🤖 AI

Quantum Hamiltonian Embedding of Images for Data Reuploading Classifiers

تقترح هذه الورقة نموذجاً لشبكة عصبية كمومية يدمج دوائر إعادة رفع البيانات مع التضمين الهاميلتوني الكمومي، مما يظهر أداءً فائقاً على الشبكات العصبية التلافيفية الكمومية في مجموعات بيانات الصور، ويضع ستة مبادئ تصميمية لتعلم الآلة الكمومي بناءً على الاستدلالات المتبعة في التعلم العميق الكلاسيكي.

المؤلفون الأصليون: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

نُشر 2026-07-28

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Peiyong Wang, Casey R. Myers, Lloyd C. L. Hollenberg, Udaya Parampalli

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

تخيل أنك تحاول تعليم روبوت التعرف على الصور، مثل التمييز بين قطة وكلب. لعقود من الزمن، استخدمنا الحواسيب "التقليدية" للقيام بذلك، حيث بنيناها مثل مصانع ضخمة ومعقدة تتدفق فيها البيانات عبر طبقات عديدة من المعالجة. ولكن الآن، يتساءل العلماء: ماذا لو استخدمنا القواعد الغريبة والسحرية لفيزياء الكم لبناء روبوت أكثر ذكاءً وسرعة؟ هذا المجال يسمى "تعلم الآلة الكمي". السؤال الكبير لم يعد يتعلق بالسرعة فحسب؛ بل يتعلق بكيفية تغذية الصور داخل حاسوب كمي. في العالم التقليدي، يمكنك ببساطة إلقاء صورة في الذاكرة. ولكن في عالم الكم، يتعين عليك ترجمة تلك الصورة إلى "لغة كمية" خاصة (تسمى التضمين - embedding) دون فقدان شكل الصورة أو معناها. إذا ترجمتها بشكل خاطئ، فسيصاب الروبوت بالارتباك. تتناول هذه الورقة البحثية مشكلة الترجمة هذه، متسائلة عما إذا كان ينبغي لنا مجرد نسخ ولصق حيل الحاسوب التقليدي في عالم الكم، أم ابتكار طريقة جديدة تحترم الطبيعة الفريدة للفيزياء الكمية.

قرر مؤلفو هذه الورقة، وهم فريق من جامعة ملبورن وجامعة نيو ساوث ويلز في سيدني، التوقف عن محاولة فرض حيل الحاسوب التقليدي على الآلات الكمية. بدلاً من ذلك، نظروا في كيفية عمل التعلم العميق التقليدي الناجح وحاولوا جلب تلك "الحدوس" (heuristics) إلى المجال الكمي. لقد بنوا نوعاً جديداً من المصنفات الكمية، وهو نموذج مصمم لفرز الصور، باستخدام مكونين رئيسيين: دائرة "إعادة رفع البيانات" (والتي تعني تغذية معلومات الصورة في الحاسوب الكمي عدة مرات، مثل قراءة كتاب مرتين لفهمه بشكل أفضل) و"تضمين هاميلتوني كمي" (Quantum Hamiltonian Embedding). فكر في التضمين الهاميلتوني كعدسة خاصة تحول الصورة بأكملها إلى "وصفة" كمية واحدة معقدة (مصفوفة)، بدلاً من مجرد تحويل كل بكسل إلى إعداد بسيط لمفتاح تحكم. هذا يسمح للحاسوب الكمي بمعالجة شكل الصورة بأكملها دفعة واحدة، بدلاً من تسطيحها إلى خط بيانات فوضوي.

عندما اختبروا نموذجهم الجديد على مجموعات بيانات صور شهيرة مثل MNIST (الأرقام المكتوبة بخط اليد) وFashionMNIST (قطع الملابس)، كانت النتائج قوية بشكل مفاجئ. في هذه المحاكاة، سحق نموذجهم الجديد النموذج الكمي الذي كان يُعتبر "المعيار الذهبي" سابقاً، والمعروف باسم الشبكة العصبية التلافيفية الكمية (QCNN). في اختبار مجموعة MNIST، حقق نموذجهم دقة تقترب من 90%، مقارنة بنحو 47% للنموذج المرجعي، مما يمثل تحسناً مطلقاً بأكثر من 40 نقطة مئوية. وحتى في مجموعة بيانات FashionMNIST الأكثر تعقيداً، حافظ نموذجهم على مكانته، متفوقاً على النموذج المرجعي بشكل كبير. لم يتوقف المؤلفون عند الأرقام فحسب؛ بل استخدموا هذه النتائج لاقتراح ست "قواعد للطريق" لتصميم نماذج تعلم الآلة الكمية المستقبلية. إنهم يقترحون أنه لا ينبغي لنا الهوس بجعل الأشياء أسرع في الوقت الحالي، بل يجب التركيز بدلاً من ذلك على الحفاظ على الشكل الطبيعي للبيانات (مثل الشبكة ثنائية الأبعاد للصورة)، والقيام بأقل قدر ممكن من "الطهي المسبق" على الحواسيب التقليدية، وتجنب الطرق التي قد تخدع النموذج عن طريق الخطأ بتحيزات سيئة. جوهرياً، هم يجادلون بأنه لكي نجعل الحواسيب الكمية جيدة في الذكاء الاصطناعي، نحتاج إلى التوقف عن محاولة جعلها تعمل مثل الحواسيب التقليدية، والبدء في تركها تعمل كحواسيب كمية، باستخدام الرياضيات الفريدة للفيزياء الكمية للقيام بالعمل الشاق.

ملخص تقني: التضمين الهاميلتوني الكمي للصور لنماذج التصنيف القائمة على إعادة رفع البيانات

بيان المشكلة
ركز تطبيق الحوسبة الكمية في تعلم الآلة (QML) تقليديًا على تحقيق ميزة كمية من خلال تسريع وقت التشغيل، غالبًا عبر "تكميم" الخوارزميات الكلاسيكية (مثل استخدام الجبر الخطي الكمي للعمليات الفرعية مثل qPCA). ومع ذلك، فإن النقاشات الأخيرة تشكك فيما إذا كان التسريع هو الهدف الأمثل لتعلم الآلة الكمي، وتقترح بدلاً من ذلك أن الخصائص الكمية الفريدة أو الاستدلالات (Heuristics) المستمدة من التعلم العميق الكلاسيكي يجب أن توجه تصميم النماذج. يبرز تحدٍ محدد في تصنيف الصور: يعتمد التعلم العميق الكلاسيكي بشدة على محلية المعلومات وثبات الإزاحة (مثل الشبكات العصبية الالتفافية CNNs ومحولات الرؤية Transformers). وتواجه مناهج تعلم الآلة الكمي الحالية للصور صعوبات في التعامل مع البيانات عالية الأبعاد، حيث تتطلب غالبًا معالجة مسبقة كلاسيكية (تقليل الأبعاد عبر PCA أو الشبكات سابقة التدريب) أو استخدام طرق تضمين (مثل تضمين الزاوية أو السعة) قد تؤدي إلى تحيزات غير مرغوب فيها أو تفشل في الحفاظ على البنية الجوهرية ثنائية الأبعاد لبيانات الصور.

المنهجية
يقترح المؤلفون نموذج تصنيف للشبكة العصبية الكمية (QNN) يدمج بنية دائرة إعادة رفع البيانات (Data Reuploading) مع طريقة التضمين الهاميلتوني للبيانات (Quantum Hamiltonian Embedding).

التضمين الهاميلتوني للصور: بدلاً من تسطيح الصور أو ترميز قيم البكسل كزوايا دوران (تضمين الزاوية)، يعامل النموذج مصفوفة الصورة الرمادية $M$ كعامل هيرميتي (Hermitian operator). يتم أولاً جعل الصورة "هيرميتية" ( $H_M = (M + M^T)/2$ ) ثم تُدمّن في الحالة الكمية عبر مؤثر التطور الموحد $W(t; M) = e^{-iH_M t/2}$ ، حيث $t$ هو بارامتر قابل للتدريب. يحافظ هذا النهج على البنية ثنائية الأبعاد للصورة ويطبق عدم خطية متعددة الحدود للمصفوفة على مستوى الصورة بالكامل، متجنبًا التحيز المرتبط بالدوال المثلثية الدورية الموجودة في تضمين الزاوية.
إعادة رفع البيانات: يستخدم النموذج دائرة متغيرة حيث يتم تكرار وحدة التضمين الموحدة ( $W$ ) وطبقة موحدة معلمة ( $V$ ) لـ $L$ من المرات. يتم إعداد الحالة كـ $|\phi(t, \vec{\omega}; M)\rangle = \prod_{i=1}^L [V(\omega_i)W(t_i; M)] |+\rangle^{\otimes n}$ . يحاكي هذا إعادة استخدام البيانات المدخلة في الشبكات العميقة الكلاسيكية، مما يسمح للنموذج بتعلم دوال معقدة من خلال التفاعلات المتكررة بين البيانات والبارامترات القابلة للتدريب.
البنية: تتكون الطبقات المعلمة $V$ من بوابات موحدة من نوع $SU(4)$ مرتبة في تخطيط جدار الطوب (أو $SU(N)$ لأعداد كيوبت أكبر). يتم إجراء التصنيف عن طريق قياس مؤثرات الإسقاط المقابلة لتسميات الفئات، ويتم تحسين التدريب عبر خسارة الإنتروبيا المتقاطعة (cross-entropy loss).

المساهمات الرئيسية

بناء النموذج: صاغ البحث نموذج تصنيف جديد لتعلم الآلة الكمي يجمع بين التضمين الهاميلتوني ونموذج إعادة رفع البيانات.
قياس الأداء: أظهر المؤلفون من خلال التجارب العددية أن هذا النموذج يتفوق بشكل كبير على نموذج الشبكة العصبية الالتفافية الكمية (QCNN) الأساسي في مهام تصنيف الصور.
مبادئ التصميم: بناءً على تصميم النموذج والنتائج التجريبية، يقترح المؤلفون ستة مبادئ توجيهية لتصميم نماذج تعلم الآلة الكمي المستقبلية، مع تحويل التركيز من مجرد التسريع إلى الاستدلالات الهيكلية وبنى البيانات الجوهرية.

النتائج التجريبية
تم تقييم النموذج على أربع مجموعات بيانات: صور الأشعة المقطعية (CT) من Kaggle، ومجموعة فرعية من مجموعة بيانات Sklearn Digits، ومجموعات فرعية من MNIST وFashionMNIST.

مكاسب الأداء: تفوق نموذج "HamEmb" المقترح باستمرار على نموذج QCNN المرجعي (الذي يستخدم تضمين السعة والمدخلات المسطحة).
- في مجموعة اختبار MNIST (8 فئات)، حقق نموذج HamEmb دقة بلغت 89.72% مقارنة بـ 47.03% لنموذج QCNN، بفارق يزيد عن 40%.
- في مجموعة اختبار FashionMNIST، حقق HamEmb دقة 77.77% مقابل 42.90% لـ QCNN.
- في مجموعة بيانات Sklearn Digits، وصل HamEmb إلى 94.40% مقابل 78.95% لـ QCNN.
المتانة: أظهر نموذج HamEmb أداءً متسقًا عبر 20 تهيئة عشوائية مختلفة للبارامترات (للمجموعات الأصغر) أو 5 تهيئات (للمجموعات الأكبر)، بينما كان أداء QCNN أكثر تباينًا وأقل بشكل عام.
ملاحظات القابلية للتوسع: رغم أداء النموذج الجيد، لاحظ المؤلفون انخفاضًا في الأداء عند الانتقال من MNIST إلى مجموعة FashionMNIST الأكثر تعقيدًا. ويعزون ذلك إلى التشفير العالمي للنموذج (معاملة الصورة بأكملها كهاميلتوني واحد)، والذي قد يفتقر إلى قدرات استخراج الميزات المحلية الدقيقة التي توفرها النوى الالتفافية الصغيرة أو النهج القائم على القطاعات (patches).

الأهمية والادعاءات
يزعم البحث أن مساهمته الأساسية ليست في سرعة التشغيل مقارنة بالطرق الكلاسيكية، بل في إثبات أن الاستدلالات والمعرفة التجريبية من التعلم العميق الكلاسيكي يمكن دمجها بنجاح في تعلم الآلة الكمي لتحسين الأداء.

ويجادل المؤلفون بأن:

التسريع ليس المقياس الأساسي: يجب أن تعطي تصميمات نماذج تعلم الآلة الكمي الأولوية لمقاييس الأداء (مثل الدقة) والمواءمة الهيكلية مع البيانات، بدلاً من البحث عن تسريع كمي.
بنية البيانات مهمة: الحفاظ على البنية الجوهرية للبيانات (مثل البنية المكانية ثنائية الأبعاد للصور) عبر التضمين الهاميلتوني يتفوق على الطرق التي تسطح البيانات أو تفرض تحيزات دورية.
تقليل المعالجة المسبقة الكلاسيكية: يتجنب النموذج نقل استخراج الميزات إلى دعامات كلاسيكية (مثل ResNet)، مما يسمح للدائرة الكمية بمعالجة البيانات الخام (أو المعالجة بحد أدنى) مباشرة.
مصادر عدم الخطية: يستفيد النموذج من عدم الخطية المتأصلة في التطور الزمني للهاميلتوني الكمي (عبر مفكوك تايلور للمؤثر الأسي) بدلاً من الاعتماد فقط على عدم الخطية المستحثة بالقياس أو دوال التنشيط الكلاسيكية.
تجنب التحيز غير المرغوب فيه: من خلال تجنب تضمين الزاوية، يتجنب النموذج التحيز نحو حدود القرار التي تشكلها الدوال الدورية.

في نهاية المطاف، يرى البحث أن هذه المبادئ الستة — بدءًا من "تقليل التركيز الأولي على التسريع" وصولًا إلى "الحذر من التحيز غير المرغوب فيه" — توفر إطارًا لتصميم شبكات عصبية كمية أكثر فعالية تحترم طبيعة البيانات وقيود الأجهزة الكمية الحالية.

أبحاث مشابهة