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

تجري معظم أنظمة الذكاء الاصطناعي الحديثة، من السيارات ذاتية القيادة إلى نماذج التنبؤ بأسعار الأسهم، مفاضلات باستمرار أثناء تعديلها وتحسينها وتعلمها من التجربة. وتقع التحسينات في صميم إحدى أهم العمليات في الذكاء الاصطناعي التي تقف وراء هذه القرارات.

على سبيل المثال، يتعلم نموذج ذكاء اصطناعي دُرّب على التعرّف على إشارات المرور أو التنبؤ بأسعار المنازل من الأمثلة. ومع استمرار تدريبه، يتحسن باستمرار في طريقة تعلّمه. وتُعدّل كل خطوة ملايين المعلمات، فتضبط الأوزان والانحيازات بدقة لتقليل أخطاء التنبؤ وتحسين الدقة.

يمكنك النظر إلى هذه العملية على أنها مسألة تحسين واسعة النطاق. ويتمثل الهدف في إيجاد أفضل مجموعة من المعلمات التي تحقق نتائج دقيقة من دون فرط التكيّف أو إهدار الموارد الحاسوبية.

في الواقع، يُعد التحسين جزءًا أساسيًا من الذكاء الاصطناعي. سواء أكان نموذج الذكاء الاصطناعي يحدد صورة أم يتنبأ بسعر، فعليه البحث عن الحل الأكثر فاعلية من بين احتمالات لا تُحصى. لكن مع نمو النماذج ومجموعات البيانات، تزداد عملية البحث تعقيدًا وتكلفةً حاسوبية.

يُعد التحسين الكمي نهجًا ناشئًا قد يساعد في حل هذا التحدي. وهو يستند إلى الحوسبة الكمية، التي تستخدم مبادئ ميكانيكا الكم لمعالجة المعلومات بطرائق جديدة.

بدلًا من البتات التي لا يمكن أن تكون إلا 0 أو 1، تستخدم الحواسيب الكمية كيوبتات يمكنها الوجود في حالات متعددة في الوقت نفسه. وهذا يتيح لها استكشاف حلول محتملة كثيرة بالتوازي، وحل مسائل التحسين المعقدة بكفاءة أكبر من الأساليب التقليدية في بعض الحالات.

لكن التوازي الكمي لا يعني تشغيل العديد من المعالجات التقليدية في الوقت نفسه. فهو عملية احتمالية تعتمد على التداخل الكمي لإنتاج نتائج مفيدة.

ببساطة، هذا يعني أن الحواسيب الكمية لا تختبر كل الاحتمالات دفعة واحدة. بل تستخدم التداخل، حيث تعزز احتمالات معينة بعضها بعضًا وتلغي احتمالات أخرى بعضها بعضًا، لزيادة فرص العثور على الإجابة الصحيحة.

سنستكشف في هذا المقال كيفية عمل التحسين الكمي، وأهميته، وما قد يعنيه لمستقبل الحوسبة الذكية.

ما التحسين الكمي؟#

التحسين الكمي مجال متنامٍ ضمن الحوسبة الكمية، يركز على حل مسائل التحسين المعقدة باستخدام الخصائص الفريدة لميكانيكا الكم. ويستند إلى عقود من الأبحاث في علوم الحاسوب والفيزياء، جامعًا بينهما لمعالجة تحديات يصعب على الحوسبة التقليدية حلها.

ظهرت فكرة استخدام الأنظمة الكمية للتحسين لأول مرة في أواخر التسعينيات، حين بدأ الباحثون استكشاف كيفية تطبيق مبادئ كمية مثل التراكب (الحالات المتزامنة) والتشابك (الكيوبتات المترابطة) على حل المسائل.

تطورت هذه الفكرة بمرور الوقت إلى التحسين الكمي، حيث طوّر الباحثون خوارزميات تستخدم التأثيرات الكمية للبحث بكفاءة عن الحلول المثلى ضمن فضاءات مسائل كبيرة ومعقدة.

أساسيات التحسين الكمي#

يرتكز التحسين الكمي في جوهره على ثلاثة مكونات رئيسية: الخوارزميات الكمية، والكيوبتات، والدوائر الكمية. وتوفر الخوارزميات الكمية المنطق الذي يتيح استكشاف مجموعات كبيرة من الحلول الممكنة بكفاءة.

تعمل هذه الخوارزميات على الكيوبتات، وهي الوحدات الأساسية للمعلومات الكمية. وتختلف الكيوبتات عن البتات التقليدية (الوحدات الثنائية للبيانات في الحواسيب التقليدية، التي لا تحمل إلا القيمة 0 أو 1) لأنها تستطيع الوجود في حالة تراكب تمثل 0 و1 في الوقت نفسه.

الشكل 1. ما الكيوبت؟ (المصدر: ResearchGate)

تتيح هذه الخاصية للأنظمة الكمية تمثيل احتمالات كثيرة في آن واحد، ما يوسع إمكاناتها الحاسوبية بدرجة كبيرة. وفي الوقت نفسه، تربط الدارات الكمية الكيوبتات عبر تسلسلات من البوابات الكمية التي تتحكم في تدفق المعلومات وتفاعلها، لتوجيه النظام تدريجيًا نحو حل قريب من الأمثل.

التحسين التقليدي مقابل التحسين الكمي#

فيما يلي بعض الفروق الرئيسية بين نهجي التحسين التقليدي والكمي:

• أسلوب الحوسبة: تختبر الخوارزميات التقليدية حلًا واحدًا في كل مرة. أما الخوارزميات الكمية، فيمكنها مراعاة احتمالات كثيرة في آنٍ واحد بفضل الخصائص الفريدة للفيزياء الكمية.
• قدرة المعالجة: تستخدم الحواسيب التقليدية بتات تكون إما 0 أو 1. أما الحواسيب الكمية فتستخدم كيوبتات يمكن أن تكون 0 و1 في الوقت نفسه، ويمكن ربطها بعضها ببعض، ما يتيح لها معالجة مسائل أكثر تعقيدًا.
• حجم المسألة: يعمل التحسين التقليدي جيدًا مع المسائل الصغيرة أو المتوسطة التعقيد. أما التحسين الكمي، فيجري تطويره لمعالجة مسائل أكبر بكثير وأكثر تعقيدًا، يصعب على حواسيب اليوم حلها.
• النتائج: نتائج الحوسبة التقليدية قابلة للتنبؤ والتكرار. أما النتائج الكمية فتعتمد على الاحتمالات، ولذلك قد تعطي المهمة نفسها نتائج مختلفة قليلًا، تُحسّن عبر عمليات تشغيل متعددة للوصول إلى أفضل إجابة.

الشكل 2. التحسين التقليدي مقابل التحسين الكمي (الصورة من تصوير المؤلف)

كيفية عمل التحسين الكمي#

لنستعرض الآن كيفية عمل التحسين الكمي فعليًا. تبدأ العملية بتحديد مسألة من العالم الحقيقي وتحويلها إلى صيغة يستطيع الحاسوب الكمي معالجتها.

فيما يلي نظرة عامة على الخطوات الرئيسية للتحسين الكمي:

• الخطوة 1: صياغة المشكلة على هيئة مشهد طاقة: يمكن وصف كل مسألة تحسين، مثل تخطيط مسارات التوصيل أو ضبط نماذج التعلم الآلي، على هيئة مشهد لمستويات الطاقة. ولكل إجابة محتملة قيمة طاقة، والهدف هو العثور على أقل قيمة، التي تمثل الحل الأكثر كفاءة أو الحل الأمثل.
• الخطوة 2: ترميز المسألة في دائرة كمية: تُحوّل المسألة بعد ذلك إلى دائرة كمية. وتمثل الكيوبتات (البتات الكمية) البيانات هنا، ويمكنها استكشاف حلول كثيرة في آنٍ واحد عبر التراكب.
• الخطوة 3: توجيه النظام نحو أفضل حل: يعدّل الحاسوب الكمي الكيوبتات خطوة بخطوة، ما يسمح للنظام بالتحرك نحو الحل ذي الطاقة الأدنى، أي الحل الأفضل. وتُعرف هذه العملية بالتلدين الكمي أو بالتطور الأديباتي، بحسب الطريقة المستخدمة. وهي تساعد النظام على الاستقرار في الحالة الواعدة.
• الخطوة 4: قياس النتائج وتفسيرها: عند استقرار النظام، تُقاس الكيوبتات لإنتاج حل تقريبي. وغالبًا ما تُكرر عمليات التشغيل لقياس جودة الحل والتحقق من موثوقيته.
• الخطوة 5: الدمج مع الحوسبة التقليدية لتحسين النتائج: أخيرًا، تعود الحواسيب التقليدية إلى حلقة العمل. فهي تحلل نتائج عمليات التشغيل الكمية وتضبطها بدقة لتحسين الدقة. ويجمع هذا النهج الهجين، المستخدم في أساليب مثل خوارزمية التحسين التقريبي الكمي (QAOA) ومحلل القيم الذاتية الكمي التغايري (VQE)، بين نقاط قوة الأنظمة التقليدية والكمية لتحقيق أداء أفضل إجمالًا.

الخوارزميات الأساسية للتحسين الكمي#

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

التلدين الكمي#

التلدين الكمي تقنية تُستخدم لحل مسائل التحسين التي تتطلب إيجاد أفضل ترتيب أو مجموعة من بين احتمالات كثيرة. وتُسمى هذه المسائل مسائل التحسين التوافقي، ومنها جدولة عمليات التوصيل، وتوجيه المركبات، وتجميع نقاط البيانات المتشابهة.

استُلهمت هذه الطريقة من عملية فيزيائية تُعرف بالتلدين، حيث تُبرّد مادة ببطء للوصول إلى حالة مستقرة منخفضة الطاقة. وبطريقة مماثلة، يوجّه التلدين الكمي نظامًا كميًا تدريجيًا نحو أدنى حالة طاقة، التي تمثل أفضل حل ممكن للمسألة.

تتيح هذه العملية، القائمة على مبادئ الحوسبة الكمية الأديباتية، للنظام استكشاف حلول محتملة كثيرة والاستقرار على حل قريب من الأمثل. ولأن النتائج احتمالية، تُكرر العملية عادةً مرات عدة، وغالبًا ما تُستخدم الحوسبة التقليدية بعد ذلك لتحسين الإجابات.

يبشر التلدين الكمي بإمكانات لحل مسائل التحسين الواقعية 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 الكمي (المصدر: ResearchGate)

خوارزمية التحسين التقريبي الكمي (QAOA)#

تعالج خوارزمية التحسين التقريبي الكمي (QAOA) مسائل التحسين التوافقي أيضًا، ولكن بطريقة تختلف عن التلدين الكمي. فبدلًا من التطور التدريجي نحو أدنى حالة طاقة، تتناوب QAOA بين دالتين للطاقة تُعرفان بالهاملتونيين.

تمثل إحداهما دالة هدف المسألة وقيودها، بينما تساعد الأخرى النظام على استكشاف تشكيلات جديدة. ومن خلال التبديل بين هاتين المرحلتين، تتحرك الخوارزمية تدريجيًا نحو حل قريب من الأمثل.

تعمل QAOA على أنظمة هجينة تجمع بين الحوسبة الكمية والتقليدية، حيث يولّد الحاسوب الكمي حلولًا محتملة، ويعدّل الحاسوب التقليدي المعلمات بعد كل عملية تشغيل. ويجعل هذا النهج QAOA أداة مرنة لمهام تحسين متعددة، منها الجدولة والتوجيه ومسائل الرسوم البيانية مثل MaxCut (إيجاد أفضل طريقة لتقسيم شبكة إلى جزأين) وتغطية الرؤوس (اختيار أصغر مجموعة من العُقد تصل إلى كل حافة في شبكة). وعلى الرغم من استمرار الأبحاث، يُنظر إلى QAOA على نطاق واسع بوصفها خطوة واعدة نحو الجمع بين التحسين التقليدي والكمي.

محلل القيم الذاتية الكمي التغايري (VQE)#

ومن الخوارزميات المهمة الأخرى محلل القيم الذاتية الكمي التغايري (VQE). وعلى خلاف QAOA والتلدين الكمي، اللتين تعالجان مسائل التحسين التوافقي القائمة على خيارات منفصلة، يركز VQE على التحسين المستمر، حيث يمكن للمتغيرات أن تأخذ نطاقًا من القيم بدلًا من خيارات ثابتة.

يُستخدم هذا الأسلوب أساسًا لتقدير الحالة القاعية، أو أدنى طاقة ممكنة، لنظام كمي. وهذا يجعله مفيدًا بوجه خاص لدراسة سلوك الجزيئات والمواد في الفيزياء والكيمياء.

يستخدم VQE أيضًا نهجًا هجينًا يجمع بين الحوسبة الكمية والتقليدية. فيُعدّ الحاسوب الكمي حالات محتملة ويختبرها، بينما يحلل الحاسوب التقليدي النتائج ويعدّل المعلمات لتحسين الدقة.

نظرًا إلى حاجته إلى عدد أقل من الكيوبتات ودوائر أبسط، يعمل VQE بكفاءة على أجهزة NISQ (الكمية متوسطة الحجم المزعجة) الحالية. وهذه هي أجيال الحواسيب الكمية المتاحة اليوم، ذات العدد المحدود من الكيوبتات والمتأثرة بالضوضاء، لكنها تظل قوية بما يكفي للأبحاث والتجارب العملية المبكرة.

أصبح VQE أداة أساسية في الكيمياء الكمية وعلوم المواد وتحسين العمليات. فهو يساعد الباحثين على نمذجة الجزيئات ودراسة التفاعلات وإيجاد التشكيلات المستقرة.

الشكل 4. نظرة على محلل القيم الذاتية الكمي التغايري (المصدر: ResearchGate)

البرمجة شبه المحددة الكمية#

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

تهدف خوارزميات SDP الكمية إلى تسريع هذه الحسابات، ولا سيما عندما تتضمن البيانات متغيرات كثيرة أو فضاءات معقدة عالية الأبعاد. وهي تستخدم مبادئ الحوسبة الكمية لتحليل احتمالات متعددة في الوقت نفسه، ما قد يجعل حل المسائل واسعة النطاق أكثر كفاءة.

تُستكشف هذه الخوارزميات في مجالات مثل التعلم الآلي ومعالجة الإشارات وأنظمة التحكم، حيث يمكنها مساعدة النماذج على التعرّف على الأنماط وتحسين التنبؤات وإدارة الأنظمة المعقدة. وعلى الرغم من استمرار الأبحاث، تبشر SDP الكمية بتسريع مهام التحسين المتقدمة التي يصعب على الحواسيب التقليدية حلها.

تطبيقات التحسين الكمي في الذكاء الاصطناعي#

رغم أن التحسين الكمي لا يزال مجالًا نشطًا للبحث، فقد بدأ أيضًا يجد تطبيقات عملية في مجالات مثل الذكاء الاصطناعي والتعلم الآلي. ويستكشف الباحثون كيف يمكن للأساليب الكمية أن تساعد على حل المسائل المعقدة بكفاءة أكبر.

سنلقي نظرة فاحصة الآن على بعض الأمثلة وحالات الاستخدام الناشئة التي تبرز إمكاناته في سيناريوهات العالم الحقيقي.

تسريع ضبط نماذج التعلم الآلي#

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

تستخدم هذه المعالجات ذرات منفردة تثبتها أشعة الليزر لتعمل بوصفها كيوبتات. وهذا يتيح للباحثين بناء أنظمة كمية قابلة للتوسع ومستقرة لاختبار الخوارزميات المعقدة.

تطبيقات الصناعة وأبرز الأبحاث#

تجري شركات التقنية الرائدة تجارب على هذه الأفكار بالفعل. فعلى سبيل المثال، عرض فريق الأبحاث في Google مؤخرًا تفوقًا كميًا توليديًا، حيث تعلم معالج يضم 68 كيوبتًا توليد توزيعات معقدة، ما يشير إلى إمكانات لتدريب النماذج التوليدية.

وبالمثل، تعمل NVIDIA على مد جسور بين الحوسبة الكمية والذكاء الاصطناعي من خلال دمج الأبحاث الكمية في منظومة الحوسبة الفائقة وGPU الخاصة بها. فعلى سبيل المثال، أطلقت مركز أبحاث كمومية مُسرّعة (NVAQC) للجمع بين الأجهزة الكمية وأنظمة الذكاء الاصطناعي.

إضافةً إلى ذلك، طورت AWS سير عمل هجينًا يجمع بين الحوسبة الكمية والتقليدية على Amazon Braket، ويستخدم الدوائر الكمية إلى جانب التحسين التقليدي لضبط المعلمات بدقة لمهام تصنيف الصور.

التحسين في الخدمات اللوجستية والجدولة والتوجيه#

تُعد الخدمات اللوجستية والجدولة من أكثر المجالات العملية للتحسين الكمي. وتشمل هذه المهام تخطيط المسارات وتخصيص المركبات وتوزيع الموارد.

ومن الأمثلة الجيدة على ذلك جدولة شبكات الطاقة، حيث يتعين على المشغلين موازنة إمدادات الكهرباء والطلب عليها آنيًا، مع خفض التكلفة والحفاظ على الموثوقية. وقد استخدم الباحثون التحسين الكمي لتمثيل تحدي الجدولة هذا على هيئة مشهد طاقة أو هاملتوني.

والهدف هنا هو العثور على أدنى حالة طاقة، التي تمثل التشكيلة الأكثر كفاءة. فعلى سبيل المثال، اختُبرت محللات D-Wave الكمية لهذه المسائل، وأظهرت نتائج أسرع وأكثر مرونة مقارنةً بأساليب التحسين التقليدية.

تُدرس أفكار مماثلة حاليًا في مجالات مثل إدارة المحافظ الاستثمارية وتخطيط سلاسل الإمداد. ومع تحسن الأجهزة، قد تغير هذه الأساليب طريقة تخطيط أنظمة الذكاء الاصطناعي واتخاذها القرارات في ظل قيود العالم الحقيقي.

الذكاء الاصطناعي والحوسبة الكمية في اكتشاف الأدوية وتصميم المواد#

يحظى التحسين الكمي أيضًا باهتمام متزايد في المجالات التي يتوقف فيها فهم التفاعلات الجزيئية المعقدة ومشاهد الطاقة على أهمية كبيرة. فعلى سبيل المثال، يمثل العثور على أكثر البنى أو التشكيلات الجزيئية استقرارًا تحديًا في التحسين ضمن اكتشاف الأدوية وعلوم المواد.

تُدرس الخوارزميات الكمومية الهجينة، مثل VQE، لتسريع عمليات مثل التنبؤ ببنية البروتين والبحث عن التشكيلات الجزيئية. ويستكشف الباحثون أيضاً سبل الجمع بين الحوسبة الكمومية والذكاء الاصطناعي لتحسين كيفية تعلّم النماذج واستخراج السمات من البيانات.

مع استمرار تطور الأجهزة الكمية، قد تؤدي هذه الأساليب المدمجة إلى إنجازات كبيرة في الكيمياء وعلم الأحياء وأبحاث المواد، ما يتيح اكتشافًا أسرع ومحاكاة أدق على المستوى الجزيئي.

إيجابيات التحسين الكمي وسلبياته#

فيما يلي بعض مزايا استخدام التحسين الكمي:

• الخوارزميات المستوحاة من الكم: حتى قبل توفر الحواسيب الكمية واسعة النطاق، يستخدم الباحثون أساليب تحسين مستوحاة من الكم على الأنظمة التقليدية. ويمكن لهذه الأساليب أن تحقق أداءً أسرع في أنواع معينة من المسائل، وذلك بمحاكاتها للاستراتيجيات الكمية.
• تحسّن الأجهزة والحلّالات الهجينة: يتيح تطوير معالجات كمومية جديدة وحلّالات هجينة قائمة على السحابة الجمع بين الحوسبة الكمومية والكلاسيكية. وهذا يسمح بإجراء اختبارات وتجارب عملية اليوم، حتى باستخدام الأجهزة في مراحلها المبكرة.
• التقدم في الأبحاث التعاونية: تعمل IBM Quantum وQiskit ومجتمعات الأبحاث المفتوحة الأخرى بنشاط على تطوير الخوارزميات ومجموعات الأدوات والموارد التعليمية، ما يجعل التحسين الكمومي أكثر سهولة.

مع أن الأبحاث الكمومية تتقدم بسرعة، لا تزال هناك تحديات تحول دون اعتمادها على نطاق واسع. إليك بعض القيود الرئيسية التي ينبغي أخذها في الحسبان:

• قيود الأجهزة: لا تضم الحواسيب الكمية الحالية سوى عدد محدود من الكيوبتات، كما أنها شديدة الحساسية للضوضاء وفقدان الترابط والأخطاء التشغيلية. وتقلل هذه العوامل دقة النتائج وموثوقيتها، ما يصعّب توسيع نطاق الأنظمة لتناسب مهام التحسين المعقدة.
• قيود المحاكاة الكلاسيكية: تتطلب محاكاة الأنظمة الكمومية الكبيرة على الحواسيب الكلاسيكية موارد حوسبة هائلة، لأن الموارد المطلوبة تنمو أُسّيًا مع عدد البتات الكمومية. وهذا يجعل اختبار الخوارزميات الكمومية واسعة النطاق والتحقق من صحتها أمرًا صعبًا.
• غياب معايير قياس الأداء: لا تزال أبحاث التحسين الكمومي تفتقر إلى معايير متسقة لمقارنة أداء الخوارزميات والأجهزة. ورغم الجهود المبذولة لوضع أساليب تقييم موحدة، لا يوجد حتى الآن إطار عمل عالمي لقياس التحسينات في الأداء في ظروف العالم الحقيقي.

أبرز النقاط#

يعيد التحسين الكمومي تشكيل طريقة تفكيرنا في حل المشكلات في الذكاء الاصطناعي والعلوم والصناعة. ومن خلال الجمع بين قدرات الحوسبة الكمومية والأساليب الكلاسيكية، يجد الباحثون طرقًا جديدة للتعامل مع التعقيد وتسريع الاكتشافات. ومع تحسن الأجهزة ونضوج الخوارزميات، قد يصبح التحسين الكمومي محركًا رئيسيًا للجيل القادم من التقنيات الذكية.

اطلعوا على مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي. وانضموا إلى مجتمعنا النشط واكتشفوا الابتكارات في قطاعات مثل الذكاء الاصطناعي في قطاع التجزئة والذكاء الاصطناعي البصري في التصنيع. وللبدء باستخدام الرؤية الحاسوبية اليوم، اطلعوا على خيارات الترخيص.