تقدم هذه الورقة إطار عمل قابلاً للتنفيذ تجريبياً للشبكات العصبية البصرية الكمومية ذات المتغيرات المستمرة، والتي تستخدم التحويلات الغاوسية وطرح الفوتونات متعدد الأنماط لتحقيق التقريب الشامل والتعميم القوي، مدعومة بمكتبة محاكاة جديدة عالية الأداء قادرة على إجراء حسابات دقيقة للحالات غير الغاوسية.
المؤلفون الأصليون:Todor Krasimirov-Ivanov, Alba Cervera-Lierta, Paolo Stornati, Federico Centrone
تخيل أنك تريد بناء آلة يمكنها تعلم الأنماط، تماماً كما يفعل الدماغ البشري. عادةً، نقوم ببناء هذه "الشبكات العصبية" باستخدام رقائق السيليكون والرياضيات. لكن هذه الورقة البحثية تقترح بناء واحدة باستخدام الضوء (الفوتونات) بدلاً من الكهرباء.
إليك شرح بسيط لكيفية قيامهم بذلك، باستخدام تشبيهات من الحياة اليومية:
١. المشكلة: الضوء "مهذب" للغاية
في عالم الضوء، هناك نوعان من السلوكيات:
الأشياء "المهذبة" (Gaussian): مثل المرايا، والعدسات، ومقسمات الأشعة. إذا سلطت الضوء من خلالها، يتغير شكل الضوء أو اتجاهه، لكنه يظل متوقعاً و"سلسلاً". الأمر يشبه خلط الطلاء؛ تحصل على لون جديد، لكن لا يحدث شيء مفاجئ.
الأشياء "الجامحة" (Non-Gaussian): لكي نصنع دماغاً ذكياً، نحتاج إلى أشياء تصبح "جامحة" أو غير متوقعة قليلاً. يُسمى هذا اللاخطية (nonlinearity). في تجارب الضوء التقليدية، يكون خلق هذا "الجموح" أمراً صعباً للغاية. وعادة ما يتطلب معدات غريبة وباهظة الثمن تعمل بصعوبة في المختبر (مثل "بوابة كير - Kerr gate"، وهي تشبه محاولة جعل شعاعين من الضوء يتحدثان مع بعضهما باستخدام مادة تكاد تكون غير موجودة).
٢. الحل: خدعة "الطرح"
وجد المؤلفون طريقة أسهل وأكثر ذكاءً لجعل الضوء "جامحاً" دون الحاجة إلى مواد غريبة. لقد استخدموا خدعة تسمى طرح الفوتونات (Photon Subtraction).
التشبيه: تخيل أن لديك نهراً هادئاً وسلساً جداً (شعاع الضوء). لكي تجعل النهر مثيراً للاهتمام، لا تحتاج إلى بناء سد ضخم أو شلال. كل ما تحتاه هو غرف كوب صغير من الماء من النهر.
السحر: من المدهش أن إزالة كمية صغيرة جداً من الماء (فوتون واحد) من نوع معين من أشعة الضوء (شعاع "مضغوط" - squeezed beam) يغير طبيعة الماء المتبقي بالكامل. هذا يخلق "نتوءاً" أو انحناءً في البيانات.
النتيجة: هذه "الغرفة" الصغيرة تعمل تماماً مثل دالة التنشيط (activation function) في دماغ الكمبيوتر. فهي تحول مسألة رياضية بسيطة ذات خط مستقيم إلى مسألة معقدة ومنحنية يمكنها حل الألغاز الصعبة.
٣. البنية: طبقة من الضوء
بنى الفريق طبقة واحدة من هذا "الدماغ الضوئي" (QONN) تعمل كالتالي:
المدخلات: تقوم بإدخال البيانات كشعاع من الضوء (مثل مؤشر الليزر).
الجزء "الخطي" (Affine): يمر الضوء عبر متاهة من المرايا، والمقسمات، والمضغوطات. هذا يعيد ترتيب البيانات بشكل خطي (مثل خلط أوراق اللعب).
جزء "العصبون" (Neuron): يصطدم الضوء بكاشف خاص يقوم بـ "طرح" فوتون. هذا هو العصبون. إنه يضيف "الجموح" الضروري (اللاخطية) إلى البيانات.
المخرجات: تقيس الضوء مرة أخرى لمعرفة الإجابة.
الاكتشاف الكبير: أثبتوا رياضياً أنك لست بحاجة إلى دماغ عميق متعدد الطبقات لحل أي مشكلة. طبقة واحدة فقط تحتوي على ما يكفي من عصبونات "غرف الفوتونات" هذه كافية لتعلم أي نمط. وهذا أمر بالغ الأهمية لأنه يعني أن الآلة يمكن أن تكون أبسط وأرخص في البناء.
٤. المحاكي: "الكرة البلورية" الخارقة
بناء هذه الآلات الضوئية أمر صعب، لذا كتب الفريق برنامج كمبيوتر فائق السرعة يسمى QuaNNTO لاختبارها أولاً.
الطريقة القديمة: عادةً، محاكاة الضوء على الكمبيوتر تشبه محاولة عد كل حبة رمل على الشاطئ. يجب عليك تخمين أين تتوقف حبات الرمل (القطع - cutoff)، مما يجعل المحاكاة غير دقيقة.
طريقتهم الجديدة: استخدموا خدعة رياضية خاصة (توسع Wick–Isserlis) تسمح لهم بحساب السلوك الدقيق للضوء دون الحاجة لعد حبات الرمل. يمكنهم محاكاة الاحتمالات اللانهائية للضو_ بشكل مثالي، مما يسمح لهم بتدريب "الدماغ الضوئي" على كمبيوتر خارق قبل بنائه فعلياً.
٥. ماذا اختبروا؟
قاموا بتشغيل "دماغهم الضوئي" عبر ثلاثة اختبارات لإثبات نجاحه:
ملاءمة المنحنيات (Curve Fitting): طلبوا من الآلة رسم خط متعرج ومعقد عبر مجموعة من النقاط الفوضوية. الآلة الضوئية القياسية (بدون "الغرفة") لم تستطع سوى رسم خط مستقيم. أما آلتهم، فقد رسمت الخط المتعرج المثالي.
التصنيف (الفرز): عرضوا على الآلة صوراً لـ "أهلة" و"دوائر" (نوعين من الأشكال المختلطة معاً). تعلمت الآلة رسم خط منحني لفصلها تماماً، وهو أمر لم تستطع الآلة ذات الخط المستقيم القيام به.
تخليق البوابات (Gate Synthesis): طلبوا من الآلة محاكاة سلوك أداة ضوئية نظرية معقدة جداً (بوابة الطور التكعيبي - cubic phase gate). تعلمت الآلة نسخ سلوكها بدقة شديدة بحيث يمكنها استبدال الحاجة إلى تلك الأداة الصعبة البناء.
الخلاصة
تظهر هذه الورقة البحثية أنه يمكننا بناء "دماغ" قوي وقابل للتدريب باستخدام الضوء، وذلك ببساطة عن طريق إزالة أجزاء صغيرة منه، بدلاً من محاولة إجبار الضوء على القيام بأشياء مستحيلة. إنها بمثابة مخطط لمستقبل يمكن فيه بناء الحواسيب الكمومية باستخدام قطع بصرية قياسية ومتوفرة، مما يجعل بناءها وتوسيع نطاقها أسهر بكثير.
ملخص تقني: الشبكات العصبية البصرية الكمومية ذات المتغيرات المستمرة المستوحاة من الأجهزة
بيان المشكلة
تواجه عملية تطوير الشبكات العصبية البصرية الكمومية (QONNs) ذات المتغيرات المستمرة (CV) مقايضة جوهرية بين الجدوى التجريبية والشمولية الحسابية. فالعمليات الغاوسية (الإزاحة، الضغط، مقسمات الحزم) هي عمليات يمكن الوصول إليها عبر الأجهزة وتحدث تحويلات تآلفية، لكنها تفتقر إلى اللاخطية المطلوبة للتقريب الشامل للدوال. ويتطلب تحقيق الشمولية عادةً موارد غير غاوسية. ومع ذلك، فإن المقترحات القياسية للبوابات غير الغاوسية، مثل بوابات كير (Kerr) أو بوابات الطور التكعيبي، تتطلب جهداً تجريبياً كبيراً بسبب ضعف السعة من الدرجة الثالثة أو الحاجة إلى تغذية أمامية عالية الأداء وحالات ملحقة مصممة خصيصاً. علاوة على ذلك، غالباً ما تعتمد المحاكاة الكلاسيكية للأنظمة ذات المتغيرات المستمرة على قطع فضاء هيلبرت (فضاء فوك) إلى عدد محدد، مما يؤدي إلى أخطاء تقريب ويحد من القدرة على التوسع.
المنهجية
يقترح المؤلفون بنية مبتكرة لشبكة عصبية كمومية بصرية (QONN) قابلة للتنفيذ تجريبياً، تستخدم طرح الفوتونات المُرصود (heralded photon subtraction) كمصدر أساسي للاخطية، متجنبة بذلك الحاجة إلى بوابات غير غاوسية حتمية صعبة المنال. تتكون البنية من طبقات:
ترميز المدخلات: يتم ترميز ناقلات بيانات المدخلات كحالات متماسكة حقيقية باستخدام مؤثرات الإزاحة.
المعالجة الغاوسية: يتم تطبيق مؤثر وحدوي غاوسي قابل للضبط (G^). يتم تفكيك هذا المؤثر عبر تفكيك بلوخ-ميسي (Bloch-Messiah decomposition) إلى سلسلة من أجهزة التداخل (U^1,U^2)، وضواغط أحادية النمط (S^)، وإزاحات (D^). تقوم هذه الطبقة بإجراء التحويل التآلفي على التربيعات البصرية.
التنشيط اللاخطي: يتم إجراء طرح الفوتونات متعدد الأنماط باستخدام مؤثر الإلغاء (a^). يتم تنفيذ ذلك فيزيائياً عن طريق سحب جزء ضئيل من نمط الإشارة إلى نمط فراغي ملحق عبر مقسم حزمة، والاشتراط بحدث كشف فوتون واحد (الرصد المُرصود/heralding).
القراءة (Readout): يتم الحصول على المخرج عبر قياس التماثل المنزلي (homodyne detection) لتربيع الموضع (⟨x^⟩).
الإطار النظري: تتمثل المساهمة المنهجية الرئيسية في اشتقاق تعبيرات تحليلية مغلقة لمخرجات الشبكة. من خلال الاستفضاء بـ تحويلات بوغوليوبوف (Bogoliubov transformations) وتوسيع ويك-إيسيرليس (Wick–Isserlis expansion) (المعمم للقيم المتوسطة غير الصفرية)، يعبر المؤلفون عن القيم المتوقعة للملاحظات على الحالات غير الغاوسية الناتجة بالكامل بدلالة العزوم الإحصائية الأولى والثانية (المتوسطات والتباينات) للحالة الغاوسية الأساسية. يتيح هذا النهج:
تجنب قطع فضاء فوك (Fock-space truncation)، مما يسمح بالمحاكاة الدقيقة في فضاءات هيلبرت لانهائية الأبعاد.
تمكين التدريب القائم على التدرج عبر المشتقات التحليلية.
رسم خريطة لعملية طرح الفوتونات إلى عائلة محددة من دوال تنشيط الحافة (ridge activation functions) القابلة للضبط.
أداة المحاكاة: للتحقق من صحة النظرية، طور المؤلفون مكتبة QuaNNTO، وهي مكتبة عالية الأداء بلغة بايثون مبنية على إطار عمل JAX. تستخدم المكتبة التعبيرات التحليلية المشتقة لحساب القيم المتوقعة الدقيقة وإجراء التحسين القائم على التدرج على سوبر كمبيوتر (MareNostrum 5).
المساهمات الرئيسية
دوال التنشيط التحليلية: يشتق البحث تعبيراً مغلقاً (المعادلة 17) يوضح أن طرح الفوتونات من الحالات المتماسكة المضغوطة يستحث دالة تنشيط غير متعددة الحدود وقابلة للضبط. يتم التحكم في شكل ومعدل (gain) هذه الدالة بواسطة معامل الضغط r.
التقريب الشامل في طبقة واحدة: يثبت المؤلفون أن شبكة QONN ذات الطبقة الواحدة مع قراءة خطية تحقق نظرية التقريب الشامل (UAT). يعمل كل نمط مطروح منه فوتون فعلياً كعصبون بصري كمومي. وعندما تكون الأنماط المتعددة مترابطة، تظهر حدود عرضية غير خطية إضافية، مما يعزز القدرة التعبيرية.
تصميم قابل للتنفيذ عبر الأجهزة: تعتمد البنية حصرياً على مكونات متاحة في التكنولوجيا الفوتونية الحالية: المذبذبات المحلية، مقسمات الحزم، مزاحات الطور، مضخمات البارامتر الضوئية (للضغط)، كواشف الفوتون الواحد، والكواشف الضوئية.
المحاكاة الكلاسيكية الدقيقة: يتيح إطار عمل "ويك-إيسيرليس" المحاكاة الكلاسيكية الدقيقة لشبكات QONN غير الغاوسية دون العبء الحسابي أو أخطاء التقريب المرتبطة بقطع فضاء فوك.
النتائج
تم اختبار الإطار المقترح على ثلاث مهام متميزة:
ملاءمة المنحنيات (Curve Fitting): نجحت شبكات QONN ذات الطبقة الواحدة مع طرح الفوتونات في تعلم دوال غير خطية معقدة (متعددات حدود، دوال أسية، دوال تذبذبية) من مجموعات بيانات مشوشة. في المقابل، اقتصرت الشبكات الغاوسية البحتة (بدون طرح) على الملاءمة الخطية. أدى زيادة عدد الأنماط المطروحة (العصبونات) إلى تقليل خطأ الملاءمة إلى الصفر، وهو ما يتفق مع نظرية التقريب الشامل.
التصنيف:
بيانات الهلال والدوائر (Moons and Circles): حققت شبكات QONN ذات الطبقة الواحدة دقة مثالية في مجموعة بيانات "الهلال" بعصبون واحد، وفي مجموعة بيانات "الدوائر" بثلاثة عصبونات (الأخيرة تطلبت نمطاً إضافياً لموازنة الاحتمالات). فشلت الشبكات الغاوسية البحتة في تعلم الحدود غير الخطية اللازمة لاتخاذ القرار.
MNIST: نجح النموذج في تصنيف مجموعة فرعية من مجموعة بيانات MNIST (الأرقام من 0 إلى 4) بعد تقليل الأبعاد عبر مشفر تلقائي (autoencoder). أشارت النتائج إلى أن إضافة العصبونات أو الطبقات يحسن قدرة التصنيف.
تخليق البوابة غير الغاوسية: تم تدريب QONN لمحاكاة عمل بوابة الطور التكعيبي (V^(γ)=eiγx^3/3) من خلال مطابقة العزوم الإحصائية العليا للحالات المتماسكة. أظهرت النتائج أن زيادة عدد العصبونات في طبقة واحدة أو إضافة طبقات يحسن دقة تخليق البوابة. ومن الملاحظ أن المؤلفين رصدوا علامات تلاشي التدرج (vanishing gradients) في التكوينات متعددة الطبقات الأكثر عمقاً مقارنة بالتكوينات العريضة ذات الطبقة الواحدة مع تساوي الموارد غير الغاوسية.
الأهمية والادعاءات
يزعم البحث أن هذه البنية توفر "نقطة مثالية" للتعلم الآلي الكمومي الفوتوني من خلال دمج القدرة التحليلية، والجدوى التجريبية، والقدرة التعبيرية العالية.
الكفاءة مقابل العمق: على عكس المقترحات السابقة التي تعتمد على دوائر عميقة ذات العديد من الأحداث غير الغاوسية (مما يؤدي إلى احتمالات نجاح منخفضة أسياً وتتطلب قطع فضاء فوك للمحاكاة)، يحقق هذا النهج تعبيرية عالية بتصميم ضحل ذي طبقة واحدة.
الدقة: من خلال تجنب قطوع فضاء فوك، يوفر المنهج نموذجاً مستمراً (continuous-variable ansatz) حقيقياً. ويجادل المؤلفون بأن هذا أمر بالغ الأهمية لقابلية التوسع، حيث تتناسب التكلفة الحسابية مع عدد الأنماط وعمليات الطرح بدلاً من قطع رقم الفوتونات المفروض اصطناعياً.
العمومية: بينما ينصب التركييز الأساسي على طرح الفوتونات، يشير المؤلفون إلى أن الصيغة الرياضية تعمم على أي مورد غير غاوسي يمكن التعبير عنه كمتعدد حدود في مؤثرات السلم (ladder operators) المؤثرة على حالة غاوسية، بما في ذلك التنفيذات الاضطرابية لتفاعلات كير الضعيفة.
يضع هذا العمل شبكة QONN ذات الطبقة الواحدة المقترحة كمرشح واعد لمهام التعلم الآلي الكمومي الفوتوني القابلة للتوسع، وكذلك لمعالجة المعلومات الكمومية، مثل هندسة الحالة الكمومية وتخليق البوابات غير الغاوسية، دون التكاليف التجريبية الباهظة للبوابات غير الغاوسية الحتمية.