⚛️ quantum physics

Quantum Active Learning

تقترح هذه الورقة إطار عمل للتعلم الكمي النشط المدرك للتماثل يستفيد من الشبكات العصبية الكمية المتكافئة لتحقيق أداء في التصنيف يضاهي مجموعات البيانات المصنفة بالكامل باستخدام أقل من 7% من العينات، مع تحليل السيناريوهات التي يقل فيها أداء الطريقة عن أخذ العينات العشوائي.

المؤلفون الأصليون: Yongcheng Ding, Yue Ban, Mikel Sanz, José D. Martín-Guerrero, Xi Chen

نُشر 2026-02-17

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Yongcheng Ding, Yue Ban, Mikel Sanz, José D. Martín-Guerrero, Xi Chen

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

الصورة الكبيرة: مشكلة "الملصقات المكلفة"

تخيل أنك تحاول تعليم روبوت التعرف على أنواع مختلفة من الفاكهة. في الأيام الخوالي (التعلم الآلي التقليدي)، كنت ستعرض على الروبوت آلاف الصور للتفاح والموز والبرتقال، وسيتعين على إنسان أن يضع ملصقاً يدوياً على كل واحدة منها: "هذا تفاح"، "هذا موز".

المشكلة: وضع الملصقات عملية مكلفة؛ فهي تستغرق وقتاً وجهداً ومالاً وخبرة بشرية. ماذا لو استطعت تعليم الروبوت بنفس الكفاءة عبر عرض 10 صور فقط بدلاً من 10,000 صورة؟

الحل: يسمى هذا "التعلم النشط" (Active Learning). فبدلاً من أن يقوم الإنسان بتسمية كل شيء، ينظر الروبوت إلى كومة الفاكهة غير المصنفة ويقول: "مهلاً، أنا مرتبك حقاً بشأن هذه التفاحة الغريبة الشكل. أرجوك أيها الإنسان، أخبرني ما هي هذه؟" فيقوم الإنسان بوضع الملصق على تلك الواحدة فقط، فيتعلم الروبوت، ثم يكرر العملية. هذا يوفر كمية هائلة من الوقت والمال.

اللمسة الكمومية: "التعلم النشط الكمومي" (QAL)

الآن، تخيل أن الروبوت ليس مجرد حاسوب عادي، بل هو حاسوب كمومي. إنه فائق السرعة ويمكنه معالجة المعلومات بطرق لا تستطيع الحواسيب العادية القيام بها. لكنه لا يزال يعاني من نفس المشكلة: يحتاج إلى بشر لوضع الملصقات، وهذا أمر مكلف.

يقدم هذا البحث "التعلم النشط الكمومي" (Quantum Active Learning - QAL). وهي طريقة يستخدم فيها "شبكة عصبية كمومية" (دماغ مصنوع من البتات الكمومية) خبيراً بشرياً لتسأله: "أي تجربة كمومية محددة يجب أن أجريها تالياً لأتعلم أكبر قدر ممكن؟"

الوصفة السرية: "الأولويات الهندسية" (خدعة التماثل)

أدرك المؤلفون أن البيانات الكمومية غالباً ما تمتلك تماثلاً (Symmetry).

التشبيه: تخيل قطعة "دونات". إذا قمت بتدويرها بمقدار 180 درجة، ستظل تبدو كقطعة دونات. إذا قلبتها، ستظل دونات. "جوهر الدونات" لا يتغير.
التطبيق: في الفيزياء، تتصرف أشياء كثيرة مثل هذه الدونات. إذا قمت بتدوير حالة كمومية، فإن خصائصها الأساسية (مثل "ملصقها" أو صفتها) غالباً ما تظل كما هي.

قام الباحثون ببناء نوع خاص من الذكاء الاصطناعي الكمومي يسمى "الشبكة العصبية الكمومية المتكافئة" (Equivariant QNN). فكر في هذا كأنه روبوت مصمم ليفهم أن "تدوير الدونات لا يغير ماهيتها". ولأن الروبوت يعرف هذه القاعدة مسبقاً (هذا "الأولو الهندسي")، فهو ليس بحاجة لإضاعة الوقت في تعلمها من الصفر. يمكنه التعلم بشكل أسرع باستخدام أمثلة أقل.

التجارب: لعبتان

لاختبار فكرتهم، لعب المؤلفون لعبتين مع ذكائهم الاصطناعي الكمومي.

اللعبة الأولى: تقطيع الدونات (قصة النجاح)

الإعداد: تخيل قطعة دونات ضخمة تطفو في الفضاء. الهدف هو رسم خط لتقسيمها إلى نصفين. نقاط البيانات منتشرة حول شكل الدونات.
النتيجة: استخدم الذكاء الاصطناعي الكمومي، بدماغه "المدرك للتماثل"، وطلب ملصقات لـ 6 عينات فقط (أقل من 1% من إجمالي البيانات).
النتيجة النهائية: نجح في تقطيع الدونة بشكل مثالي، محققاً نفس الدقة التي كان سيحققها لو تم تغذيته بـ 100% من البيانات.
الدرس المستفاد: عندما تمتلك البيانات تماثلاً واضحاً (مثل الدونات)، يكون التعلم النشط الكمومي (QAL) بمثابة قوة خارقة؛ فهو يجد العينات الأكثر فائدة فوراً.

اللعبة الثانية: إكس أو (Tic-Tac-Toe) (قصة الفشل)

الإعداد: كان على الذكاء الاصطناعي تعلم من الفائز في لعبة "إكس أو" (هل فاز X، أم O، أم تعادل؟).
المشكلة: لعبة "إكس أو" معقدة. أنماط "الفوز" منتشرة بطرق غريبة وغير متصلة. إنها ليست دونة ناعمة؛ بل هي لغز فوضوي.
النتيجة: حاول الذككاء الاصطناعي استخدام استراتيجية "التماثل"، لكنه ارتبك. ظل يطلب أمثلة لفوز X وفوز O، لكنه تجاهل تماماً سيناريوهات "التعادل".
النتيجة النهائية: أدى الذكاء الاصطناعي أداءً أسوأ مما لو كان قد اختار البشر عينات عشوائية لتسميتها.
الدرس المستفاد: أحياناً، قد يؤدي كونك "ذكياً جداً بشأن التماثل" إلى نتائج عكسية. إذا كانت البيانات فوضوية وكان الذكاء الاصطناعي منحازاً لأنواع معينة من الأسئلة، فإنه سيفقد الرؤية الشاملة. في هذه الحالة، كان التخمين العشوائي أكثر أماناً.

الخلاصة: لماذا يهم هذا الأمر؟

توفير المال: في العالم الحقيقي، إجراء التجارب الكمومية مكلف للغاية (فكر في المختبرات فائقة التبريد والمعدات النادرة). يساعد QAL العلماء في معرفة بالضبط أي التجارب يجب إجراؤها للحصول على أكبر قدر من المعرفة، مما يوفر ملايين الدولارات.
ليس حلاً سحرياً لكل شيء: البحث يتسم بالأمانة. فهو يوضح أنه بينما يعد QAL مذهلاً للمشكلات "الشبيهة بالدونات" (البيانات الناعمة والمتماثلة)، فإنه يمكن أن يفشل في المشكلات "الشبيهة بإكس أو" (البيانات الفوضوية والمعقدة).
المستقبل: يقترح المؤلفون أنه في المستقبل، نحتاج لبناء روبوتات أذكى تعرف متى تستخدم "خدع التماثل" ومتى تكتفي بالاختيار العشوائي. كما يريدون تطبيق ذلك على تجارب فيزياء كمومية حقيقية لتسريع الاكتشاف العلمي.

ملخص في جملة واحدة

يعلمنا هذا البحث كيفية تدريب ذكاء اصطناعي كمومي فائق السرعة ليطرح الأسئلة الصحيحة على الخبراء البشر، مما يوفر الوقت والمال، لكنه يحذرنا من أنه في بعض الأحيان، حتى الروبوت الخارق الذكي يحتاج للتوقف عن الإفراط في التفكير والاكتفاء باختيار عينة عشوائية للتعلم منها.

فيما يلي ملخص تقني مفصل لورقة البحث "التعلم النشط الكمي" (Quantum Active Learning) من إعداد دิง وآخرون.

1. بيان المشكلة

يتطلب تدريب نماذج التعلم الآلي الكمي (QML)، وتحديداً الشبكات العصبية الكمية (QNNs)، عادةً مجموعات بيانات ضخمة وموسومة بالكامل. وفي سياق التجارب الكمية، يعد الحصول على الوسوم (Labels) أمراً مكلفاً، حيث يتطلب غالباً تدخل خبراء بشريين لإجراء تجارب إضافية مكثفة الموارد لتوصيف البيانات.

التحدي: كيفية تدريب نماذج QML عالية الأداء باستخدام عدد أدنى من العينات الموسومة (التعلم من أمثلة قليلة - Few-Shot Learning) لتقليل التكاليف التجريبية والحسابية.
الفجوة: بينما يعد التعلم النشط (Active Learning - AL) مفهوماً راسخاً في التعلم الآلي الكلاسيكي، فإن تطبيقه في المجال الكمي (التعلم النشط الكمي أو QAL) لا يزال في بداياته. علاوة على ذلك، تعاني الشبكات العصبية الكمية القياسية غالباً من مشكلة "الهضاب القاحلة" (Barren Plateaus - تلاشي التدرج) وتفتقر إلى الانحيازات الاستقرائية اللازمة للتعميم من بيانات شحيحة.

2. المنهجية

يقترح المؤلفون إطار عمل يجمع بين التعلم النشط الكمي (QAL) والتعلم الآلي الكمي الهندسي (GQML).

أ. إطار عمل التعلم النشط الكمي (QAL)

يتبع سير العمل حلقة تكرارية (كما هو موضح في الشكل 1 من الورقة):

التهيئة: البدء بمجموعة تدريب صغيرة موسومة ومجموعة كبيرة من البيانات الكمية (أو الكلاسيكية المشفرة) غير الموسومة.
تقدير عدم اليقين: يقوم نموذج التعلم الآلي الكمي ( $h_\theta$ ) بتقدير درجة عدم اليقين للعينات غير الموسومة.
اختيار الاستعلام: تقوم استراتيجية أخذ العينات باختيار العينة الأكثر "إفادة" من المجموعة.
الوسم: يقوم خبير (Annotator) بوسم العينة المختارة (عبر تجربة أو محاكاة).
التحديث: تُضاف العينة إلى مجموعة التدريب، ويتم تحديث معلمات النموذج.

استراتيجيات أخذ العينات التي تم تقييمها:

المعتمدة على النموذج: أخذ عينات عدم اليقين (USAMP)، الحد الأدنى من الثقة، أخذ عينات الهامش، أخذ عينات الإنتروبيا، وإنتروبيا التصويت (الاستعلام عن طريق لجنة - Query-By-Committee).
المعتمدة على البيانات: أخذ عينات مرجح بالكثافة (دمج تشابه/دقة العينة لضمان تمثيل العينات المختارة للتوزيع الأساسي).
الهجينة: مزيج من عدم اليقين والكثافة (أخذ عينات الدقة - Fidelity Sampling).

ب. التعلم الآلي الكمي الهندسي (GQML)

لمعالجة ندرة البيانات، يستخدم المؤلفون الشبكات العصبية الكمية المتكافئة (Equivariant QNNs).

المفهوم: بدلاً من استخدام شبكات QNN عامة، يتم تقييد البنية بمجموعة التماثل ( $G$ ) المتأصلة في البيانات.
الآلية: يفرض النموذج ثبات التسمية (أو التكافؤ). إذا كان تحويل البيانات $U \in G$ يحافظ على الخصائص الفيزيائية التي تحدد الوسم، فإنه يتم تصميم الـ QNN بحيث يكون $f(U\rho U^\dagger) = f(\rho)$ .
التنفيذ:
- البوابات المتكافئة: يتم بناؤها باستخدام صيغة التدوير (Twirling Formula) ( $T_R[G] = \frac{1}{|S|} \sum R(g)GR^\dagger(g)$ ) لضمان أن المولدات تتبادل مع تمثيل التماثل.
- الفائدة: هذا يقلل من مساحة البحث في مشهد التحسين، ويخفف من مشكلة الهضاب القاحلة، ويعمل كقوة استدلال استقرائية قوية، مما يسمح للنموذج بالتعميم من عينات أقل.

3. المساهمات الرئيسية

تقديم الـ QAL: صياغة مفهوم التعلم النشط الكمي ضمن نموذج الحوسبة الكمية القائم على البوابات.
دمج الـ GQML: إثبات أن الجمع بين QAL والشبكات العصبية الكمية المتكافئة يعزز بشكل كبير قدرات التعلم من أمثلة قليلة مقارنة بالشبكات العصبية الكمية القياسية.
التقييم المرجعي الشامل: تقديم تحليل صارم لأداء QAL عبر نوعين متميزين من المشكلات:
- التماثل المستمر ( $Z_2$ ): مشكلة "تقطيع الدونات" (Slicing-a-donut).
- التماثل المنفصل ( $D_4$ ): مشكلة "تيك تاك تو" (Tic-Tac-Toe).
تحليل أوضاع الفشل: تحديد وشرح السيناريوهات التي يفشل فيها QAL (تحديداً في التصنيف متعدد الحدود مع فضاءات قرار منفصلة) واقتراح أن استراتيجيات أخذ العينات القياسية يمكن أن تؤدي إلى انحياز.

4. النتائج

دراسة الحالة 1: تقطيع الدونات ( $Z_2$ Symmetry)

الإعداد: تصنيف ثنائي لمجموعة بيانات على شكل دونات في فضاء بارامترات ثنائي الأبعاد مع تماثل $Z_2$ ( $x \to -x$ ).
النماذج: تمت مقارنة EQNN-Z (الشبكة العصبية الكمية المتكافئة) مقابل HEA (المنهج المعتمد على الأجهزة) الذي يفتقر إلى الأولويات الهندسية.
النتائج:
- البيانات الكاملة: حققت EQNN-Z دقة تقارب 96% مع الوسوم الكاملة، بينما حققت HEA دقة 79%.
- أداء QAL: باستخدام أخذ عينات عدم اليقين (USAMP) مع EQNN-Z، حقق النموذج دقة 95% عن طريق وسم 6 عينات فقط (<1.2% من المجموعة).
- المقارنة: تفوق QAL مع EQNN-Z بشكل كبير على أخذ العينات العشوائي وعلى QAL مع النماذج غير المتكافئة.
- الاستنتاج: يعد QAL فعالاً للغاية عندما تتوافق بنية النموذج مع تماثل البيانات.

دراسة الحالة 2: تيك تاك تو ( $D_4$ Symmetry)

الإعداد: تصنيف متعدد الحدود (فوز X، فوز O، تعادل) لشبكات 3x3 مع تماثل $D_4$ (ثنائي السطح).
النتائج:
- نتيجة سلبية: فشل QAL (باستخدام أخذ عينات الإنتروبيا) في التفوق على أخذ العينات العشوائي.
- تحليل السبب: حدد المؤلفون أنه في مهام التصنيف متعدد الحدود عالية الأبعاد، يمكن أن تكون حدود القرار منفصلة. أظهر النموذج انحيازاً في أخذ العينات، حيث ركز بشدة على فئتي "X" و "O" مع إهمال عينات "التعادل". أدى هذا إلى مجموعة تدريب غير متوازنة.
- التحقق: عندما تم تبسيط المشكلة إلى تصنيف ثنائي (تجاهل "التعادل")، نجح QAL في التفوق على أخذ العينات العشوائي.
- الدلالة: استراتيجيات أخذ عينات عدم اليقين القياسية ليست حلاً سحرياً لجميع مهام QML؛ إذ يمكن أن تزيد من حدة عدم التوازن في الفئات في السيناريوهات المعقدة متعددة الفئات.

5. الأهمية والآفاق المستقبلية

تقليل التكلفة: يوفر QAL مساراً لتقليل تكاليف الوسم الباهظة المرتبطة بالتجارب الكمية من خلال طلب أقل من 7% من العينات في السيناريوهات المثالية.
رؤية معمارية: تسلط الدراسة الضوء على أن بنية النموذج (تحديداً الـ GQML المدرك للتماثل) لا تقل أهمية عن استراتيجية أخذ العينات. إن وجود نموذج متكافئ مصمم جيداً هو شرط مسبق لنجاح QAL.
القيود الاستراتيجية: تحذر الورقة من أنه بالنسبة للتصنيف متعدد الحدود، قد تؤدي استراتيجيات أخذ عينات عدم اليقين القياسية إلى استكشاف منحاز. يجب أن يدمج العمل المستقبلي استراتيجيات أخذ عينات مرجحة بالكثافة أو حافظة على التنوع.
التطبيق في العالم الحقيقي: يضع هذا الإطار حجر الأساس لتحسين التجارب الكمية في العالم الحقيقي، مثل توصيف الحالة الكمية (Quantum State Tomography) وتقدير خصائص المواد، حيث يكون الحصول على البيانات مكلفاً.

باخت-صار، تثبت الورقة أن التعلم النشط الكمي هو استراتيجية قابلة للتطبيق لتدريب التعلم الآلي الكمي بكفاءة، بشرما يتم تضمين الأولويات الهندسية (التماثل) في بنية النموذج واختيار استراتيجيات أخذ العينات بعناية لتجنب الانحياز في مهام التصنيف المعقدة.