Quantum convolutional neural networks for jet images classification
تُثبت هذه الورقة أن الشبكات العصبية التلافيفية الكمومية (QCNNs)، لا سيما عند تحسينها عبر تحليل التعبير البعدي لتقليل عدد المعلمات، يمكن أن تتفوق على الشبكات العصبية التلافيفية الكلاسيكية في تصنيف صور نفاثات الكوارك العلوي ضمن بيئة محاكاة خالية من الضجيج.
المؤلفون الأصليون:Hala Elhag, Tobias Hartung, Karl Jansen, Lento Nagano, Giorgio Menicagli Pirina, Alice Di Tucci
في مختبرات فيزياء الطاقة العالية حول العالم، يقوم العلماء بصدم الجسيمات ببعضها البعض بسرعة تقترب من سرعة الضوء للكشف عن اللبنات الأساسية للكون. وعندما تحدث هذه الاصطدامات، تنتج رشاشات من جسيمات جديدة تنطلق في مخاريط، تُعرف باسم "النفثات" (jets). ولفهم ما حدث في جزء من الثانية من التصادم، يجب على الفيزيائيين فرز هذه النفثات، والتمييز بين تلك الناتجة عن عمليات الخلفية الشائعة وتلك التي قد تشير إلى وجود جسيم ثقيل نادر مثل "الكوارك القمي" (top quark). غالبًا ما يتم تصور هذه المهمة كصورة ثنائية الأبعاد، حيث يمثل سطوع كل بقعة طاقة جسيم يصطدم بالكاشف. ولعقود من الزمن، استخدم الباحثون برامج حاسوبية كلاسيكية قوية، وتحديدًا نوعًا من الذكاء الاصطناعي يُسمى "الشبكة العصبية الالتفافية" (convolutional neural network)، لتحليل هذه الصور. هذه البرامج ممتازة في رصد الأنماط، ولكن مع زيادة تعقيد الصور وزيادة طاقة الجسيمات، تتطلب النماذج الكلاسيكية قدرًا هائلاً من القدرة الحوسبية وملايين الإعدادات القابلة للتعديل للحفاظ على دقتها.
وقد استكشف فريق من الباحثين الآن ما إذا كان مجال الحوسبة الكمومية الناشئ يمكن أن يقدم طريقة أكثر كفاءة لحل هذه المشكلة المحددة. فقد وجهوا اهتمامهم إلى نسخة كمومية من شبكة تحليل الصور، تُعرف باسم "الشبكة العصبية الالتفافية الكمومية". وبدلاً من استخدام البتات الحاسوبية القياسية، يستخدم هذا النظام "البتات الكمومية" (qubits)، والتي يمكن أن توجد في حالات متعددة في آن واحد لمعالجة المعلومات. قام الباحثون بأخذ مجموعة بيانات من صور النفثات، والتي تم تبسيطها إلى شبكة صغيرة من البكسلات، وغذوها في كل من الشبكة الكلاسيكية وعدة نسخ من الشبكة الكمومية. واختبروا طرقًا مختلفة لترجمة بيانات الصور إلى النظام الكمومي، وجربوا أساليب رياضية متنوعة لقياس مدى جودة تعلم النماذج، وعدلوا حجم المجموعات من الصور التي درستها النماذح في المرة الواحدة. والأهم من ذلك، استخدموا تقنية لتجريد الأجزاء غير الضرورية من الدائرة الكمومية، مما يضمن أن كل إعداد في الآلة يقوم بعمل مفيد.
كانت نتائج هذه المحاكاة واعدة. ففي البيئة المنضبطة لمحاكاة حاسوبية خالية من الضجيج، تفوقت الشبكات الكمومية غالبًا على نظيراتها الكلاسيكية، لا سيما عند استخدام تكوينات محددة مثل دائرة SO(4)، رغم أن الأداء كان مشابهًا أو أسوأ قليلاً في إعدادات أخرى مثل SU(4). وبينما تطلب النموذج الكلاسيكي عددًا أكبر من المعلمات (parameters) للوصول إلى مستوى مماثل من الدقة في هذه الاختبارات المحددة، حققت النماذج الكمومية دقة عالية بهيكل أكثر رشاقة. ووجد الباحثون أن أفضل أداء جاء من طرق محددة لتشفير البيانات واستخدام نوع معين من ترتيب البوابات الكمومية. وعندما طبقوا طريقة لإزالة الإعدادات الزائدة من الدائرة الكمومية، أصبح النموذج أكثر كفاءة، حيث احتفظ بدقته العالية مع استخدام عدد معلمات مماثل للنموذج الكلاسيكي اللازم للقيام بنفس المهمة.
من المهم ملاحظة أن هذه النتائج تأتي من عمليات محاكاة أجريت على حواسيب كلاسيكية تحاكي السلوك الكمومي، وليس من تجارب على أجهزة كمومية حقيقية. ويؤكد المؤلفون أن أجهزة الكمبيوتر الكمومية في العالم الحقيقي تعاني حاليًا من الضجيج والأخطاء التي قد تعطل هذه الحسابات الدقيقة. علاوة على ذلك، بينما قارنت الدراسة النموذج الكمومي بنموذج كلاسيكي ذي عدد قليل نسبيًا من المعلمات، تشير الورقة البحثية إلى أن الحالة المعتادة لتدريب نماذج CNN الكلاسيكية في هذا المجال تتضمن ملايين المعلمات. ومع ذلك، تشير الدراسة إلى أنه إذا تم تثبيت هذه الآلات الكمومية، فإن البنية المستخدمة هنا يمكن أن توفر أداة قوية لفيزياء الجسيمات. ومن خلال إثبات أن الشبكة الكمومية يمكنها تصنيف صور النفثات المعقدة بعدد أقل من الإعدادات مقارنة بنموذج كلاسيكي مماثل في هذا السياق المحدد، تشير هذه الدراسة إلى مستقبل قد تتعامل فيه الحواسيب الكمومية مع تحديات البيانات الضخمة في فيزياء الطاقة العالية بكفاءة أكبر من الحواسيب الفائقة اليوم، مما قد يكشف عن أسرار جديدة مخبأة داخل حطام اصطدامات الجسيمات.
بيان المشكلة تتناول الورقة البحثية تحدي تصنيف صور النفاثات في فيزياء الطاقات العالية (HEP)، وتحديداً التمييز بين نفاثات الكوارك العلوي (top-quark) ونفاثات خلفية الكروموديناميكا الكمومية (QCD). وبينما كانت الشبكات العصبية التلافيفية (CNNs) الكلاسيكية فعالة في عملية تحديد الكوارك العلوي (top-tagging)، إلا أنها غالباً ما تواجه صعوبة في تحقيق دقة عالية عند التعامل مع صور نفاثات الكوارك العلوي ذات الطاقة العالية جداً ("المعززة" أو boosted). في هذه السيناريوهات، تتداخل نواتج الاضمحلال (subjets) بشكل كبير، مما يجعل الصور متشابهة بصرياً مع نفاثات QCD، ويزيد من تعقيد استخراج الميزات. يمكن للبنى الكلاسيكية المتطورة، مثل ResNeXt، تحقيق دقة عالية (90-94%) ولكنها تتطلب ملايين المعلمات القابلة للتدريب، مما يؤدي إلى تكاليف حوسبة عالية واحتمالية حدوث فرط في التخصيص (overfitting). يهدف المؤلفون إلى استقصاء ما إذا كان تعلم الآلة الكمومي (QML)، وتحديداً الشبكات العصبية التلافيفية الكمومية (QCNNs)، يمكن أن يوفر بديلاً أكثر كفاءة في عدد المعلمات مع الحفاظ على دقة التصنيف أو تحسينها.
المنهجية تستخدم الدراسة مكتبة JetNet الخاصة بمجموعة بيانات TopTagging، والتي تحتوي على نفاثات الكوارك العلوي الهادرونية ونفاثات QCD. تتضمن المنهجية الخطوات التالية:
المعالجة المسبقة للبيانات:
تكوين الصورة: يتم تحويل مكونات النفاثة إلى صور ثنائية الأبعاد على مستوى η−ϕ. ويتم تطبيق عملية "جرام-شميت" (Gram-Schmidt) لتعامد المكونات لإنشاء نظام إحداثيات ثابت تجاه التعزيز (boost-invariant)، مما يضمن استقلالية الصور عن زخم الكوارك العلوي الأولي.
تقليل الأبعاد: يتم تطبيق تحليل المكونات الرئيسية (PCA) لتقليل دقة الصورة من 28×28 بكسل إلى 2×2 بكسل (4 ميزات مدخلة). وهذا يسمح باستخدام دائرة كمومية دنيا (4 كيوبتات) حيث يمثل كل كيوبت قيمة بكسل.
تقسيم مجموعة البيانات: يتم تقسيم مجموعة البيانات إلى 80% للتدريب و20% للاختبار.
بنى النماذج:
الأساس الكلاسيكي (CNN): تم بناء بنية CNN قياسية تتكون من طبقة Conv2d واحدة، وطبقة تجميع قصوى (MaxPooling)، وطبقة تسطيح (Flatten)، وطبقتين كثيفتين (Dense). تم ضبط عدد المعلمات القابلة للتدريب لتتطابق مع النماذج الكمومية (على سبيل المثال، 33 معلمة للمقارنة مع SO(4)).
النموذج الكمومي (QCNN): تتبع الـ QCNN هيكلاً يتكون من: الترميز (Encoding) ← التلافيف (Convolution) ← التجميع (Pooling) ← القياس (Measurement).
الترميزات (Encodings): تم اختبار أربعة مخططات ترميز: ترميز الضرب التنسوري (TPE/Angle)، والترميز الفعال للأجهزة (HEE) بطبقتين و طبقة واحدة، والترميز الصعب كلاسيكياً (CHE).
الدوائر التلافيفية: تم اختبار دائرتين وحدويتين ثنائيتي الكيوبت: SO(4) (تحويلات حقيقية، 6 معلمات قابلة للتدريب لكل كتلة) و SU(4) (شاملة، 15 معلمة قابلة للتدريب لكل كتلة).
التجميع (Pooling): تقوم دائرة التجميع بتقليل أبعاد النظام إلى النصف باستخدام بوابات CNOT وبوابات أحادية الكيوبت.
القياس (Measurement): المخرج النهائي هو قيمة التوقع لمؤثر Pauli-Z على الكيوبت المتبقي.
التحسين والتحليل:
دوال الخسارة: تم تقييم دوال Cross-entropy و MSE و Hinge loss.
تحليل التعبير البعدي (DEA): لتحسين الدائرة، تم تطبيق DEA على SU(4) QCNN. تحدد هذه التقنية وتزيل المعلمات الزائدة القابلة للتدريب مع الحفاظ على أقصى قدر من التعبيرية (القدرة على توليد حالات فيزيائية ذات صلة).
المحاكاة: يتم محاكاة جميع النماذج الكمومية على محاكي كلاسيكي خالٍ من الضوضاء (PennyLane)، بينما تستخدم النماذج الكلاسيكية TensorFlow.
المساهمات والنتائج الرئيسية تقدم الورقة مقارنة منهجية بين إعدادات QCNN و CNN تحت ظروف متطابقة (حجم الدفعة، دوال الخسارة، وعدد المعلمات):
التفوق في الأداء في نظام المعلمات المنخفضة: باستخدام محاكي خالٍ من الضوضاء، تفوقت نماذج QCNN عموماً على نظيراتها من CNN الكلاسيكية، خاصة عندما تكون الكتلة التلافيفية ذات عدد أقل من المعلمات. على سبيل المثال، حقق SO(4) QCNN بـ 30 معلمة دقة تصل إلى 99.88% (مع ترميز HEE1 وخسارة MSE)، بينما حققت CNN المقابلة (33 معلمة) حوالي 96.26%.
الحساسية للترميز وحجم الدفعة:
الترميزات: حقق كل من HEE1 (ترميز فعال للأجهزة بطبقة واحدة) و TPE أفضل النتائج. أما الترميزات الأكثر تعقيداً (HEE2, CHE) فقد تسببت في مشاكل في القدرة على التدريب، ويرجح أن يكون ذلك بسبب "الهضاب القاحلة" (barren plateaus).
أحجام الدفعة (Batch Sizes): أدت أحجام الدفعات الأصغر (16 و 32) إلى دقة أعلى وتقارب أسرع مقارنة بالدفعات الأكبر (64، 128)، حيث تميل الدقة إلى الانخفاض.
تحسين DEA: أدى تطبيق DEA على SU(4) QCNN إلى تقليل عدد المعلمات من 48 إلى 31 عن طريق إزالة البوابات الزائدة. حافظت الدائرة المحسنة (31 معلمة) على دقة عالية بلغت 99.89%، متفوقة على CNN ذات 33 معلمة ومحققة نتائج مماثلة لـ CNN ذات 91 معلمة.
التعقيد مقابل الدقة: بينما أدى زيادة تعقيد النموذج الكلاسيكي (عبر طبقة MLP) إلى تحسين دقته، إلا أن نموذج QCNN المحسن بواسطة DEA والذي يحتوي على 31 معلمة فقط لا يزال يتفوق على CNN ذات 73 معلمة ويماثل CNN ذات 91 معلمة.
الأهمية والادعاءات يضع المؤلفون هذا العمل كـ "إثبات مبدأ" يوضح إمكانية استخدام QCNNs بفعالية لمهام تحليل فيزياء الطاقات العالية (HEP) مثل تحديد الكوارك العلوي (top-tagging).
كفاءة المعلمات: تكمن الأهمية الأساسية في إثبات أن QCNNs يمكنها تحقيق دقة تصنيف متفوقة أو مماثلة لنظيراتها من CNN الكلاسيكية مع تقليل كبير في عدد المعلمات القابلة للتدريب. يشير هذا إلى مسار محتمل نحو نماذج أكثر كفاءة تكون أقل عرضة لفرط التخصيص وأقل تكلفة حوسبياً.
فائدة DEA: تثبت الدراسة أن DEA أداة حاسمة لتحسين الدوائر الكمومية، مما يسمح بإزالة الفائض دون التضحية بالتعبيرية، وهو أمر حيوي للتطبيق على أجهزة الكموم متوسطة الحجم ذات الضجيج (NISQ).
ادعاءات متواضعة بشأن التفوق الكمومي: تنص الورقة صراحة على أن هذه النتائج لا تشكل دليلاً على تفوق كمومي عملي. فالمحاكاة كانت خالية من الضوضرة، ونماذج QCNN لهذه المجموعة من البيانات هي نماذج يمكن محاكاتها كلاسيكياً. ويؤكد المؤلفون أن النتائج تقيم أداء النموذج الكمومي المقترح في ظل ظروف مثالية. كما يقرون بأن التنفيذ في العالم الحقيقي سيتطلب معالجة ضوضاء الأجهزة، وأخذ العينات محدود الشوط (finite-shot sampling)، وقيود عمق الدائرة.
الاتجاهات المستقبلية: يقترح المؤلفون إمكانية توسيع هذا النهج ليشمل صوراً ذات أبعاد أعلى (لتجنب PCA) إذا تمت محاكاة عدد أكبر من الكيوبتات، كما أن تقنيات مثل الشبكات العصبية الكمومية المتكافئة (EQNNs) يمكن أن تستفيد بشكل أكبر من التناظر في بيانات النفاثات. كما يشيرون إلى إمكانية تطبيق هذه النماذج على مجموعات البيانات الكمومية بطبيعتها في فيزياء الطاقات العالية (HEP).