‍ 🔴تنظیم دقیق کوانتومی مدل‌های زبانی از شبیه‌سازی‌های کلاسیک در مصرف انرژی پیشی می‌گیرد

❗در آزمایشی عملی بر روی سیستم Forte Enterprise شرکت #IonQ (یک کامپیوتر کوانتومی #یون‌_به‌دام‌افتاده با ۳۶ کیوبیت) و با همکاری QuantumBasel، محققان نشان دادند که یک مدل هیبرید کوانتومی-کلاسیک برای تنظیم دقیق (fine-tuning) مدل‌های زبانی، نه تنها از نظر دقت به روش‌های کلاسیک می‌رسد یا از آن‌ها بهتر عمل می‌کند، بلکه می‌تواند در مقیاس‌های بزرگ‌تر از نظر مصرف انرژی نیز برتری پیدا کند. 

🔹برخلاف مطالعات قبلی که مصرف انرژی را به‌صورت تخمینی محاسبه می‌کردند، این تیم به‌طور مستقیم توان الکتریکی مصرفی اجزای اصلی سیستم کوانتومی را در حین اجرای مدارهای کوانتومی اندازه‌گیری کردند و دریافتند که افزایش مصرف انرژی با تعداد کیوبیت‌ها تقریباً خطی است، در حالی که شبیه‌سازی همان مدار بر روی پردازنده گرافیکی (GPU) کلاسیک، رشد نمایی در مصرف انرژی نشان می‌دهد.

🔸با برون‌یابی از داده‌های اندازه‌گیری شده، نقطه‌ای حدود ۳۴ کیوبیت به‌عنوان نقطه‌ی سر به‌سر پیش‌بینی شده است که در آن، اجرای این بار کاری خاص بر روی #پردازنده_کوانتومی نسبت به شبیه‌سازی کلاسیک با روش state-vector simulation (شبیه‌سازی بردارحالت که فضای حالت را به‌طور کامل ذخیره می‌کند) انرژی کمتری مصرف خواهد کرد.

🔹البته محققان تأکید دارند که این پیش‌بینی وابسته به سخت‌افزار خاص، مدارهای استفاده‌شده و پیکربندی آزمایش است و تعمیم‌پذیری آن نیازمند آزمون‌های گسترده‌تری است، زیرا نتایج فعلی فقط به یک بار کاری (طبقه‌بندی متن)، یک پیکربندی سخت‌افزاری و صرفاً مرحلهٔ استنتاج (inference) کوانتومی محدود می‌شود و آموزش (training) خود مدل همچنان به‌صورت کلاسیک انجام شده است.

🔸در این پژوهش که به‌صورت پیش‌چاپ در arXiv منتشر شده، معماری هیبریدی به این صورت طراحی شده که مدل پایه، یک sentence transformer (تبدیل‌گر جملات) است که متن را به بردارهای عددی به نام embeddings(جاسازی‌ها) تبدیل می‌کند؛ اما به جای لایه‌ی طبقه‌بندی کلاسیک عصبی، یک مدار کوانتومی با پارامترهای قابل تنظیم جایگزین آن شده است تا بخش کوچکی از پردازش را بر عهده بگیرد، در حالی که #مدل_زبانی_بزرگ روی سخت‌افزار معمولی اجرا می‌شود.

🔹آزمایش‌ها روی وظیفه‌ی تحلیل احساسات با استفاده از دیتاست استاندارد Stanford Sentiment Treebank 2 (شامل نظرات مثبت و منفی فیلم) انجام شد و نتایج نشان داد که دقت طبقه‌بندی با افزایش تعداد کیوبیت‌ها بهبود می‌یابد. بهترین نتیجه‌ی سخت‌افزاری با به‌کارگیری تکنیک‌های کاهش خطا (error mitigation) به دقت ۹۱٫۲٪ دست یافت که به شبیه‌سازی بدون نویز (۹۲٫۰۶٪) نزدیک است و از روش‌های کلاسیک مرجع مانند رگرسیون لجستیک و support vector classifier (طبقه‌بند بردار پشتیبان) بهتر عمل می‌کند.

🔸با این حال، محققان اشاره می‌کنند که این ارزیابی فقط روی ۲۵۰ نمونه‌ی تست انجام شده و عدم قطعیت آماری قابل‌توجهی وجود دارد، اما روند صعودی دقت با افزایش کیوبیت‌ها، شواهد قوی‌تری فراهم می‌کند. جالب‌تر اینکه، توان مصرفی متوسط کامپیوتر کوانتومی در حین اجرا تقریباً ثابت ماند و افزایش کل انرژی مصرفی عمدتاً ناشی از زمان اجرای طولانی‌تر برای مدارهای بزرگ‌تر بود که نشان می‌دهد زمان اجرا، عامل اصلی مقیاس‌گذاری انرژی در این نوع مدارهاست.

🔹این مطالعه همچنین به روش شبیه‌سازی کلاسیک دیگری به نام matrix product states (MPS)(حالت‌های حاصل‌ضرب ماتریسی) اشاره می‌کند که برای بسیاری از مدارهای عملی، بسیار کارآمدتر از شبیه‌سازی بردارحالت است و محققان اذعان دارند که برای اثبات برتری انرژی کوانتوم در برابر این روش قوی‌تر، نیاز به بررسی‌های نظری و تجربی بیشتری است.

🔸در نهایت، تیم تحقیقاتی بر این نکته تأکید دارد که این کار یک اثبات مفهوم تجربی است و برای رسیدن به یک مزیت کوانتومی عمومی، باید تعادل بین دقت و مصرف انرژی در کاربردهای متنوع‌تر، و همچنین اندازه‌گیری انرژی مصرفی در مرحله‌ی آموزش مستقیم روی سخت‌افزار کوانتومی، در دستور کار آینده قرار گیرد.

📎لینک خبر
🟰🟰🟰🟰🟰🟰🟰🟰🟰🟰
🟢join: @QuantumTEQ
🌐Website
🔵LinkedIn

#اخبار #هوش_مصنوعی_کوانتومی #محاسبات_کوانتومی