Integrated Encoding and Quantization to Enhance Quanvolutional Neural Networks

في عالم الحوسبة سريع التطور، تبرز جبهة جديدة حيث تلتقي قوانين ميكانيكا الكم بفن تعليم الآلات كيفية الرؤية. لعقود من الزمن، اعتمد الذكاء الاصطناعي على الحواسيب الكلاسيكية لمعالجة الصور، والتعرف على الأنماط في كل شيء، بدءاً من المسحات الطبية وصولاً إلى صور المجرات البعيدة. هذه الأنظمة، المعروفة بالشبكات العصبية، قوية، لكنها بدأت تصطدم بجدار من التعقيد. وهنا يأتي دور تعلم الآلة الكمي، وهو مجال يسعى لتسخير الخصائص الغريبة وغير البديهية للفيزياء الكمية لحل المشكلات التي تفوق قدرة الحواسيب الفائقة اليوم. إن التطبيق الأكثر واعدية في هذا المجال هو القدرة على معالجة الصور باستخدام الدوائر الكمية، والتي يمكنها نظرياً استخراج الميزات الخفية من البيانات التي تغفل عنها الطرق الكلاسيكية. ومع ذلك، لا تزال هناك عقبة كبيرة: الحواسيب الكمية الحالية هشة، ومليئة بالضجيج، وتمتلك عدداً قلي-لاً جداً من وحدات البناء، التي تسمى "الكيوبتات"، المتاحة لها. فهي لا تستطيع بعد التعامل مع الحسابات الضخمة والمعقدة المطلوبة لمعالجة صور عالية الجودة دون فقدان المعلومات أو الانهيار بسبب التداخل. وهذا يخلق حاجة ملحة لطرق أكثر ذكاءً لتغذية هذه الآلات الدقيقة بالبيانات، لضمان استخدام الموارد المحدودة المتاحة بأقصى كفاءة ممكنة.

لقد تصدى باحثون من جامعة أوديني وجامعة نابولي فيدريكو الثاني لهذا التحدي من خلال تطوير طريقة جديدة لإعداد ومعالجة بيانات الصور للحواسيب الكمية. يركز عملهم على نوع محدد من الشبكات العصبية الكمية المصممة للتعرف على الصور، تُعرف باسم "الشبكة العصبية الكمية الالتفافية" (quanvolutional neural network). وخلافاً للنماذج الكمية التقليدية التي تحاول تعلم وتعديل إعداداتها الداخلية بنفسها، يستخدم هذا النهج دوائر ثابتة غير قابلة للتدريب تعمل كمرشحات متطورة. حدد الفريق عقبتين رئيسيتين في العملية القياسية: الطريقة التي يتم بها تبسيط الصور قبل دخولها إلى الحاسوب الكمي، والطريقة الجامدة التي تُترجم بها البيانات إلى حالات كمية. وقد اقترحوا مسار عمل جديداً يدمج هذه الخطوات في عملية واحدة مرنة، مما يسمح للنظام بالتكيف مع القيود الصارمة للأجهزة الحالية مع الاحتفاظ بمزيد من تفاصيل الصورة الأصلية.

يعالج الابتكار الأول مشكلة تبسيط البيانات. لتشغيل صورة على حاسوب كمي، يجب تحويلها من نطاق مستمر من الألوان والظلال إلى تنسيق يمكن للآلة فهمه. تتضمن الطريقة القياسية تقليل الصورة إلى لونين فقط، الأسود والأبيض، وهي عملية تسمى "التكميم الثنائي". وبينما يوفر هذا قوة الحوسبة، فإنه يتخلص من قدر هائل من التفاصيل، تماماً مثل محاولة وصف لوحة باستخدام حفنة فقط من الألوان الأساسية. لقد قدم الباحثون نهجاً مرناً يسم يسمح بوجود مستويات أكثر بكثير من التدرج الرمادي، مما يحافظ على الفروق الدقيقة في الصورة الأصلية. ولجعل هذا الأمر عملياً، استخدموا تقنية تسمى "المذكرة" (memoization)، والتي تعمل كبنك ذاكرة ذكي. فبينما يعالج النظام الصورة، يقوم بتسجيل النتائج لكل نمط فريد يواجهه؛ وإذا ظهر نفس النمط مرة أخرى، يقوم النظام ببساطة باستدعاء الإجابة بدلاً من إعادة الحساب. سمحت لهم هذه الاستراتيجية باستخدام عدد أكبر بكثير من المستويات الرمادية، مما أبقى الصورة غنية بالتفاصيل، وفي الوقت نفسه قللت من عدد المرات التي يتعين فيها على الحاسوب الكمي إجراء حساباته بنسبة تزيد عن 95 بالمائة لبعض مجموعات البيانات.

أما الاختراق الثاني، وربما الأكثر أهمية، فيتعلق بكيفية تغذية البيانات فعلياً في الدائرة الكمية. في الطرق السابقة، كان حجم قطعة الصورة (image patch) التي يتم تحليلها يحدد عدد وحدات البناء الكمية المطلوبة. فإذا أراد باحث تحليل قطعة أكبر من الصورة، فإنه يحتاج إلى عدد أكبر من الكيوبتات بشكل متناسب، وهو ما يتجاوز بسرعة قدرة الآلات المتاحة. تكسر الطريقة الجديدة هذا الارتباط الجامد؛ فمن خلال دمج خطوات ترجمة البيانات والمعالجة في دائرة واحدة، يمكن للباحثين اختيار عدد الكيوبتات بشكل مستقل عن حجم قطعة الصورة. وهذا يعني أنه يمكنهم استخدام عدد صغير وملموس من الكيوبتات لمعالجة قطع صور أكبر بكثير، أو التوسع مع توفر أجهزة أفضل. يعمل النظام عن طريق استخدام سطوع البكسلات مباشرة للتحكم في دوران البوابات الكمية، مما يخلق جسراً مباشراً وفعالاً بين الصورة الكلاسيكية والمعالج الكمي.

لاختبار أفكارهم، طبق الفريق هذا النموذج الجديد على مشكلتين مختلفتين تماماً من الواقع. تضمنت الأولى تصنيف صور المجرات، والتمييز بين نوعين محددين من الهياكل الكونية. أما المهمة الثانية، فكانت تحديد أنواع مختلفة من الجسيمات دون الذرية بناءً على بصمات طاقتها في الكاشف. وقارنوا نموذجهم المتكامل الجديد ببرنامج حاسوبي كلاسيكي تقليدي وبالطريقة الكمية التقليدية التي تستخدم الترميز الدوراني. كانت النتائج واضحة: تفوق النموذج المتكامل الجديد باستمرار على النهج الكمي التقليدي عبر جميع أحجام قطع الصور المختبرة. وفي مهمة تصنيف المجرات، حقق دقة تزيد عن 80 بالمائة، متفوقاً على كل من النموذج الكمي القياسي والحاسوب الكلاسيكي. وفي مهمة كشف الجسيمات، تفوق أيضاً على الحاسوب الكلاسيكي، بينما أخفق النموذج الكمي التقليدي.

كما كشفت الدراسة أن الوظيفة الرياضية المحددة المستخدمة لترجمة سطوع البكسل إلى إعدادات كمية كانت ذات أهمية كبيرة. فقد أدت بعض الوظائف إلى نتائج مستقرة وعالية الأداء، بينما جعلت وظائف أخرى النظام يصبح مضطرباً وغير موثوق. وهذا يشير إلى أن "شخصية" الدائرة الكمية لا تقل أهمية عن هيكلها. علاوة على ذلك، وجد الباحثون أن القدرة على استكشاف احتمالات مختلفة في دائرتهم الجديدة، وهي خاصية تُعرف بـ "القابلية للتعبير" (expressibility)، يمكن ضبطها ببساطة عن طريق إضافة المزيد من الخطوات إلى الحساب. تتيح هذه المرونة للعلماء تصميم دوائر تتناسب تماماً مع القيود المحددة لأجهزتهم، وهي ميزة حاسمة في العصر الحالي من الأجهزة الكمية ذات المقياس المتوسط والمشوبة بالضجيج.

في نهاية المطاف، يثبت هذا العمل أننا لسنا بحاجة لانتظار حواسيب كمية مثالية وخالية من الأخطاء لرؤية فوائد معالجة الصور. فمن خلال إعادة التفكير في كيفية إعداد البيانات وكيفية تفاعلها مع الدائرة الكمية، يمكن بناء نماذج تكون أكثر دقة وأكثر كفاءة في استخدام الموارد. لقد أتاح الباحثون أكوادهم وطرقهم للجمهور، داعين الآخرين للبناء على هذا الأساس. وتشير نتائجهم إلى أنه مع الهندسة الصحيحة، يمكن لتعلم الآلة الكمي أن يتجاوز التجارب النظرية ويبدأ في حل المشكلات العملية في علم الفلك والفيزياء وما وراءهما، حتى باستخدام الآلات غير المثالية التي نمتلكها اليوم.