة عملية اكتشاف الأدوية وغيرها من الأبحاث كثيفة البيانات. يمكن أيضًا استخدام QML لتطوير أنواع جديدة من الشبكات العصبية التي تستخدم الخصائص الكمومية التي تعمل على تحسين الاستدلال وقابلية التفسير وكفاءة التدريب بشكل كبير.
هناك الكثير من الابتكارات التي تحدث على مستويات مختلفة لحل أجزاء مختلفة من كل الأشياء الكمومية، بما في ذلك تصميم النظام، وتحسين البيئة، والأجهزة والبرامج الجديدة.
رومان أوروس، حوسبة الأكوان المتعددة
يقول أوروس: “بالإضافة إلى تطوير أجهزة كمومية أفضل لتشغيل QML، يستكشف الأشخاص أيضًا كيفية تنفيذ أنظمة هجينة تجمع بين وحدات الذكاء الاصطناعي التوليدية، مثل المحولات، مع القدرات الكمية”.
مثل ML الكلاسيكي، فإن QML ليس شيئًا واحدًا.
“كما هو الحال مع الجوانب الأخرى للحوسبة الكمومية، هناك إصدارات مختلفة من التعلم الآلي الكمي. في هذه الأيام، ما يعنيه معظم الناس بالتعلم الآلي الكمي يُعرف أيضًا باسم “خوارزمية الكم المتغيرة”، كما يقول ستيفان ليشيناور، نائب الرئيس للهندسة في Sandbox AQ. “وهذا يعني أن الحساب الكمي يعتمد على مجموعة كاملة من المعلمات العددية، وعلينا تعديل تلك المعلمات حتى يحل الحساب مشكلة بالنسبة لنا. الوضع مشابه تمامًا لحالة التعلم الآلي الكلاسيكي، حيث لدينا شبكات عصبية تعتمد على مجموعة من المعلمات، وهي الأوزان والتحيزات. ويتم تعديل هذه المعلمات من خلال التدريب، وهذا هو نفسه بين التعلم الآلي الكلاسيكي والكومي.
نظرًا لأن الأجهزة الكمومية صغيرة وعرضة للخطأ، فإن معظم تطوير خوارزميات QML يتم عن طريق محاكاة جهاز كمي باستخدام كمبيوتر كلاسيكي. المشكلة في ذلك هي أن التجارب تقتصر على حالات صغيرة من المشكلات، مما يعني أن الأداء على أحجام المشكلات الواقعية يظل غير معروف.
“من المرجح أن يكون التعلم الآلي الكمي مفيدًا في حل المشكلات الكمية في الأصل. وهذا يعني المشاكل التي تنطوي على نمذجة الظواهر الكمومية المعقدة، مثل المواد الغريبة. وحتى في هذا المجال، لا تزال هيئة المحلفين غير متأكدة من التعلم الآلي الكمي وفائدته». “إن الخوارزميات الكمومية المثيرة حقًا هي ما يسمى بالخوارزميات “المتسامحة مع الأخطاء”، والتي تتطلب أجهزة كمبيوتر كمومية كبيرة ومصححة للأخطاء بالكامل لتنفيذها. لا أحد يعرف ما إذا كانت أجهزة الكمبيوتر الكمومية ستكون مفيدة عمليًا قبل أن تصل إلى هذا الحجم والمستوى من التطور، لكن خوارزميات التعلم الآلي الكمومي هي أفضل فكرة ابتكرها الناس والتي قد تصبح مفيدة في وقت أقرب. لا يزال من الممكن أن يتبين أن التعلم الآلي الكمي ليس مفيدًا من الناحية العملية، وسيتعين علينا انتظار التسامح الكامل مع الأخطاء قبل انطلاق أجهزة الكمبيوتر الكمومية.
