Regression and Classification with Single-Qubit Quantum Neural Networks
تقدم هذه الورقة شبكة عصبية كمية أحادية الكيوبت (SQQNN) موفرة للموارد، تستخدم تقنية مبتكرة لرفع البيانات وطريقة تدريب مستوحاة من الانحدار متعدد الحدود لتحقيق أداء سريع وخالٍ من الأخطاء في كل من مهام الانحدار والتصنيف على الأجهزة الكمية المتاحة حالياً.
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 كمبيوتر التعرف على الأنماط، مثل رصد قطة في صورة أو التنبؤ بحالة الطقو غداً. لعقود من الزمن، استخدمنا الحواسيب "التقليدية"، وهي تفكر باستخدام البتات (bits) — مفاتيح صغيرة تكون إما 0 أو 1. ولكن هناك لاعب جديد في الساحة يسمى الحوسبة الكمومية. بدلاً من المفاتيح البسيطة، تستخدم الحواسيب الكمومية "الكيوبتات" (qubits). فكر في الكيوبت ليس كمفتاح ضوء، بل كعملة معدنية تدور. بينما هي تدور، لا تكون مجرد وجه أو ظهر؛ بل هي مزيج من كليهما في نفس الوقت. وهذا يسمح للحواسيب الكمومية باستكشاف احتمالات عديدة في آن واحد، مثل تجربة كل مفتاح في حلقة مفاتيح ضخمة دفعة واحدة بدلاً من تجربة مفتاح تلو الآخر.
السؤال الكبير الذي يطرحه العلماء هو: هل يمكننا استخدام هذه العملات المعدنية المتقلبة والدوارة لبناء "شبكات عصبية" أفضل؟ الشبكات العصبية هي البرمجيات الذكية التي تقف وراء الذكاء الاصطناعي والتي تتعلم من البيانات. عادةً ما تكون هذه الشبكات ضخمة وتستهلك الكثير من الطاقة. ولكن ماذا لو استطعنا بناء ذكاء اصطناائي فائق الكفاءة باستخدام عملة كمومية واحدة صغيرة فقط؟ هذا هو ملعب "التعلم الآلي الكمومي"، وهو مجال يلتقي فيه القواعد الغريبة للفيزياء الكمومية مع سحر مطابقة الأنماط الخاص بالذكاء الاصطناعي. الهدف هو إنشاء نماذج صغيرة وفعالة للغاية لدرجة أنها يمكن أن تعمل على الحواسيب الكمومية الهشة والبدائية التي نمتلكها الآن، بدلاً من الانتظار حتى ظهور آلات ضخمة ومثالية في المستقبل.
إليك الشبكة العصبية الكمومية أحادية الكيوبت (SQQNN)، وهي فكرة ذكية اقترحها الباحث لياندرو سي. سوزا وفريقه. لقد طرحوا سؤالاً بسيطاً: هل نحتاج إلى آلة كمومية ضخمة ومعقدة للتعلم، أم يمكننا إنجاز المهمة باستخدام كيوبت واحد صغير فقط؟ كانت إجابتهم "نعم، يمكننا ذلك" مدوية. لقد بنوا نموذجاً يعمل مثل عصبون كمومي واحد فائق الذكاء. وبدلاً من استخدام جيش ضخم من الكيوبتات، يستخدم نظامهم كيوبتًا واحدًا فقط لمعالجة المعلومات.
إليك كيف تعمل خدعتهم السحرية. في الكمبيوتر العادي، يأخذ "العصبون" أرقاماً، ويقوم ببعض العمليات الحسابية، ثم يخرج إجابة. في الـ SQQNN، يكون "العصبون" عبداً من كيوبت واحد. يقوم الباحثون بتغذية البيانات في هذا الكيوبت عن طريق تدويره في اتجاهات محددة (باستخدام ما يسمونه بوابات الدوران). الأمر يشبه إخبار العملة الدوارة: "دوري قليلاً أكثر إذا كان المدخل حاراً، ودوري أقل إذا كان بارداً". بعد أن يتم تدوير الكيوبت والتلاعب به بناءً على البيانات، يقوم الباحثون بقياسه. وبسبب القواعد الكمومية، لا تكون النتيجة مجرد نعم أو لا بسيطة، بل هي احتمالية — تخمين يميل نحو اتجاه أو آخر. ومن خلال تعديل "زوايا الدوران" (الأوزان)، تتعلم الشبكة كيفية تقديم تخمينات أفضل بمرور الوقت.
وجد الفريق أن هذا الإعداد الصغير أحادي الكيوبت قوي بشكل مدهش. لقد اختبروه في نوعين رئيسيين من المهام: الانحدار (التنبؤ برقم، مثل كمية الكهرباء التي سينتجها محطة طاقة) والتصنيف (فرز الأشياء إلى مجموعات، مثل التمييز بين ما إذا كان الورم حميداً أو خبيثاً).
بالنسبة لمهام التنبؤ بالأرقام، استخدموا طريقة قياسية تسمى "الاشتقاق المتدرج" (gradient descent). تخيل أنك تتجول في جبل ضبابي وأنت معصوب العينين. تشعر بالأرض تحت قدميك؛ إذا كانت تنحدر للأسفل، تأخذ خطوة في ذلك الاتجاه. وإذا كانت تنحدر للأعلى، تتراجع خطوة للخلف. يقوم الـ SQQNN بهذا رياضياً، حيث يشعر بـ "ميل" أخطائه ويعدل زواياه لينزلق نحو أقل خطأ ممكن. لقد اختبروا ذلك على ألغاز منطقية (مثل بوابات AND، OR، XOR التقليدية) وعلى بيانات من العالم الحقيقي مثل إنتاج محطات الطاقة. كانت النتائج مبهرة: تعلمت الشبكة أحادية الكيوبت هذه المهام بعدد قليل جداً من الخطوات وبأخطاء ضئيلة، وغالباً ما تفوقت على نماذج كمومية أقدم وأكثر تعقيداً تستخدم كيوبتين.
أما بالنسبة لمهام التصنيف، فقد ابتكروا حيلة تدريب جديدة تماماً. بدلاً من التجول في الجبل خطوة بخطوة، استخدموا طريقة "المربعات الصغرى الخطية القائمة على كثير الحدود". فكر في الأمر كامتلاك خريطة تظهر قاع الوادي بدقة في نظرة واحدة، بدلاً من التخبط في الضباب. من خلال تحويل المشكلة إلى نوع معين من الألغاز الرياضية، تمكنوا من حساب الإجابة المثالية في خطوة واحدة. جعل هذا التدريب سريعاً للغاية — غالباً ما يستغرق بضع ثوانٍ فقط على جهاز كمبيوتر محمول عادي. اختبروا ذلك على مجموعات بيانات شهيرة مثل بيانات سرطان الثدي في ويسكونسن (لتصنيف الخلايا السرطانية) وحتى أجزاء من مجموعة بيانات MNIST (للتعرف على الأرقام المكتوبة بخط اليد). وفي كثير من الحالات، حققت الشبكة أحادية الكيوبت دقة تقارب الكمال، حيث ميزت بين أزواج صعبة من الأرقام مثل "2 و3" أو "8 و9" بنجاح تجاوز 97%.
يلاحظ الباحثون بعناية أن هذه النتائج تأتي من محاكاة. لقد قاموا بتشغيل نموذجهم الكمومي على كمبيوتر كلاسيكي يتظاهر بأنه كمومي. لم يقوموا بتشغيله على آلة كمومية حقيقية بعد، لكنهم متفائلون. لماذا؟ لأن عمليات الكيوبت الواحد هي من أكثر الأشياء موثوقية التي يمكننا القيام بها على الأجهزة الكمومية الحالية. فهي أقل عرضة للتعطل أو الضجيج مقارنة بالأنظمة المعقدة متعددة الكيوبتات. وهذا يشير إلى أنه عندما يقومون بتشغيلها في النهاية على أجهزة حقيقية، فمن المفترض أن تعمل بشكل جيد.
باختاً، تشير هذه الورقة البحثية إلى أننا لسنا بحاجة للانتظار حتى ظهور حواسيب كمومية ضخمة وخالية من الأخطاء لنبدأ في القيام بذكاء اصطناعي مفيد. من خلال استخدام نهج "الأقل هو الأكثر" مع عملة كمومية واحدة مضبوطة جيداً، يمكننا بناء نماذج سريعة، دقيقة، وجاهزة للأجهزة الكمومية التي نمتلكها اليوم. إنها تذكير بأنه في بعض الأحيان، ليست الأداة الأكبر هي الأكثر قوة، بل الأداة التي تعرف بالضبط كيف تدور.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.