⚛️ quantum physics

Training single-electron and single-photon stochastic physical neural networks

تقترح هذه الورقة البحثية وتستعرض تدريب شبكات عصبية فيزيائية عشوائية جديدة تعتمد على الإلكترون الواحد والفوتون الواحد، مبينةً أن استخدام المخرجات التجريبية في مرحلة التمرير الخلفي يُمكّن هذه البنيات المقاومة للضجيج من تحقيق دقة تتجاوز 97% في تصنيف أرقام MNIST رغم العشوائية العالية وعدم اليقين في النموذج.

المؤلفون الأصليون: Tong Dou, Shiro Kumara, Josh Burns, Ethan Sigler, Parth Girdhar, David Petty, Gerard Milburn, Jo Plested, Matt Woolley

نُشر 2026-04-14

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Tong Dou, Shiro Kumara, Josh Burns, Ethan Sigler, Parth Girdhar, David Petty, Gerard Milburn, Jo Plested, Matt Woolley

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

الفكرة الكبرى: بناء عقول من النرد والضوء

تخيل أنك تحاول بناء عقل كمبيوتر فائق الذكاء (شبكة عصبية) للتعرف على الأرقام المكتوبة بخط اليد، مثل الأرقام الموجودة على مغلف البريد.

عادةً، نبني هذه العقول باستخدام رقائق السيليكون التي تعمل كآلات حاسبة مثالية وحتمية. إذا أعطيتها نفس المدخلات مرتين، ستعطيك نفس الإجابة تماماً في المرتين. لكن هذه الرقائق جائعة؛ فهي تستهلك الكثير من الكهرباء وتولد الكثير من الحرارة.

هذا البحث يطرح سؤالاً جريئاً: ماذا لو بنينا هذه العقول باستخدام الطبيعة العشوائية والفوضوية للعالم الفيزيائي؟ ماذا لو لم تكن "الخلايا العصبية" لدينا آلة حاسبة مثالية، بل كانت تشبه رمي النرد أو رمي العملة المعدنية؟

يقترح المؤلفون نوعاً جديداً من الكمبيوتر يسمى الشبكة العصبية الفيزيائية (PNN). في هذه الشبكات، لا تكون "الخلايا العصبية" مجرد أكواد برمجية، بل هي أجهزة فيزيائية حقيقية (مثل نقاط إلكترونية صغيرة أو حزم ضوئية) تتصرف بشكل عشوائي.

المشكلة: كيف تدرب عقلاً عشوائياً؟

هنا يكمن الجزء الصعب: في الكمبيوتر العادي، إذا ارتكب الكمبيوتر خطأً، فإنه يعرف بالضبط لماذا وكيف يصلحه. الأمر يشبه طالباً أخطأ في مسألة رياضية، فنظر إلى الخطوات وقال: "آه، لقد أخطأت في جمع 2+2".

لكن في الشبكة العصبية الفيزيائية العشوائية (Stochastic PNN)، تكون "الخلية العصبية" عبارة عن رمية عملة.

المدخل: "هل هذا الرقم 7؟"
الخلية العصبية: ترمي العملة.
المخرج: "صورة (نعم)!" أو "كتابة (لا)!"

إذا استقرت العملة على "كتابة" بينما كانت الإجابة الصحيحة هي "نعم"، فلا يمكن للكمبيوتر ببساطة النظر إلى الرياضيات ويقول: "يجب أن أجمع بشكل مختلف". العملة عشوائية! لا يمكنك حساب "الميل" (gradient) -وهو الاتجاه لتصحيح الخطأ- بسهولة لأن المخرج هو مجرد 0 أو 1 عشوائي.

الأمر يشبه محاولة تعليم طالب لا يجيب على الأسئلة إلا عن طريق رمي النرد. كيف تخبره أن يدرس بجد أكبر إذا كان قد نجح فقط بمحض الصدفة؟

الحل: ثلاثة أنواع جديدة من "رماة النرد"

صمم المؤلفون ثلاثة أجهزة فيزيائية محددة لتعمل كخلايا عصبية عشوائية:

الترانزستور أحادي الإلكترون (بوابة الإلكترون الصغير):
تخيل غرفة صغيرة جداً (نقطة كمومية) حيث تريد الإلكترونات (جسيمات مشحونة صغيرة) الدخول. "ما قبل التنشيط" (إشارة المدخلات) يشبه بوابة تتحكم في مدى احتمالية تسلل إلكترون عبر هذه الغرفة.

العشوائية: أحياناً يتسلل إلكترون للداخل؛ وأحياناً لا يفعل. إنها لعبة حظ.
المخرج: إذا كان هناك إلكترون بالداخل، تقول الخلية العصبية "1" (نشطة). إذا كانت الغرفة فارغة، تقول "0" (غير نشطة).

كاشف الفوتون الواحد (صائد الضوء):
تخيل كاميرا حساسة جداً يمكنها اكتشاف فوتون واحد فقط (جسيم ضوئي).

العشوائية: تسلط ضوءاً خافتاً عليها. أحياناً تصدر الكاميرا صوتاً (تكتشف فوتوناً)، وأحياناً لا تفعل. الأمر يعتمد على الطبيعة العشوائية للضوء.
المخرج: صوت "تكة" = "1"، لا يوجد صوت = "0".

خلية الفوتون الواحد الحقيقية (المفتاح الكمومي):
هذا هو النوع الأكثر تطوراً ومستقبلياً. تخيل آلة تطلق فوتوناً واحداً بالضبط في كل مرة. هذا الفوتون يصطدم بمرآة خاصة (مقسم شعاع) يمكنها إما تمرير الفوتون أو عكسه.

العشوائية: للفوتون فرصة 50/50 (أو نسبة قابلة للتعديل) للذهاب في اتجاه أو آخر.
المخرج: إذا ذهب إلى الكاشف (أ)، تكون الخلية العصبية "1". إذا ذهب إلى الكاشف (ب)، تكون الخلية العصبية "0".

استراتيجية التدريب: كيف تُعلّم النرد؟

بما أن الخلايا العصبية عشوائية، اضطر المؤلفون لابتكار طرق جديدة لـ "تعليم" الشبكة. لقد اختبروا ثلاث استراتيجيات رئيسية:

1. طريقة "المعرفة المثالية" (الاحتمالية الحقيقية)

تخيل أنك المعلم، وأنت تعرف الاحتمالات الدقيقة لسقوط العملة على وجه "الصورة" (مثلاً 70%). على الرغم من أن الطالب (الكمبيوتر) لا يرى إلا نتيجة رمية واحدة، إلا أنك أنت، بصفتك المعلم، تعرف الاحتمالية الأساسية.

كيف تعمل: أثناء التدريب، يتجاهل الكمبيوتر الرمية العشوائية الواحدة ويستخدم بدلاً من ذلك المتوسط الرياضي (احتمالية الـ 70%) لمعرفة كيفية تعديل الأوزان.
النتيجة: هذه الطريقة تعمل بشكل رائع، لكنها تتطلب معرفة الفيزياء الدقيقة للجهاز بشكل مثالي، وهو أمر صعب في العالم الحقيقي.

2. الطريقة "التجريبية" (التعلم من العينات)

الآن، تخيل أنك لا تعرف الاحتمالات. أنت لا ترى سوى نتائج رمي العملات.

كيف تعمل: ينظر الكمبيوتر إلى النتائج الفعلية (مثلاً: "ظهرت صورة 3 مرات من أصل 10 رميات"). يستخدم هذه العينات من العالم الحقيقي لتخمين الاتجاه الذي يجب التحرك فيه. الأمر يشبه طالباً يتعلم من خلال التجربة والخطأ، ويحتفظ بسجل لما حدث.
النتيجة: هذه الطريقة عملية جداً لأنك لا تحتاج لمعرفة الفيزياء المثالية. يظهر البحث أنه حتى مع عدد قليل جداً من العينات (مجرد بضع رميات للعملة)، يمكن للشبكة أن تتعلم التعرف على الأرقام بدقة تزيد عن 97%.

3. طريقة "المرور المباشر" (الخدعة السحرية)

هذا اختصار ذكي.

كيف تعمل: خلال "المرحلة الأمامية" (تقديم التخمين)، يترك الكمبيوتر عملية رمي العملة تحدث (تكون عشوائية). ولكن خلال "المرحلة الخلفية" (التعلم من الأخطاء)، يتظاهر الكمبيوتر بأن رمية العملة كانت سلسة ويمكن التنبؤ بها، كما لو كانت آلة حاسبة عادية.
النتيجة: هي بمثرد "كذبة" بسيطة، لكنها تعمل بشكل جيد للغاية. فهي تسمح للشبكة بالتعلم بسرعة دون أن تتعثر في العشوائية.

النتائج: لماذا هذا مهم؟

اختبر المؤلفون هذه الأفكار على مهمة كلاسيكية: التعرف على الأرقام المكتوبة بخط اليد (مجموعة بيانات MNIST).

دقة عالية: على الرغم من أن الخلايا العصبية كانت "ضوضائية" وعشوائية، حققت الشبكة دقة تزيد عن 97%.
المتانة: لم تنكسر الشبكة عندما كانت "العملات" منحازة أو عندما كان "الضوء" خافتاً؛ فقد تعاملت مع الضوضاء بشكل طبيعي.
عدد تجارب قليل مطلوب: لا تحتاج لرمي العملة مليون مرة للحصول على إجابة جيدة. حتى رميها بضع مرات فقط في كل طبقة كان كافياً لتدريب الدماغ بفعالية.

الخلاصة: احتضان الفوضى

الرسالة الرئيسية لهذا البحث هي أننا لسنا بحاجة لمحاربة العشوائية في العالم الفيزيائي لبناء أجهزة كمبيوتر ذكية. في الواقع، يمكننا احتضانها.

فكر في الأمر بهذه الطريقة:

الطريقة القديمة: بناء روبوت مثالي، صلب، ويستهلك الكثير من الطاقة، يحاول القضاء على جميع الأخطاء.
الطريقة الجديدة: بناء نظام مرن ومنخفض الطاقة يستخدم "الضبابية" الطبيعية للإلكترونات والفوتونات كميزة، وليس كعيب.

من خلال معاملة العشوائية كجزء مدمج في الدماغ (مثل مفتاح احتمالي)، يمكننا إنشاء أجهزة كمبيوتر قد تكون أسرع بكmuch وتستهلك جزءاً بسيطاً من الطاقة التي تستهلكها أجهزة الكمبيوتر الخارقة اليوم. هذا يفتح الباب أمام ذكاء اصطناعي "أخضر" يعمل بناءً على القوانين الأساسية للفيزياء بدلاً من الحساب الرقمي القائم على القوة الغاشمة.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تدريب الشبكات العصبية الفيزيائية العشوائية أحادية الإلكترون وأحادية الفوتون".

1. بيان المشكلة

تواجه التعلم العميق تكاليف حوسبة وطاقة متصاعدة، مما يحفز استكشاف الشبكات العصبية الفيزيائية (PNNs) حيث يتم إجراء الحوسبة مباشرة عبر العمليات الفيزيائية. ومع ذلك، يظل التحدي المركزي في الشبكات العصبية الفيزيائية هو التدريب في ظل وجود عيوب الأجهزة والضجيج الجوهري.

تحول النظام: في الشبكات العصبية الفيزيائية التناظرية التقليدية، غالبًا ما يُعامل الضجيج كاضطراب طفيف للإشارات الحتمية. ومع ذلك، في الأنظمة ذات الطاقة المنخفضة للغاية (باستخدام إلكترونات أو فوتونات منفردة)، يكون الضجيج جوهريًا (مثل تقطع الشحنة، وضجيج الفوتون الإحصائي).
المشكلة الجوهرية: في هذه الأنظمة، تكون مخرجات الخلايا العصبية بطبيعتها عشوائية ومتقطعة (نتائج ثنائية مثل 0 أو 1) بدلاً من القيم المستمرة. تفشل عملية الانتشار العكسي (backpropagation) القياسية لأن دالات التنشيط غير قابلة للاشتقاق.
عنق زجاجة التدريب: بينما يوجد تدريب "واعٍ بالفيزياء"، إلا أنه غالبًا ما يفترض إمكانية الوصول إلى احتمالات التنشيط الأساسية أو أخذ عينات لانهائية (تجارب لانهائية). في الأجهزة الحقيقية، لا يمكن الوصول إلا إلى عدد محدود من العينات العشوائية (التجارب) لكل تقييم للخلية العصبية. تسأل الورقة: هل يمكن تدريب الشبكات العصبية الفيزيائية العشوائية بشكل موثوق باستخدام بيانات عينات محدودة فقط، خاصة عندما تعمل طبقة المخرجات عند نسبة إشارة إلى ضجيج (SNR) منخفضة؟

2. المنهجية

أ. التحققات الفيزيائية للخلايا العصبية العشوائية

تقترح الورقة وتنمذج ثلاثة أنواع محددة من الخلايا العصبية الفيزيائية العشوائية (PSNs) حيث يكون التنشيط عبارة عن مفتاح احتمالي $h_i \in \{0, 1\}$ باحتمالية $p_{PSN}(z_i)$ :

خلية كاشف الفوتون المنفرد (SPD): تستخدم ضوءًا مترابطًا حيث يتبع عد الفوتونات توزيع بواسون (Poisson distribution). احتمال "النقرة" هو $1 - e^{-\lambda}$ .
خلية ترانزستور الإلكترون المنفرد (SET): تعتمد على نقطة كمومية شبه موصلة في نظام الحجز الكولوم (Coulomb blockade). تخضع حالة الشحنة (مشغولة/غير مشغولة) لمعدلات النفق، مما يؤدي إلى توزيع فيرمي-ديراك الذي يربط بـ احتمالية التنشيط السيجمويدية (sigmoid).
خلية الفوتون المنفرد الحقيقي (TSP): مقترح مبتكر يستخدم مصدر فوتون منفرد حتمي يقود تفاعلًا يشبه مقسم الشعاع القابل للتحكم (على سبيل المثال، في نظام ميكانيكي ضوئي). تنشأ العشوائية من قياس إشغال نمط ثانوي.

ب. استراتيجيات التدريب

تستقصي الورقة ثلاثة مقدرات مختلفة متوافقة مع الانتشار العكسي لتدريب هذه الشبكات على مجموعة بيانات MNIST (ببنية 784-400-10):

نهج الاحتمال الحقيقي (TP) (المعيار المرجعي):
- يفترض أن احتمال التنشيط $p_{PSN}(z)$ معروف أو يمكن حسابه بدقة.
- في مرحلة الانتشار العكسي، يتم تمرير التدرجات عبر قيمة التوقع (دالة الاحتمال السلسة) بدلاً من العينة المتقطعة.
- القصور: يتطلب معرفة بنموذج الفيزياء الأساسي وأخذ عينات لانهائية لتقريب التوقع بشكل مثالي.
مقدر التدرج التجريبي (EG):
- مصمم للسيناريوهات التي يكون فيها $p_{PSN}(z)$ غير معروف وتتوفر فقط عينات متقطعة.
- يستبدل الاحتمال $p$ المجهول في مشتق التدرج بـ متوسط العينة التجريبي ( $\hat{h}$ ) من $K$ من التجارب.
- يتطلب أن يكون للاحتمال التنشيطي "تمثيل ذاتي" (أي يمكن التعبير عن المشتقة حصريًا كدالة للاحتمال نفسه، مثل $p'(z) = p(1-p)$ لـ sigmoid).
- يعمل هذا كمنظم ضمني من خلال احتضان ضجيج أخذ العينات.
مقدر المرور المباشر (ST):
- هو نهج استدلالي يتجاوز أخذ العينات العشوائية وعدم الخطية تمامًا في مرحلة الانتشار العكسي عن طريق استبدال التدرج بمصفوفة بديلة (عادةً مصفوفة الوحدة).
- توسع الورقة هذا النهج ليشمل طبقة المخرجات عبر استبدال الاحتمالات الحقيقية بملصقات (labels) مأخوذة من عينات متقطعة.

ج. التعامل مع طبقة المخرجات

التنعيم (Smoothing): للتعامل مع التفرد العددي لخسارة الإنتروبيا المتقاطعة (Cross-Entropy) عندما لا يتم أخذ عينة للفئة المستهدفة في تجارب محدودة ( $K < \infty$ )، قدم المؤلفون تقنية تنعيم العينات (مستوحاة من تنعيم الملصقات) لضمان وجود احتمالات غير صفرية لجميع الفئات.
Softmax مقابل Linear: تقارن الورقة بين صيغ Softmax+CE وصيغ Linear+MSE القياسية، مع تحليل المقايضات في البنى الضحلة مقابل العميقة.

3. المساهمات الرئيسية

نماذج خلايا عصبية مبتكرة: تقديم خلية الفوتون المنفرد الحقيقي (TSP) كخلية عصبية عشوائية، مما يوفر مسارًا لشبكات عصبية فيزيائية كمومية كاملة، إلى جانب نماذج مفصلة لخلايا SET و SPD.
إطار تدريب العينات المحدودة: تطوير والتحقق من صحة مقدر التدرج التجريبي (EG)، مما يثبت إمكانية تدريب الشبكات العصبية الفيزيائية بفعالية دون الحاجة للوصول إلى احتمالات التنشيط الدقيقة، والاعتماد فقط على العينات المتقطعة.
المتانة تجاه الضجيج: إثبات إمكانية التدريب بدقة عالية حتى مع عدد قليل جدًا من التجارب لكل طبقة (على سبيل المثال، $K=2$ إلى $10$)، مما يتحدى فكرة أن الشبكات العصبية الفيزيائية العشوائية تتطلب ميزانيات أخذ عينات ضخمة للتقارب.
تحليل البنية: مقارنة منهجية لتكوينات التدريب (TP مقابل EG مقابل ST) عبر الطبقات المخفية والمخرجات، مما كشف أن الجمع بين EG في الطبقات المخفية و ST في طبقة المخرجات يعطي الأداء الأمثل.

4. النتائج

الدقة مع عدد قليل من التجارب: باستخدام مقدر EG في الطبقة المخفية و نهج TP (تجارب لانهائية) في طبقة المخرجات، تحقق الشبكة دقة اختبار تزيد عن 97% على MNIST مع عدد تجارب ضئيل يصل إلى 2-3 تجربة لكل خلية عصبية مخفية.
التدريب التجريبي الكامل: حتى عند تطبيق مقدر EG على كل من الطبقات المخفية والمخرجات (تمرير أمامي وعكسي تجريبي بالكامل)، تتقارب الشبكة نحو دقة عالية (>97%) مع زيادة عدد التجارب، رغم أنها أكثر حساسية لعدد التجارب المنخفض في البداية.
أداء مقدر ST: استخدام مقدرات ST في الطبقة المخفية يحد من الأداء (يستقر حول 93%)، بينما يسمح استخدام EG في الطبقة المخفية للشبكة بالوصول إلى دقة تقارب 98%.
أخذ عينات طبقة المخرجات: يعد توسيع أخذ العينات العشوائية ليشمل طبقة المخرجات (ملصقات الفئات المتقطعة) أمرًا ممكنًا وفعالًا من حيث استهلاك الطاقة. مع تنعيم العينات، تتقلص فجوة الأداء بين الطبقات العشوائية والحتمية بشكل كبير مع وصول عدد التجارب إلى $K \approx 5-10$ .
العمق مقابل التنشيط: بينما تؤدي تنشيطات المخرجات الخطية مع خسارة MSE إلى أداء ضعيف في الشبكات ذات الطبقة المخفية الواحدة، فإن إضافة طبقة مخفية ثانية يسمح لها بمضاهاة أداء تكوينات Softmax+CE.

5. الأهمية

الربط بين النظرية والأجهزة: يوفر هذا العمل إطارًا عمليًا لتدريب الشبكات العصبية الفيزيائية يعترف بالتقطع والعشوائية الجوهرية للأجهزة الكمومية والنانوية، متجاوزًا نموذج "الضجيج كاضطراب".
كفاءة الطاقة: من خلال إثبات إمكانية تحقيق دقة عالية مع عدد قليل من التجارب (تكلفة أخذ عينات منخفضة)، تشير الورقة إلى أن الشبكات العصبية الفيزيائية العشوائية يمكن أن تعمل باستهلاك طاقة أقل بكثير من النظائر الرقمية التي تتطلب عمليات حسابية حتمية عالية الدقة.
القابلية للتوسع: تسمد مقدرات EG و ST المقترحة التدريب دون الحاجة إلى نموذج فيزيائي مثالي للجهاز أثناء مرحلة الانتشار العكسي، مما يجعل هذا النهج أكثر متانة تجاه انحراف الأجهزة وأخطاء المعايرة في الأجهزة الحقيقية.
الإمكانات الكمومية: إن تضمين خلية TSP والمناقشة حول المزايا الكمومية يضع هذا العمل كخطوة تأسيسية نحو بنيات التعلم الآلي الكمومي التي تستفيد من العشوائية الكمومية الجوهرية بدلاً من محاربتها.

في الختام، تثبت الورقة أن احتضان العشوائية من خلال استراتيجيات تدريب واعية بالفيزياء (تحديدًا مقدر EG) يتيح التدريب الموثوق للشبكات العصبية الفيزيائية العميقة، حتى في ظل قيود شديدة تتعلق بالطاقة والضجيج والقدرة المحدودة على أخذ العينات.