الحوسبة الكمّية للمطوّر المشغول – الجزء 1
مقدمة قصيرة إلى الحوسبة الكمّية تقارنها بأفكار مألوفة مثل وحدات GPU والمتجهات (vectorization) لتبيّن ما تستطيع فعله وما لا تستطيعه، وكيف يمكن معالجة مسائل التحسين المخصصة بالتقنية الكمّية.
الدافع
تقدّم الحواسيب الكمّية نوعًا خاصًا من التوازي. وبفضله يُفترض أن يكون الحاسوب الكمّي قادرًا على إجراء الحسابات أسرع من الحاسوب التقليدي. غير أن الاستفادة من ذلك تتطلب معالجة المسائل بطريقة مختلفة، بخوارزميات مصممة خصيصًا لذلك.
تعني كلمة «أسرع» هنا أن مسائل معيّنة يمكن حلها فعلًا بـتعقيد حسابي أفضل. وفي بعض الحالات تكون الفجوة هائلة: فالمسائل التي تستغرق زمنًا أُسّيًا على حاسوب تقليدي يمكن حلها في زمن كثير حدود على حاسوب كمّي. (ومن الأمثلة المعروفة خوارزمية Deutsch-Jozsa وخوارزمية Shor الشهيرة.)
لكن هذه مسائل خاصة تصادف أنها تناسب المنصة بشكل خاص. وبصفتي مطورًا، أريد أن أعرف ما إذا كان يمكن حل أنواع أعم من المسائل بهذه الطريقة أيضًا.
في هذه السلسلة القصيرة سأبيّن كيف نأخذ مسألة مخصصة إلى حاسوب كمّي ونبني حلًا لها.
الخطة
تنقسم السلسلة إلى أربعة أجزاء، يتناول كل منها الحاسوب الكمّي من منظور مختلف نوعًا ما:
- الجزء 1 – يعطي صورة عامة عن الحاسوب الكمّي بمقارنته بأفكار أكثر ألفة مثل GPU والمتجهات (vectorization).
- الجزء 2 – يعرض الكيوبتات (qubits) والمكونات الأخرى التي تقف وراء هذه الصورة العامة.
- الجزء 3 – يوضح كيف تبدو برمجة حاسوب كمّي فعلًا.
- الجزء 4 – يستعرض مثال كود عمليًا خطوة بخطوة.
الحاسوب الكمّي بنظرة سريعة
مسألة المثال
لكي يبقى النقاش ملموسًا، لنركّز على نوع واحد من المسائل – التحسين المتقطع. لدينا مجموعة من المدخلات ونريد إيجاد المدخل الذي يحقق أفضل معيار معيّن (مثل مسألة البائع المتجول – ويُرمز لها TSP – التي نبحث فيها عن أقصر مسار يمر بجميع عقد رسم بياني معيّن). وبصياغة أدق، لدينا دالة كلفة ونريد إيجاد قيمتها الصغرى.
يمكن غالبًا القيام بذلك بالطرق العددية، لكن فقط إذا حققت دالة الكلفة شروطًا معيّنة. وفي الحالة العامة، علينا عمليًا حساب النتائج لكل وسيط ممكن ومقارنتها.
قبل المتابعة، أودّ إدخال افتراضين إضافيين:
- لتبسيط الأمور، نفترض أن دالة الكلفة تأخذ وتُرجع أعدادًا صحيحة مفردة من مدى معيّن {0…N}. وبالنسبة إلى المسائل ذات المدخلات الأكثر تعقيدًا، يمكننا محاولة ترميزها كأعداد (في TSP مثلًا، بإعطاء كل مسار في الرسم البياني رقمه الفريد).

دالة كلفة بوسيط واحد
- سنحوّل مسألة التحسين إلى مسألة قرار. لنفترض أننا لا نحتاج بالضرورة إلى أفضل نتيجة على الإطلاق، بل إلى نتيجة جيدة بما يكفي – أي تحقق معايير محددة مسبقًا (في TSP قد يكفي أي مسار أقصر من حد معيّن). عندها يمكن استبدال دالة الكلفة بمسند (predicate) يُرجع 1 للمدخلات الجيدة و0 لكل المدخلات الأخرى.

مسند بوسيط واحد
بفضل الافتراض الثاني لم نعد بحاجة إلى مقارنة النتائج بين المدخلات، وهذا سيفيدنا عندما نحاول موازاة الحساب.
الآن، مع قليل من الحظ قد يعطينا استدعاء دالة واحد نتيجة جيدة. لكن إذا كانت النتائج الجيدة نادرة، فسيظل العدد المتوقع للاستدعاءات متناسبًا مع العدد الكلي للوسائط.
وتقييم دالة لكل وسيط ممكن قد يصبح غير عملي سريعًا – وهنا يمكن أن تساعد الحواسيب الكمّية.
لماذا نستخدم حاسوبًا كمّيًا؟
ستجبرنا مسألة التحسين الموصوفة أعلاه على المرور بكل نتيجة ممكنة لدالة الكلفة. وعلى حاسوب تقليدي يبلغ تعقيد هذه المهمة O(n)، حيث n هو العدد الكلي للوسائط الممكنة. ملاحظة: نعامل الدالة هنا كصندوق أسود، ويُعرَّف التعقيد بأنه متناسب مع عدد مرات استدعاء الدالة.
في الجزء 4 سنحل مسألة المثال هذه على حاسوب كمّي بخوارزمية بحث كمّية، تخفض تعقيد إيجاد الحل إلى O(√n). وهذا ليس تسريعًا أُسّيًا، لكنه رغم ذلك لافت، والنهج عام إلى حد كبير.
كيف يمكن ذلك؟
فما هو الحاسوب الكمّي بالضبط؟
ببساطة، الحاسوب الكمّي آلة تجري الحساب باستخدام تأثيرات كمّية. ولهذه التأثيرات خاصية غريبة – فهي أحيانًا تتصرف كأنها تفعل أشياء كثيرة في وقت واحد. ربما تتذكر مثلًا كيف يستكشف الإلكترون مسارات عدة في وقت واحد في تجربة الشق المزدوج. واستغلال هذه الخاصية بذكاء يتيح للحساب الكمّي أن يجري بالتوازي.
وهذا يشبه من بعض النواحي الحوسبة على GPU.
وحدة GPU كمعالج مساعد
يمكن لوحدة GPU أن تعمل كمعالج مساعد (coprocessor) للمهام الكثيفة الحوسبة بشكل خاص. فخطوط تعلّم الآلة، مثلًا، كثيرًا ما تتبع نمطًا تُحمَّل فيه أثقل أجزاء الحساب على GPU.

وحدة GPU كمعالج مساعد
أما المهام الأخف، مثل تحضير البيانات والمعالجة اللاحقة، فتعمل عادةً خارج GPU. ويمكن تخيّل إعداد مشابه تُسند فيه مهام محددة جيدًا إلى حاسوب كمّي، بينما يجري تحضير البيانات والمعالجة اللاحقة على حاسوب تقليدي.
لكن التشبيه يذهب أبعد من ذلك: فتبيّن أن الحساب على حاسوب كمّي يشبه المتجهات (vectorization).
المتجهات (Vectorization) على GPU

الحساب بالتوازي باستخدام المتجهات
المتجهات (Vectorization) تقنية للاستخدام الفعّال لوحدة GPU في موازاة الحسابات. ولتطبيقها يجب عادةً التعبير عن دالتنا بعمليات حسابية بسيطة وتجنب التفرع المتباعد.
يمكننا حينئذ تمرير متجه واحد يحمل كل الوسائط إلى الدالة، وتتولى GPU موازاة العمل. وبطبيعة الحال، فإن عدد العمليات التي تعمل بالتوازي محدود بعدد الأنوية المتاحة.
لكن من الأفضل أن يمكن التعبير عن الحساب كله كسلسلة من الخطوات. ففي كل خطوة تُعالج جميع عناصر متجه الإدخال بالتوازي، وتنتج كل خطوة متجهًا جديدًا. وبما أن كل عنصر يُعالج باستقلال، فإن متجه الإخراج له الطول نفسه. (كل عنصر في متجه الإخراج يقابل عنصرًا واحدًا في متجه الإدخال.)
ويبدو الحساب على حاسوب كمّي نوعًا ما على هذا النحو.
المتجهات (Vectorization) على حاسوب كمّي

الحساب بالتوازي على حاسوب كمّي
إنها الصورة نفسها كما سبق، باستثناء أن n – طول المتجه – يمكن أن يبلغ 2ᵏ، حيث k هو عدد الكيوبتات (نناقش الكيوبتات بتفصيل أكبر في الجزء 2).
وهنا أيضًا يجب أن تحقق الدالة شروطًا معيّنة. بعضها يشبه شروط المتجهات على GPU، وبعضها الآخر خاص بالحواسيب الكمّية.
والأهم أن كود الدالة يجب ألا يتفرع – فيجب أن يطبّق الحساب مجموعة العمليات نفسها على كل وسيط. ودالة كهذه تستطيع معالجة متجه وسائطها بالكامل بالتوازي. والفرق أن العدد الأقصى للوسائط على حاسوب كمّي يعتمد على عدد الكيوبتات، وكل كيوبت مضاف يضاعف هذا الحد. وهذا النمو أُسّي، فحتى مع عدد قليل من الكيوبتات يتجاوز سريعًا عدد أنوية GPU.
وفي الوقت نفسه، علينا أن نأخذ في الحسبان بعض القيود الإضافية الخاصة:
- مع المتجهات على GPU، كان يمكن أن تكون عناصر المتجه أي أعداد. أما هنا، ومع k كيوبت، فلا يمكن أن تكون عناصر المتجه إلا أعدادًا صحيحة ثنائية فريدة من k خانة على الأكثر.
- خلافًا للمتجهات على GPU، يمكن أن يتغير طول المتجه. وهذا ممكن لأن الحسابات للمدخلات المتوازية ليست دائمًا مستقلة بعضها عن بعض.
- وأخيرًا، يعطي الحساب على المتجه بأكمله عددًا واحدًا فقط.

الحساب بالتوازي مع عدد واحد كنتيجة
العودة إلى مثالنا
سنتناول لاحقًا بمزيد من التدقيق ما تعنيه هذه القيود ومن أين تنشأ. أما الآن فلنتحقق بسرعة مما إذا كانت تناسب مسألة مثالنا.
تقبل دالة الكلفة في مثالنا مدخلات من مجموعة محدودة من الأعداد الصحيحة {0…N}. ونحتاج إلى عدد كافٍ من الكيوبتات لتمثيل كل مدخل ممكن (أي N < 2ᵏ). وسنبني متجهًا يحمل كل المدخلات ونعتمد على قدرة الحاسوب الكمّي على تقييم الدالة عليها جميعًا بالتوازي. وسنحتاج أيضًا إلى بعض الكيوبتات الإضافية لحفظ النتائج الوسيطة للحساب.
مثال: k بت للمدخل مع بعض البتات الإضافية للنتائج الوسيطة
يُرفق بكل مدخل (عدد صحيح من k خانة ثنائية) بعض البتات الإضافية. وفي حالتنا يبقى جزء المدخل ثابتًا، بينما تتغير البتات الإضافية مع تقدم الحساب. ويشكّل الجزء الثابت والبتات الإضافية معًا عنصرًا واحدًا في المتجه.
ويمكن اعتبار كل عنصر زوجًا من مفتاح وقيمة، حيث الجزء الثابت هو المفتاح وما تبقى قيمة قابلة للتغيير. ولأن المفتاح فريد وموجود دائمًا، يبقى كل عنصر فريدًا طوال الحساب.
وفي النهاية سنجعل الحاسوب الكمّي يُرجع المدخل الوحيد الذي يحقق معيار البحث. ولفهم كيف، علينا أن نتعمق قليلًا – وهذا ما يلي.
الملخص
قدّم هذا الجزء من السلسلة نظرة عامة موجزة على الحاسوب الكمّي. فقد قارنته بأفكار أكثر ألفة مثل GPU والمتجهات، مشيرًا إلى أوجه التشابه والقيود الخاصة التي يفرضها الحاسوب الكمّي معًا. كما أوجزت كيف يمكن نقل مسألة تحسين مخصصة إلى حاسوب كمّي.
في الجزء 2 سأشرح من أين تأتي هذه القيود الخاصة، وهذا يعني الحديث عن الكيوبتات ولبنات البناء الأخرى للحاسوب الكمّي.
وفي الجزءين 3 و4 سأعود إلى مثال التحسين وأتفحصه بدقة أكبر، مع مثال كود عملي.