⚛️ quantum physics

Kaiwu-PyTorch-Plugin: Bridging Deep Learning and Photonic Quantum Computing for Energy-Based Models and Active Sample Selection

تقدم هذه الورقة Kaiwu-PyTorch-Plugin، وهو إطار عمل يدمج آلات إيسينج المتماسكة (Coherent Ising Machines) في PyTorch لتسريع النماذج القائمة على الطاقة من خلال أخذ العينات المعززة كمومياً والاختيار النشط للبيانات، محققاً أداءً هو الأفضل في فئته على مجموعات بيانات متنوعة.

المؤلفون الأصليون: Hongdong Zhu, Qi Gao, Yin Ma, Shaobo Chen, Haixu Liu, Fengao Wang, Tinglan Wang, Chang Wu, Kai Wen

نُشر 2026-02-24

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Hongdong Zhu, Qi Gao, Yin Ma, Shaobo Chen, Haixu Liu, Fengao Wang, Tinglan Wang, Chang Wu, Kai Wen

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 فهم العالم، سواء كان ذلك بقراءة رواية، أو تحليل خلية واحدة في جسدك، أو توليد نصوص جديدة. عادةً، نقوم بذلك باستخدام التعلم العميق (Deep Learning)، وهو يشبه طالباً فائق الذكاء يتعلم من خلال قراءة ملايين الأمثلة وتعديل دماغه (الشبكة العصبية) بناءً على أخطائه.

ومع ذلك، هناك نوع محدد من التعلم يسمى النماذج القائمة على الطاقة (Energy-Based Models) (مثل آلة بولتزمانما المحدودة - Restricted Boltzmann Machine)، وهي قوية للغاية في فهم الأنماط المعقدة ولكنها بطيئة وغير رشيقة بشكل مزعج على الحواسيب القياسية. الأمر يشبه محاولة إيجاد أدنى نقطة في سلسلة جبال شاسعة وضبابية عن طريق اتخاذ خطوة صغيرة واحدة في كل مرة؛ غالباً ما تتعثر في وادٍ صغير (نهاية صغرى محلية) ولا تصل أبداً إلى القاع الحقيقي للجبل.

تقدم هذه الورقة البحثية Kaiwu-PyTorch-Plugin (KPP)، وهي أداة جديدة تعمل كـ جسر بين هذا النوع من التعلم القوي والبطيء وبين تقنية مستقبلية تسمى الحوسبة الكمومية الفوتونية.

إليك شرح لكيفية عملها، باستخدام تشبيهات بسيطة:

1. المشكلة: "الجبل الضبابي"

في الذكاء الاصطناعي التقليدي، يشبه تدريب هذه النماذج المحددة وجود متسلق يحاول العثور على أدنى وادٍ في سلسلة جبال ضخمة وضبابية. على المتسلق (الكمبيوتر) أن يخمن الاتجاه الذي يؤدي للأسفل. كلما كبر الجبل (زيادة البيانات)، تاه المتسلق، أو استغرق وقتاً طويلاً، أو علق في منخفض صغير، ظناً منه أنه وصل إلى القاع. هذا يجعل التدريب بطيئاً وغير فعال.

2. الحل: "المصعد فائق السرعة" (CIM)

يستخدم المؤلفون آلة آيزينج المتماسكة (Coherent Ising Machine - CIM). لا تفكر في هذا كحاسوب عادي، بل كـ مصعد بصري ضخم فائق السرعة.

كيف يعمل: بدلاً من المتسلق الذي يمشي خطوة بخطوة، تستخدم CIM نبضات ضوئية تدور في حلقة من الألياف الضوئية. هذه النبضات الضوئية "تستقر" طبيعياً في حالة الطاقة الأدنى (قاع الوادي) بشكل شبه فوري، بفضل قوانين الفيزياء.
الميزة: على عكس الحواسيب الكمومية الأخرى التي تحتاج إلى التجميد لدرجة قريبة من الصفر المطلق (مثل خزانة تجميد عميقة)، تعمل هذه الآلة في درجة حرارة الغرفة. إنها مثل مصعد سحري يعمل بأشعة الشمس ويعمل في مكتب عادي، ومع ذلك يجد قاع الجبل في أجزاء من المليون من الثانية.

3. الإضافة (The Plugin): "المحول العالمي"

إن Kaiwu-PyTorch-Plugin هو البرنامج الذي يربط أداة الذكاء الاصطناعي الشهيرة PyTorch (التي يستخدمها معظم علماء البيانات) بهذا المصعد الكمومي.

التشبيه: تخيل أن PyTorch هو محرك سيارة قياسي. الإضافة هي محول خاص يسم يسمح لك باستبدال محرك البنزين القياسي بمحرك كمومي كهربائي عالي التقنية دون الحاجة لإعادة بناء السيارة بالكامل. إنها تسمح للذكاء الاصطناعي بـ "التحدث" إلى الأجهزة الكمومية بسلاسة.

4. ماذا يفعل هذا فعلياً؟

تظهر الورقة البحثية قيام الإضافة بثلاث مهام رئيسية:

تسريع "لعبة التخمين" (نمذجة بولتزمان - Boltzmann Sampling):
عندما يحتاج الذكاء الاصطناعي لتخمين كيف يبدو جزء مفقود من البيانات، فإنه يستغرق وقتاً طويلاً جداً عادةً. تستخدم الإضافة المصعد الكمومي لتوليد هذه التخمينات فوراً، مما يجعل عملية التعلم أسرع بكثير.
اختيار أفضل الطلاب (الاختيار النشط للعينات - Active Sample Selection):
تخيل معلماً لديه كومة من 10,000 ورقة واجب منزلي. بدلاً من تصحيحها جميعاً، يريد المعلم اختيار الـ 50 ورقة الأكثر إرباكاً للتركيز عليها. تستخدم الإضافة الحاسوب الكمومي لتحليل الكومة بأكملها فوراً واختيار العينات الأكثر "قيمة" للتعلم منها، مما يوفر الوقت ويحسن النتائج.
بناء عقول هجينة (QBM-VAE & Q-Diffusion):
تساعد الإضافة في بناء أنواع جديدة من بنيات الذكاء الاصطناعي:
- QBM-VAE: عقل يستخدم الفيزياء الكمومية لفهم "الفضاء الكامن" الخفي (المعنى العميق) للبيانات، مثل فهم الجوهر العاطفي لقصة أو الشفرة الجينية لخلية.
- Q-Diffusion: مولد نصوص لا يختار الكلمات واحدة تلو الأخرى فحسب (مثل الذكاء الاصطناعي القياسي)، بل يأخذ في الاعتبار "طاقة" الجملة بأكملها لضمان منطقية السياق، مما يقلل من الهراء ويحسن التماسك.

5. النتائج: الفوز في السباق

اختبر المؤلفون هذا على عالمين مختلفين تماماً:

البيولوجيا (بيانات الخلية الواحدة): قاموا بتحليل بيانات معقدة من خلايا بشرية. تفوق نموذجهم المدعوم كمومياً على جميع الطرق الموجودة في تنظيم وفهم البيانات، مثل فرز مكتبة فوضوية تضم ملايين الكتب بشكل مثالي في ثوانٍ.
اللغة (OpenWebText): اختبروه على توليد النصوص. أنتج نموذجهم نصوصاً ذات "ارتباك" (Perplexity) أقل (مقياس للارتباك) من النماذج رفيعة المستوى، مما يعني أن الذكاء الاصطناعي كان أقل ارتباكاً وأكثر تماسكاً.

الخلاصة

تقدم هذه الورقة البحثية مجموعة أدوات جاهزة للاستخدام (Plug-and-play) تسمح لمطوري الذكاء الاصطناعي العاديين بالاستفادة من قوة الحواسيب الكمومية الفوتونية التي تعمل في درجة حرارة الغرفة. إنها تحل مشكلة "البطء" لنوع معين وقوي من الذكاء الاصطناعي، مما يسمح له بالتعلم بشكل أسرع، واختيار بيانات أفضل، وتوليد نتائج عالية الجودة في مجالات تتراوح من البيولوجيا إلى الكتابة.

باختصار: إنه يشبه منح ذكاء اصطناعي قياسي ترقية "قوى خارقة" تسمح له برؤية سلسلة الجبال بأكملية دفعة واحدة وإيجاد المسار المثالي فوراً، وكل ذلك أثناء العمل على جهاز يناسب غرفة خوادم عادية.

1. بيان المشكلة

تعالج الورقة البحثية عقبتين حرجتين في التعلم العميق (DL) الحديث:

عدم الكفاءة في النماذج القائمة على الطاقة (EBMs): تعتمد نماذج مثل آلات بولتزمان المقيدة (RBMs) وآلات بولتزمان (BMs) على أخذ عينات جيبس (Gibbs sampling) لتقدير التدرجات من تضاريس الطاقة عالية الأبعاد. ومع زيادة حجم الشبكة، يصبح أخذ عينات جيبس الكلاسيكي مكلفاً حوسبياً، وعرضة للوقوع في النهايات الصغرى المحلية، وبطيء التقارب.
تكرار البيانات والسمية: مع انفجار أحجام مجموعات البيانات، غالباً ما تحتوي بيانات التدريب على تكرار كبير وسمية، مما يقلل من كسب المعلومات لكل عينة.
القيود العتادية للحلول الكمومية الحالية: تواجه المحاولات السابقة لدمج الحوسبة الكمومية مع التعلم العميق (مثل آلات التلدين فائقة التوصيل من D-Wave) تحديات مثل الحاج الحاجة إلى درجات حرارة قريبة من الصفر المطلق، وتوبولوجيا الاتصال المتفرقة (التي تحد من الطبقات كاملة الاتصال)، والتركيز الضيق فقط على تسريع التدريب بدلاً من التكامل المعماري الأوسع.

2. المنهجية

يقدم المؤلفون Kaiwu-PyTorch-Plugin (KPP)، وهو امتداد لـ PyTorch سحابي الأصل مصمم لدمج آلات إيسينج المتماسكة (CIM) في سير عمل التعلم العميق.

أ. الأساس العتادي: آلة إيسينج المتماسكة (CIM)

على عكس الحواسيب الكمومية ذات البوابات المنطقية أو آلات التلدين فائقة التوصيل، يستخدم KPP آلة CIM فوتونية.

الآلية: تستخدم نبضات ليزر تدور في حلقة ليفية بطول 1 كم. تمثل طور كل نبضة (0 أو $\pi$ ) متغيراً ثنائياً.
العملية: تقوم آلية القياس والتغذية الراجعة بقراءة حالات النبض عبر كواشف ضوئية، ومعالجة التفاعلات عبر FPGA بناءً على مصفوفة إيسينج، ثم إعادة حقن إشارات التغذية الراجعة.
الميزة: يتطور النظام طبيعياً نحو حالة منخفضة الطاقة (كسر التناظر التلقائي) عند درجة حرارة الغرفة، مما يوفر تسريعاً بمستوى الميكروثانية للمشكلات الصعبة (NP-hard) واتصالاً من النوع (all-to-all) بين المتغيرات، وهو أمر بالغ الأهمية للطبقات العصبية كاملة الاتصال.

ب. البنية البرمجية والمكونات الرئيسية

يعمل KPP على جسر الفجوة بين PyTorch وCIM من خلال ثلاث ركائز أساسية:

الاختيار النشط للعينات (التعلم النشط):
- بدلاً من الدفعات العشوائية، يصيغ KPP اختيار العينات كمسألة تحسين ثنائي تربيعي غير مقيد (QUBO).
- الهدف: تقليل $H(x) = \sum h_i x_i + \sum J_{ij} x_i x_j$ .
- المنطق: تمثل المعاملات الخطية ( $h_i$ ) عدم اليقين في العينة (مثل التباين العالي)، بينما تفرض الارتباطات التربيعية ( $J_{ij}$ ) تنوع الدفعة. تحل CIM هذه المسألة لاختيار الدفعة الأكثر إفادة للتدريب.
أخذ العينات الكمومي لنماذج EBM:
- AbstractBoltzmannMachine: فئة أساسية تفصل تعريفات الطاقة عن آليات أخذ العينات.
- محسن CIM: يحول أوزان ونماذج النموذج إلى مصفوفة إيسينج ( $J$ ) ومجال خارجي ( $h$ ). تقوم CIM بأخذ عينات فيزيائية لإيجال تكوينات "spin" منخفضة الطاقة، مما يولد عينات بولتزمان عالية الجودة لتقدير إحصاءات الطور السالب المطلوبة لتحديثات التدرج.
- النهج الهجين: يستخدم النظام تصفية Top-K وإزالة التكرار من 2,000 عملية تحسين للتخفيف من الضوضاء.
البنى الهجينة:
- QBM-VAE (المشفر التلقائي التبايني لآلة بولتزمان الكمومية): يستبدل التوزيع الغاوسي القياسي في الفضاء الكامن بتوزيع بولتزمان منفصل. وللتعامل مع عدم القابلية للاشتقاق، يستخدم خدعة إعادة المعلمة (reparameterization trick) (الاسترخاء المستمر) لربط المتغيرات الكامنة الثنائية باحتمالات قابلة للاشتقاق، مما يسمح بالانتشار العكسي (backpropagation) مع نقل عبء دالة التجزئة غير القابلة للحل ( $\log Z_\theta$ ) إلى CIM.
- Q-Diffusion: يدمج QBM في نماذج الانتشار القائمة على اللغة الكبيرة (LLMs). يعالج محدودية استقلال الرموز (token-wise independence) في الانتشار المنفصل من خلال نمذجة توزيع إزالة الضجيج كتوزيع مشترك موجه بواسطة دالة طاقة QBM. ويستخدم تقدير التباين الضوضائي (NCE) لتجاوز حساب دالة التجزئة العالمية أثناء التدريب.

3. المساهمات الرئيسية

أول دمج فوتوني بين CIM وPyTorch: يقدم KPP، أول إضافة تدمج آلات إيسينج المتماسكة بسلاسة في نظام PyTorch البيئي لكل من أخذ العينات والتعلم النشط.
التسريع الكمومي في درجة حرارة الغرفة: يثبت مساراً عملياً للتسريع الكمومي دون المتطلبات المبردة للبتات الكمومية فائقة التوصيل، مستفيداً من اتصال (all-to-all) للأنظمة الفوتونية.
بنى هجينة مبتكرة: يقترح وينفذ QBM-VAE وQ-Diffusion، مما يثبت أن الأولويات الكمومية يمكن أن تعزز النماذج التوليدية في كل من المجالات المنفصلة (النصوص) والمستمرة (البيولوجية).
التعلم النشط عبر QUBO: يصيغ اختيار البيانات كمسألة تحسين يمكن حلها بواسطة CIM، مما يحسن كفاءة التدريب من خلال تصفية البيانات المكررة.

4. النتائج التجريبية

تم تقييم الإطار على مجموعات بيانات متنوعة:

البيولوجيا الخلوية الأحادية (Bio): اختُبر على PBMC، والبنكرياس، ورئة الجنين البشرية (HLCA)، وHLCA Core.
- الأداء: حقق QBM-VAE نتائج حالة الفن (SOTA) عبر مقاييس تشمل تصحيح تأثير الدفعة، وتجميع التمثيل، والتصنيف.
- مثال: في مجموعة بيانات HLCA، حقق QBM-VAE درجة تصحيح دفعة بلغت 0.76، متفوقاً على scVI (0.72) وLDVAE (0.65).
معالجة اللغات الطبيعية (NLP): تم التقييم باستخدام مجموعة بيانات OpenWebText.
- الأداء: حقق نموذج Q-Diffusion درجة تشتت (Perplexity) بلغت 22.54، متفوقاً على نموذج SEDD (24.56) ونموذج MLDM (23.83).
- الأهمية: يؤكد هذا أن أولويات QBM تقلل بفعالية من التشتت في نماذج الانتشار القائمة على LLM من خلال التقاط الارتباطات المعقدة بين الرموز.

5. الأهمية

تؤكد هذه الورقة البحثية صحة نموذج كمي-كلاسيكي شامل للتعلم العميق. فمن خلال تجاوز مجرد ادعاءات "السرعة الكمومية"، توضح كيف يمكن للعتاد الكمومي الفوتوني أن يغير بشكل جذري ديناميكيات تدريب النماذج القائمة على الطاقة.

القابلية للتوسع: القدرة على التعامل مع الطبقات كاملة الاتصال عبر الاتصال الفوتوني (all-to-all) تحل عائقاً معمارياً رئيسياً أمام آلات التلدين الكمومية الحالية.
الكفاءة: يقلل الجمع بين الاختيار النشط للعينات وأخذ عينات بولتزمان المتسارع من التكلفة الحوسبية لتدريب النماذج التوليدية المعقدة بشكل كبير.
الآفاق المستقبلية: يوفر KPP بنية تحتية قوية لتطوير النماذج الهجينة من الجيل التالي، مما يشير إلى أن الحوسبة الكمومية الفوتونية هي بديل قابل للتطبيق ومتفوق لمهام التحسين عالية الأبعاد في الذكاء الاصطناعي.