WTHaar-Net: a Hybrid Quantum-Classical Approach
تقدم هذه الورقة البحثية WTHaar-Net، وهي شبكة عصبية تلافيفية هجينة تجمع بين الحوسبة الكمومية والكلاسيكية تستبدل تحويل هادامارد بتحويل مويجة هار (Haar Wavelet Transform) الموضعي مكانياً لتحقيق خفض كبير في عدد المعلمات ودقة تنافسية في مهام تصنيف الصور مع إظهار التوافق مع الأجهزة الكمومية 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 روبوت التعرف على صور القطط، والكلاب، والسيارات. للقيام بذلك، يحتاج الروبوت إلى النظر إلى الصورة وتفكيكها إلى قطع مفهومة.
الطريقة القديمة: "الخلاط العالمي" (The Global Mixer)
لفترة طويلة، حاول الباحثون استخدام طريقة تسمى تحويل هادامارد (Hadamard Transform). فكر في الأمر كأنك تأخذ وعاءً من الحساء، وتضعه في خلاط ضخم، ثم تديره بسرعة كبيرة بحيث تختلط كل المكونات مع بعضها البعض فوراً.
- المشكلة: بينما يخلط هذا الطريقة كل شيء معاً بسرعة، إلا أنها تفقد "المكان". أنت تعرف أن لديك جزرًا وبطاطس، لكنك لا تعرف أين توجد في الوعاء. في التعرف على الصور، معرفة أين يوجد ملمح معين (مثل عين على الجانب الأيسى من الوجه) أمر بالغ الأهمية. كما أن القيام بذلك على حاسوب كمي (آلة حاسبة مستقبلية فائقة السرعة) كان سهلاً، لكن النتائج لم تكن دائماً جيدة في رؤية التفاصيل.
الفكرة الجديدة: "المنظم الذكي" (WTHaar-Net)
ابتكر مؤلفو هذه الورقة البحثية، فيتوريو وتساي وأحمد، طريقة أفضل تسمى WTHaar-Net. بدلاً من "الخلاط العالمي"، يستخدمون تحويل هير الموجي (Haar Wavelet Transform).
تخيل أنك تنظم غرفة فوضوية. بدلاً من إلقاء كل شيء في كومة واحدة كبيرة، تستخدم نظاماً ذكياً:
- الابتعاد (الزوم للخلف): أولاً، تنظر إلى الغرفة بأكملها وتقول: "هل هذه الغرفة مشرقة أم مظلمة بشكل عام؟" (هذا هو العرض منخفض الدقة).
- الاقتراب (الزوم للأمام): بعد ذلك، تنظر إلى زوايا محددة. "هل هناك لعبة هنا؟ هل هناك جورب هناك؟" (هذه هي تفاصيل الدقة العالية).
- الحفاظ على المحلية: تحافظ على معلومات "اللعبة" منفصلة عن معلومات "الجورب". أنت تعرف بالضبط مكان الفوضى.
هذا هو ما يفعله "هير الموجي" (Haar Wavelet). فهو يفكك الصورة إلى:
- الصورة الكبيرة: الشكل العام واللون.
- التفاصيل: الحواف، الأنسجة، والبقع الصغيرة.
- الموقع: إنه يتتبع أين توجد تلك التفاصيل.
لماذا ندمج الكمي والكلاسيكي؟
تتحدث الورقة البحثية عن نهج هجين (Hybrid). فكر في الأمر كطاقم بناء:
- الجزء الكلاسيكي (البشر): هذه هي الحواسيب القياسية التي نستخدمها اليوم. وهي بارعة في القيام بالمهام الشاقة، مثل التعلم من آلاف الصور واتخاذ القرار النهائي ("هذه قطة!").
- الجزء الكمي (الأداة الخارقة): هذه هي التكنولوجيا الجديدة والتجريبية. إنها سريعة للغاية في القيام ببعض الحيل الرياضية (مثل عملية "الابتعاد/الاقتراب" للفرز التي ذكرناها أعلاه).
لقد بنى المؤلفون نظاماً يعمل فيه الجزء الكمي كمرشح (فلتر) فائق الكفاءة. فهو يقوم بسرعة بفرز بيانات الصورة إلى "صورة كبيرة" و"تفاصيل" باستخدام مجموعة خاصة من القواعد (البوابات) التي تحبها الحواسيب الكمية. ثم يعيد البيانات المنظمة إلى الجزء الكلاسيكي لإتمام المهمة.
النتائج: أسرع، أصغر، وأقوى
لأن هذه الطريقة الجديدة منظمة للغاية، لا يحتاج الروبوت إلى حمل الكثير من "قوة الدماغ" (المعلمات/Parameters) للتعلم.
- بصمة أصغر: لقد قللوا حجم النموذج بنحو 26%. إنه يشبه تحويل حقيبة ظهر ثقيلة إلى حقيبة رسائل أنيقة دون فقدان أي من الأدوات بداخلها.
- رؤية أفضل: في اختبار أصعب (Tiny-ImageNet)، تفوق "المنظم الذكي" الجديد على "الخلاط العالمي" القديم، بل وتفوق حتى على بعض النماذج القياسية. لقد كان أفضل في رؤية الغابة والأشجار معاً.
- اختبار عتاد حقيقي: لم يكتفوا بمحاكاة هذا على حاسوب عادي؛ بل قاموا بتشغيل نسخة صغيرة منه بالفعل على حاسوب كمي حقيقي عبر السحابة (IBM's). وقد نجح الأمر! مما أثبت أن هذه الفكرة ممكنة مع الحواسيب الكمية التي نمتلكها اليوم.
العقبة (مشكلة "الإشارة")
هناك عقبة صغيرة واحدة. عندما يقوم الحاسوب الكمي بسحره، فإنه أحياناً ينسى ما إذا كان الرقم يجب أن يكون موجباً أم سالباً (مثل نسيان ما إذا كانت درجة الحرارة +5 أو -5). اضطر المؤلفون إلى استخدام بعض الحيل الرياضية الذكية لإصلاح ذلك لاحقاً. الأمر يشبه معرفة الروبوت لـ مقدار الضجيج، لكنه يحتاج إلى إنسان ليخبره ما إذا كان ضجيجاً سعيداً أم حزيناً.
الخلا الخلاصة
WTHaar-Net هي طريقة جديدة لتعليم الذكاء الاصطناعي كيف يرى. إنها تستبدل طريقة الخلط العالمية الفوضوية بطريقة فرز محلية مرتبة تتوافق جيداً مع الحواسيب الكمية. والنتيجة؟ ذكاء اصطناعي أصغر، أسرع، وأكثر دقة يمكنه العمل على العتاد الكمي في المستقبل القريب.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.