كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيمصمم الشبكات العصبية
مفهوممتقدمتعلّم الآلة الكمّيالدرس 9

تحسين النماذج الكمّية وتدريبها

Optimization of Quantum Models

تدريب النماذج الكمّية مسألة تحسين غير محدبة تواجه الهضاب الجرداء والضجيج وكلفة اللقطات، وتُعالج باختيار دالة التكلفة والبنية والتهيئة والمُحسِّن بعناية.

Training quantum models is a non-convex optimization problem hampered by barren plateaus, noise and shot cost, addressed by careful choices of cost function, ansatz, initialization and optimizer.

تصغير دالة تكلفة $C(\theta)$ لدارة معلّمة مسألة تحسين غير محدبة (Non-convex) في الحالة العامة، تحوي قيمًا صغرى محلية ونقاط سرج. وتضاف إليها صعوبتان خاصتان بالأنظمة الكمّية.

الأولى الهضاب الجرداء (Barren Plateaus). بيّن ماكلين وزملاؤه (2018) أنه إذا كانت الدارة المعلّمة عشوائية وعميقة بما يكفي لتقارب تصميمًا ثنائيًا (2-design)، فإن متوسط مشتقة التكلفة صفر وتباينها يتناقص أسّيًا مع عدد الكيوبتات $n$. فيصبح المشهد مسطحًا تقريبًا في كل مكان، ويحتاج تقدير اتجاه الانحدار إلى عدد لقطات أسّي. وقد بيّنت أعمال لاحقة أن هذه الظاهرة تتعلق أيضًا بدالة التكلفة: التكاليف الشاملة (Global)، مثل احتمال الحصول على السلسلة الصفرية كاملة، أكثر عرضة لها من التكاليف المحلية (Local) المكوّنة من مرصودات على كيوبتات قليلة. كما أن الضجيج نفسه قد يسبب تسطحًا للمشهد.

الثانية الطبيعة العشوائية للتقدير: كل قيمة للتكلفة أو التدرج تُقدَّر من لقطات محدودة، فالتحسين عشوائي (Stochastic) بطبيعته، وتعمل المُحسِّنات بتقديرات ضجيجية.

استراتيجيات عملية مدروسة في الأدبيات: استخدام دارات ضحلة أو ذات بنية مستوحاة من المسألة؛ والتكاليف المحلية؛ والتهيئة بقيم صغيرة أو بقيم تجعل الدارة قريبة من الوحدة؛ والتدريب طبقة بعد طبقة. ومن جهة المُحسِّنات: الانحدار التدرجي مع إزاحة المعامل يعطي مشتقات غير متحيزة، وAdam يتكيّف مع اختلاف مقاييس المعاملات، وSPSA يوفّر في عدد التقييمات. كما تُستخدم طرائق لا تحتاج تدرجًا مثل COBYLA ونيلدر–ميد، وهي أيضًا تتأثر بالهضاب الجرداء لأن المشكلة في المشهد لا في طريقة التدرج.

تتيح تجربة «المشهد» (landscape) في المختبر رسم $C(\theta_1,\theta_2)$ على شبكة لدارة صغيرة، وتتيح تجربة «المُحسِّنات» مقارنة مسارات GD وAdam وSPSA على المسألة نفسها. مع عدد صغير من الكيوبتات لن تظهر الهضاب الجرداء بوضوح، لأنها ظاهرة تتعلق بالنمو مع $n$؛ وهذا تذكير بأن ما يُرى في محاكاة صغيرة لا يعمَّم تلقائيًا على أنظمة كبيرة.

الصيغة الرياضية

$$\mathbb{E}_\theta[\partial_k C]=0,\qquad \mathrm{Var}_\theta[\partial_k C]\in O\!\left(b^{-n}\right),\ b>1$$

مثال محلول

خطوة انحدار تدرجي على $C(\theta)=\cos\theta$ (نموذج VQE لكيوبت واحد) بمعدل تعلّم $\eta=0.1$ ومن $\theta_0=1$:

التدرج بإزاحة المعامل: $\tfrac12[\cos(1+\tfrac{\pi}{2})-\cos(1-\tfrac{\pi}{2})]=-\sin1\approx-0.8415$.

التحديث: $\theta_1=1-0.1\times(-0.8415)=1.0841$. التكلفة تنخفض من $\cos1\approx0.5403$ إلى $\cos1.0841\approx0.4677$.

تكرار الخطوات يقترب من $\theta=\pi$ حيث $C=-1$. أما قرب $\theta=0$ فالتدرج $-\sin\theta\approx0$ رغم أن $\theta=0$ قيمة عظمى: التدرج الصغير وحده لا يعني الوصول إلى حل جيد.

اختبر فهمك

يحتاج الاختبار إلى JavaScript.

موضوعات مرتبطة

المراجع

  1. Jarrod R. McClean; Sergio Boixo; Vadim N. Smelyanskiy; Ryan Babbush; Hartmut Neven (2018). Barren plateaus in quantum neural network training landscapes. Nature Communications 9:4812 doi:10.1038/s41467-018-07090-4
  2. M. Cerezo et al. (2021). Variational quantum algorithms. Nature Reviews Physics 3:625–644 doi:10.1038/s42254-021-00348-9
  3. J. C. Spall (1992). Multivariate stochastic approximation using a simultaneous perturbation gradient approximation. IEEE Trans. Automatic Control 37(3):332–341 doi:10.1109/9.119632