من البتات إلى الكيوبتات: كيف يعيد التحسين الكمي تشكيل الذكاء الاصطناعي

تُجري معظم أنظمة الذكاء الاصطناعي المتطورة، بدءًا من السيارات ذاتية القيادة ووصولًا إلى نماذج التنبؤ بالأسهم، مفاضلات مستمرة أثناء ضبطها وتحسينها وتعلّمها من الخبرة. وتقف وراء هذه القرارات إحدى أهم العمليات في الذكاء الاصطناعي: التحسين.

فعلى سبيل المثال، يتعلم نموذج ذكاء اصطناعي مُدرَّب على التعرّف إلى إشارات المرور أو التنبؤ بأسعار المنازل من الأمثلة. وأثناء تدريبه، يواصل تحسين طريقة تعلّمه. وتضبط كل خطوة ملايين المعلمات، فتُحسِّن الأوزان والانحيازات لتقليل أخطاء التنبؤ وزيادة الدقة.

يمكنك النظر إلى هذه العملية باعتبارها مسألة تحسين واسعة النطاق. ويتمثل الهدف في العثور على أفضل توليفة من المعلمات تحقق نتائج دقيقة من دون فرط التكيّف أو هدر الموارد الحاسوبية.

في الواقع، يُعدّ التحسين جزءًا أساسيًا من الذكاء الاصطناعي. وسواء كان نموذج الذكاء الاصطناعي يحدّد صورة أو يتنبأ بسعر، فعليه البحث عن الحل الأكثر فاعلية من بين إمكانات لا حصر لها. لكن مع نمو النماذج ومجموعات البيانات، يصبح هذا البحث أكثر تعقيدًا وتكلفةً من الناحية الحاسوبية.

يُعدّ التحسين الكمومي نهجًا ناشئًا قد يساعد على حل هذا التحدي. وهو يستند إلى الحوسبة الكمومية، التي تستخدم مبادئ ميكانيكا الكم لمعالجة المعلومات بطرائق جديدة.

وبدلًا من البِتّات التي لا يمكن أن تكون إلا 0 أو 1، تستخدم الحواسيب الكمومية كيوبِتات يمكن أن توجد في حالات متعددة في آن واحد. ويتيح ذلك لها استكشاف حلول محتملة كثيرة بالتوازي، وحل مسائل التحسين المعقدة بكفاءة أكبر من الأساليب التقليدية في بعض الحالات.

ومع ذلك، لا تعني التوازية الكمومية تشغيل العديد من المعالجات التقليدية في الوقت نفسه. فهي عملية احتمالية تعتمد على التداخل الكمومي لإنتاج نتائج مفيدة.

ببساطة، يعني ذلك أن الحواسيب الكمومية لا تختبر كل الاحتمالات دفعةً واحدة. بل تستخدم التداخل، حيث يعزز بعض الاحتمالات بعضها بعضًا بينما يلغي بعضها الآخر، لزيادة فرص العثور على الإجابة الصحيحة.

في هذه المقالة، سنستكشف كيفية عمل التحسين الكمومي، وسبب أهميته، وما قد يعنيه لمستقبل الحوسبة الذكية. فلنبدأ!

ما التحسين الكمومي؟#

التحسين الكمومي مجال متنامٍ ضمن الحوسبة الكمومية، يركّز على حل مسائل التحسين المعقدة باستخدام الخصائص الفريدة لميكانيكا الكم. وهو يستند إلى عقود من الأبحاث في علوم الحاسوب والفيزياء، ويدمج بينهما لمعالجة التحديات التي تواجه الحوسبة التقليدية صعوبة في حلها.

ظهرت فكرة استخدام الأنظمة الكمومية للتحسين لأول مرة في أواخر تسعينيات القرن العشرين، عندما بدأ الباحثون استكشاف كيفية تطبيق مبادئ كمومية مثل التراكب (حالات متزامنة) والتشابك (كيوبِتات مترابطة) على حل المشكلات.

ومع مرور الوقت، تطورت هذه الفكرة إلى التحسين الكمومي، حيث طوّر الباحثون خوارزميات تستخدم التأثيرات الكمومية للبحث بكفاءة عن الحلول المثلى ضمن فضاءات كبيرة ومعقدة من المسائل.

أساسيات التحسين الكمومي#

في جوهره، يستند التحسين الكمومي إلى ثلاثة مكونات رئيسية: الخوارزميات الكمومية، والكيوبِتات، والدوائر الكمومية. وتوفر الخوارزميات الكمومية المنطق الذي يتيح استكشاف مجموعات كبيرة من الحلول المحتملة بكفاءة.

تعمل هذه الخوارزميات على الكيوبِتات، وهي الوحدات الأساسية للمعلومات الكمومية، وتختلف عن البِتّات التقليدية (وحدات البيانات الثنائية في الحواسيب التقليدية التي يمكنها الاحتفاظ بقيمة 0 أو 1 فقط) لأنها تستطيع الوجود في حالة تراكب، وتمثيل كلٍّ من 0 و1 في الوقت نفسه.

الشكل 1. ما الكيوبِت؟ (المصدر: ResearchGate)

تمكّن هذه الخاصية الفريدة الأنظمة الكمومية من تقييم احتمالات متعددة في الوقت نفسه، ما يوسّع إمكاناتها الحاسوبية بدرجة كبيرة. وفي الوقت نفسه، توصل الدوائر الكمومية الكيوبِتات عبر تسلسلات من البوابات الكمومية التي تتحكم في كيفية تدفق المعلومات وتفاعلها، لتوجيه النظام تدريجيًا نحو حل شبه أمثل.

التحسين التقليدي مقابل التحسين الكمومي#

فيما يلي بعض الفروق الرئيسية بين نهجي التحسين التقليدي والكمومي:

• أسلوب الحوسبة: تختبر الخوارزميات التقليدية حلًا واحدًا في كل مرة. ويمكن للخوارزميات الكمومية النظر في احتمالات كثيرة دفعةً واحدة باستخدام الخصائص الفريدة للفيزياء الكمومية.
• القدرة على المعالجة: تستخدم الحواسيب التقليدية بِتّات تكون إما 0 أو 1. أما الحواسيب الكمومية فتستخدم كيوبِتات يمكن أن تكون 0 و1 في الوقت نفسه، ويمكن ربطها معًا، ما يتيح لها التعامل مع مسائل أكثر تعقيدًا.
• حجم المسألة: يعمل التحسين التقليدي جيدًا مع المسائل الصغيرة أو المتوسطة التعقيد. ويجري تطوير التحسين الكمومي لمعالجة مسائل أكبر بكثير وأكثر تعقيدًا، يصعب على حواسيب اليوم حلها.
• النتيجة: تكون النتائج التقليدية قابلة للتنبؤ والتكرار. أما النتائج الكمومية فتعتمد على الاحتمالات، ولذلك قد تعطي المهمة نفسها نتائج مختلفة قليلًا، تُحسَّن عبر عمليات تشغيل متعددة للعثور على أفضل إجابة.

الشكل 2. التحسين التقليدي مقابل التحسين الكمومي (الصورة من إعداد المؤلف)

كيفية عمل التحسين الكمومي#

بعد ذلك، دعونا نستعرض كيفية عمل التحسين الكمومي فعليًا. يبدأ الأمر كله بتحديد مسألة من العالم الحقيقي وترجمتها إلى صيغة يستطيع الحاسوب الكمومي معالجتها.

فيما يلي نظرة عامة على الخطوات الرئيسية المتضمنة في التحسين الكمومي:

• الخطوة 1: صياغة المسألة على شكل مشهد للطاقة: يمكن وصف كل مسألة تحسين، مثل تخطيط مسارات التوصيل أو ضبط نماذج التعلم الآلي، على شكل مشهد لمستويات الطاقة. ولكل إجابة محتملة قيمة طاقة، والهدف هو العثور على أدنى قيمة، التي تمثل الحل الأكثر كفاءة أو الحل الأمثل.

• الخطوة 2: ترميز المسألة في دائرة كمومية: تُحوَّل المسألة بعد ذلك إلى دائرة كمومية. وتمثل الكيوبِتات (البِتّات الكمومية) البيانات، ويمكنها استكشاف حلول كثيرة في آن واحد من خلال التراكب.

• الخطوة 3: توجيه النظام نحو أفضل حل: يضبط الحاسوب الكمومي الكيوبِتات خطوةً بعد خطوة، ما يسمح للنظام بالتحرك نحو الحل ذي الطاقة الأدنى، أي الحل الأفضل. وتُعرف هذه العملية بالتلدين الكمومي أو بالتطور شبه الساكن، تبعًا للطريقة المستخدمة. وهي تساعد النظام على الاستقرار في الحالة الواعدة أكثر.

• الخطوة 4: قياس النتائج وتفسيرها: عند استقرار النظام، تُقاس الكيوبِتات لإنتاج حل تقريبي. وغالبًا ما تُستخدم عمليات التشغيل المتكررة لقياس جودة الحل والتأكد من موثوقيته.

• الخطوة 5: الدمج مع الحوسبة التقليدية للتحسين: أخيرًا، تُعاد الحواسيب التقليدية إلى الحلقة. فهي تحلل النتائج الناتجة عن عمليات التشغيل الكمومية وتضبطها بدقة لتحسين الدقة. ويجمع هذا النهج الهجين، المستخدم في أساليب مثل QAOA (خوارزمية التحسين الكمومي التقريبية) وVQE (مُحلِّل القيم الذاتية الكمومي التغايري)، بين نقاط قوة النظامين التقليدي والكمومي لتحقيق أداء أفضل إجمالًا.

الخوارزميات الأساسية للتحسين الكمومي#

بفضل التطورات الحديثة في الحوسبة الكمومية، طوّر الباحثون مجموعة من خوارزميات التحسين الكمومي التي تهدف إلى حل المسائل المعقدة بكفاءة أكبر. وتشكّل هذه الأساليب مستقبل هذا المجال. لنلقِ نظرة على بعض أبرزها.

التلدين الكمومي#

التلدين الكمومي تقنية تُستخدم لحل مسائل التحسين التي تتضمن العثور على أفضل ترتيب أو توليفة من بين احتمالات كثيرة. وتُسمى هذه المسائل مسائل التحسين التوافقي، مثل جدولة عمليات التوصيل، وتحديد مسارات المركبات، أو تجميع نقاط البيانات المتشابهة.

تستلهم هذه الطريقة عمليةً فيزيائية تُعرف بالتلدين، حيث تُبرَّد مادة ببطء للوصول إلى حالة مستقرة منخفضة الطاقة. وبطريقة مماثلة، يوجّه التلدين الكمومي نظامًا كموميًا تدريجيًا نحو حالة الطاقة الأدنى، التي تمثل أفضل حل ممكن للمسألة.

تتيح هذه العملية، القائمة على مبادئ الحوسبة الكمومية شبه الساكنة، للنظام استكشاف العديد من الحلول المحتملة والاستقرار في حل قريب من الأمثل. ونظرًا إلى أن النتائج احتمالية، تُكرَّر العملية عادةً عدة مرات، وغالبًا ما تُستخدم الحوسبة التقليدية بعد ذلك لتحسين الإجابات.

يبشّر التلدين الكمومي بإمكانات لحل مسائل التحسين في العالم الحقيقي في مجالات مثل الخدمات اللوجستية، والتجميع، وتخصيص الموارد. ومع ذلك، لا يزال الباحثون يستكشفون متى وكيف يمكن أن يتفوق على الأساليب التقليدية.

الشكل 3. فهم التلدين الكمومي (المصدر: ResearchGate)

خوارزمية التحسين الكمومي التقريبية (QAOA)#

تتعامل خوارزمية التحسين الكمومي التقريبية (QAOA) أيضًا مع مسائل التحسين التوافقي، ولكن بطريقة مختلفة عن التلدين الكمومي. فبدلًا من التطور تدريجيًا نحو حالة الطاقة الأدنى، تتناوب QAOA بين دالتي طاقة تُسمّيان الهاملتونيين.

تمثل إحداهما هدف المسألة وقيودها، بينما تساعد الأخرى النظام على استكشاف تكوينات جديدة. ومن خلال التبديل بين هاتين المرحلتين، تتحرك الخوارزمية بثبات نحو حل شبه أمثل.

تعمل QAOA على أنظمة هجينة كمومية وتقليدية، حيث يولّد الحاسوب الكمومي حلولًا محتملة، ويضبط الحاسوب التقليدي المعلمات بعد كل عملية تشغيل. ويجعل هذا النهج QAOA أداة مرنة للعديد من مهام التحسين، بما في ذلك الجدولة، وتحديد المسارات، ومسائل الرسوم البيانية مثل MaxCut (العثور على أفضل طريقة لتقسيم شبكة إلى جزأين) وتغطية الرؤوس (اختيار أصغر مجموعة من العقد التي تصل بكل حافة في شبكة). ولا يزال البحث مستمرًا، لكن يُنظر إلى QAOA على نطاق واسع باعتبارها خطوة واعدة نحو الجمع بين التحسين التقليدي والكمومي.

مُحلِّل القيم الذاتية الكمومي التغايري (VQE)#

تُعد خوارزمية مُحلِّل القيم الذاتية الكمومي التغايري (VQE) خوارزمية مهمة أخرى. وعلى خلاف QAOA والتلدين الكمومي، اللذين يتعاملان مع مسائل التحسين التوافقي ذات الخيارات المنفصلة، يركّز VQE على التحسين المستمر، حيث يمكن للمتغيرات أن تأخذ نطاقًا من القيم بدلًا من خيارات ثابتة.

ويُستخدم أساسًا لتقدير الحالة الأرضية، أو أدنى طاقة ممكنة، لنظام كمومي. وهذا يجعله مفيدًا بوجه خاص لدراسة سلوك الجزيئات والمواد في الفيزياء والكيمياء.

ويستخدم VQE أيضًا نهجًا هجينًا يجمع بين الحوسبة الكمومية والتقليدية. إذ يهيّئ الحاسوب الكمومي حالات محتملة ويختبرها، بينما يحلل الحاسوب التقليدي النتائج ويضبط المعلمات لتحسين الدقة.

ونظرًا إلى حاجته إلى عدد أقل من الكيوبِتات ودوائر أبسط، يحقق VQE أداءً جيدًا على أجهزة NISQ (الكمومية متوسطة النطاق المليئة بالضوضاء) الحالية. وهذه هي الجيل الحالي من الحواسيب الكمومية، التي تضم عددًا محدودًا من الكيوبِتات وتتأثر بالضوضاء، لكنها لا تزال قوية بما يكفي للبحث والتجارب العملية المبكرة.

أصبح VQE أداة أساسية في الكيمياء الكمومية، وعلوم المواد، وتحسين العمليات. فهو يساعد الباحثين على نمذجة الجزيئات، ودراسة التفاعلات، والعثور على التكوينات المستقرة.

الشكل 4. نظرة على مُحلِّل القيم الذاتية الكمومي التغايري (المصدر: ResearchGate)

البرمجة شبه المحددة الكمومية#

البرمجة شبه المحددة (SDP) طريقة رياضية تُستخدم لحل مسائل التحسين التي تتضمن علاقات خطية بين المتغيرات. وغالبًا ما تُطبَّق عندما يكون الهدف العثور على أفضل نتيجة ممكنة مع إبقاء شروط معينة ضمن نطاق صالح.

تهدف خوارزميات SDP الكمومية إلى جعل هذه الحسابات أسرع، لا سيما عندما تتضمن البيانات متغيرات كثيرة أو فضاءات معقدة عالية الأبعاد. وهي تستخدم مبادئ الحوسبة الكمومية لتحليل احتمالات متعددة في آن واحد، ما قد يجعل حل المسائل واسعة النطاق أكثر كفاءة.

تجري دراسة هذه الخوارزميات في مجالات مثل التعلم الآلي، ومعالجة الإشارات، وأنظمة التحكم، حيث يمكنها مساعدة النماذج على التعرف إلى الأنماط، وتحسين التنبؤات، أو إدارة الأنظمة المعقدة. وعلى الرغم من استمرار البحث، تبشّر SDP الكمومية بتسريع مهام التحسين المتقدمة التي يصعب على الحواسيب التقليدية حلها.

تطبيقات التحسين الكمومي في الذكاء الاصطناعي#

مع أن التحسين الكمومي مجال بحث نشط، فإنه بدأ يجد تطبيقات عملية في مجالات مثل الذكاء الاصطناعي والتعلم الآلي. ويستكشف الباحثون كيفية مساعدة الأساليب الكمومية على حل المسائل المعقدة بكفاءة أكبر.

بعد ذلك، سنلقي نظرة أقرب على بعض الأمثلة وحالات الاستخدام الناشئة التي تبرز إمكاناته في سيناريوهات العالم الحقيقي.

تسريع ضبط نماذج التعلم الآلي#

يجري استكشاف التحسين الكمومي لتحسين طريقة ضبط نماذج التعلم الآلي، لا سيما فيما يتعلق بتحسين المعلمات الفائقة واختيار السمات. كما توسّع التطورات الحديثة في معالجات الذرات المحايدة نطاق تجارب التحسين الكمومي في الذكاء الاصطناعي والتعلم الآلي.

تستخدم هذه المعالجات ذرات فردية تثبتها أشعة الليزر لتعمل بوصفها كيوبِتات. ويتيح ذلك للباحثين بناء أنظمة كمومية قابلة للتوسع ومستقرة لاختبار الخوارزميات المعقدة.

تطبيقات القطاع وأبرز التطورات البحثية#

بدأت شركات التقنية الرائدة بالفعل في تجربة هذه الأفكار. فعلى سبيل المثال، برهن فريق Google البحثي مؤخرًا على تفوق كمومي توليدي، حيث تعلّم معالج مكوّن من 68 كيوبِتًا توليد توزيعات معقدة، ما يلمّح إلى تطبيقات في تدريب النماذج التوليدية.

وبالمثل، تعمل NVIDIA على بناء جسور بين الحوسبة الكمومية والذكاء الاصطناعي من خلال دمج الأبحاث الكمومية في منظومة الحوسبة الفائقة ووحدات GPU الخاصة بها. فعلى سبيل المثال، أطلقت مركز أبحاث كمومية مُسرَّعة (NVAQC) لدمج العتاد الكمومي مع أنظمة الذكاء الاصطناعي.

إضافةً إلى ذلك، طوّرت AWS سير عمل هجينًا كموميًا وتقليديًا على Amazon Braket، يستخدم الدوائر الكمومية إلى جانب التحسين التقليدي لضبط المعلمات بدقة لمهام تصنيف الصور.

التحسين في الخدمات اللوجستية والجدولة وتحديد المسارات#

تُعد الخدمات اللوجستية والجدولة إحدى أكثر المجالات العملية للتحسين الكمومي. وتشمل هذه المهام تخطيط المسارات، وتخصيص المركبات، وتوزيع الموارد.

ومن الأمثلة الجيدة جدولة شبكة الطاقة، حيث يتعين على المشغلين موازنة إمدادات الكهرباء والطلب عليها في الوقت الفعلي، مع خفض التكلفة والحفاظ على الموثوقية. وقد استخدم الباحثون التحسين الكمومي لتمثيل تحدي الجدولة هذا على شكل مشهد للطاقة أو هاملتوني.

ويتمثل الهدف هنا في العثور على حالة الطاقة الأدنى، التي تمثل التكوين الأكثر كفاءة. فعلى سبيل المثال، اختُبرت المحللات الكمومية من D-Wave لهذه المسائل، وأظهرت نتائج أسرع وأكثر مرونة مقارنةً بأساليب التحسين التقليدية.

وتُدرس أفكار مماثلة حاليًا في مجالات مثل إدارة المحافظ الاستثمارية وتخطيط سلاسل الإمداد. ومع تحسن العتاد، قد تغيّر هذه الأساليب كيفية تخطيط أنظمة الذكاء الاصطناعي واتخاذها للقرارات في ظل القيود الواقعية.

الذكاء الاصطناعي والحوسبة الكمومية في اكتشاف الأدوية وتصميم المواد#

يحظى التحسين الكمومي أيضًا باهتمام متزايد في المجالات التي يُعد فيها فهم التفاعلات الجزيئية المعقدة ومشاهد الطاقة أمرًا بالغ الأهمية. فعلى سبيل المثال، يمثل العثور على أكثر البنى أو التكوينات الجزيئية استقرارًا تحديًا تحسينيًا في اكتشاف الأدوية وعلوم المواد.

تُستخدم الخوارزميات الكمومية الهجينة، مثل VQE، لتسريع عمليات مثل التنبؤ ببنية البروتين والبحث عن التكوين الجزيئي. ويستكشف الباحثون أيضًا سبل الجمع بين الحوسبة الكمومية والذكاء الاصطناعي لتحسين طريقة تعلّم النماذج واستخراجها للسمات من البيانات.

ومع استمرار تطور العتاد الكمومي، قد تؤدي هذه الأساليب المدمجة إلى اختراقات كبيرة في الكيمياء وعلم الأحياء وأبحاث المواد، ما يتيح اكتشافات أسرع ومحاكاة أدق على المستوى الجزيئي.

إيجابيات وسلبيات التحسين الكمومي#

فيما يلي بعض مزايا استخدام التحسين الكمومي:

• الخوارزميات المستوحاة من الكم: حتى قبل توافر الحواسيب الكمومية واسعة النطاق، يستخدم الباحثون أساليب التحسين المستوحاة من الكم على الأنظمة التقليدية. ويمكن لهذه الأساليب توفير أداء أسرع لأنواع معينة من المسائل من خلال محاكاة الاستراتيجيات الكمومية.
• تحسين العتاد والمحللات الهجينة: يتيح تطوير المعالجات الكمومية الجديدة والمحللات الهجينة المستندة إلى السحابة الجمع بين الحوسبة الكمومية والتقليدية. ويسمح ذلك بالاختبار والتجريب العمليين اليوم، حتى مع العتاد في مراحله المبكرة.
• التقدم البحثي التعاوني: تعمل IBM Quantum وQiskit وغيرها من مجتمعات البحث المفتوح بنشاط على تطوير الخوارزميات وحزم الأدوات والموارد التعليمية التي تجعل التحسين الكمومي أكثر سهولة.

على الرغم من التقدم السريع في الأبحاث الكمومية، لا تزال هناك تحديات معينة تحول دون التبني واسع النطاق. فيما يلي بعض القيود الرئيسية التي ينبغي أخذها في الاعتبار:

• قيود العتاد: تحتوي الحواسيب الكمومية الحالية على عدد محدود من الكيوبِتات، وهي شديدة الحساسية للضوضاء وفقدان الترابط والأخطاء التشغيلية. وتقلل هذه العوامل من دقة النتائج وموثوقيتها، ما يصعّب توسيع نطاق الأنظمة لمهام التحسين المعقدة.
• قيود المحاكاة التقليدية: تُعد محاكاة الأنظمة الكمومية الكبيرة على الحواسيب التقليدية صعبة للغاية، لأن موارد الحوسبة المطلوبة تنمو أُسِّيًا مع عدد الكيوبِتات. ويجعل ذلك اختبار الخوارزميات الكمومية واسعة النطاق والتحقق منها أمرًا معقدًا.
• غياب معايير قياس الأداء: لا تزال أبحاث التحسين الكمومي تفتقر إلى معايير قياس متسقة لمقارنة أداء الخوارزميات والعتاد. وعلى الرغم من الجهود المبذولة لإنشاء أساليب تقييم موحّدة، لا يوجد حتى الآن إطار عالمي لقياس تحسينات الأداء في العالم الحقيقي.

أهم النقاط المستخلصة#

يعيد التحسين الكمومي تشكيل الطريقة التي نفكر بها في حل المشكلات في الذكاء الاصطناعي والعلوم والصناعة. ومن خلال الجمع بين قوة الحوسبة الكمومية والأساليب التقليدية، يجد الباحثون طرائق جديدة للتعامل مع التعقيد وتسريع الاكتشافات. ومع تحسن العتاد ونضج الخوارزميات، قد يصبح التحسين الكمومي محركًا رئيسيًا للجيل القادم من التقنيات الذكية.

اطّلع على مستودع GitHub الخاص بنا لاكتشاف المزيد عن الذكاء الاصطناعي. وانضم إلى مجتمعنا النشط، واكتشف الابتكارات في قطاعات مثل الذكاء الاصطناعي في قطاع التجزئة والذكاء الاصطناعي للرؤية في قطاع التصنيع. وللبدء باستخدام الرؤية الحاسوبية اليوم، اطّلع على خيارات الترخيص.