🤖 machine learning

Gated QKAN-FWP: Scalable Quantum-inspired Sequence Learning

تقترح الورقة البحثية إطار عمل Gated QKAN-FWP، وهو إطار تعلم تسلسلي مستوحى من الكم وقابل للتوسع وكفء في المعلمات، يدمج مبرمجي الأوزان السريعة (Fast Weight Programmers) مع شبكات كولموغوروف-أرنولد الكمية أحادية الكيوبت لتحقيق دقة فائقة في التنبؤ طويل المدى على كل من المعايير الكلاسيكية وأجهزة الحوسبة الكمية ذات الضجيج المتوسط (NISQ) مقارنة بالنماذج المتكررة الأكبر حجماً.

المؤلفون الأصليون: Kuo-Chung Peng, Samuel Yen-Chi Chen, Jiun-Cheng Jiang, Chen-Yu Liu, En-Jui Kuo, Yun-Yuan Wang, Prayag Tiwari, Andrea Ceschini, Chi-Sheng Chen, Yu-Chao Hsu, Chun-Hua Lin, Tai-Yue Li, Antonello Rosato

نُشر 2026-05-11

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kuo-Chung Peng, Samuel Yen-Chi Chen, Jiun-Cheng Jiang, Chen-Yu Liu, En-Jui Kuo, Yun-Yuan Wang, Prayag Tiwari, Andrea Ceschini, Chi-Sheng Chen, Yu-Chao Hsu, Chun-Hua Lin, Tai-Yue Li, Antonello Rosato, Massimo Panella, Simon See, Saif Al-Kuwari, Kuan-Cheng Chen, Nan-Yow Chen, Hsi-Sheng Goan

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

الصورة الكبيرة: طريقة جديدة لتذكر الماضي

تخيل أنك تحاول التنبؤ بالمستقبل بناءً على قصة طويلة قرأتها للتو. معظم نماذج الكمبيوتر (مثل الذكاء الاصطنا-عي القياسي) تحاول تذكر القصة من خلال الاحتفاظ بـ "ملاحظة ذهنية" (حالة مخفية) يتم تحديثها مع كل جملة جديدة. ولكن مع ازدياد طول القصة، تصبح هذه الملاحظات فوضوية، ويصعب تحديثها، ويتعب الكمبيوتر في محاولة تتبع كل شيء.

تقدم هذه الورقة البحثية طريقة جديدة تسمى Gated QKAN-FWP. بدلاً من الاحتفاظ بملاحظة ذهنية فوضوية، تقوم هذه الطريقة بتغيير قواعد كيفية قراءة الكمبيوتر للقصة أثناء تقدمه. الأمر يشبه امتلاك كتاب يمكن فيه للحبر الموجود على الصفحات أن يعيد كتابة نفسه فوراً بناءً على الجملة الحالية، بدلاً من محاولة الاحتفاظ بملخص في رأسك.

المكونات الثلاثة الرئيسية

1. فكرة "الوزن السريع": إعادة كتابة القواعد، لا الذاكرة

تخيل الذكاء الاصطنا-عي القياسي كطالب يدون ملاحظات في دفتر. في كل مرة يسمع فيها حقيقة جديدة، يكتبها في سطر جديد. لفهم القصة بأكملها، يتعين عليه قراءة جميع الأسطر السابقة.

استخدم المؤلفون تقنية تسمى البرمجة بالوزن السريع (Fast Weight Programming - FWP). تخيل بدلاً من الدفتر، أن الطالب لديه سبورة سحرية.

المبرمج البطيء: هو المعلم. ينظر إلى الجملة الحالية ويقول: "حسناً، بالنسبة لهذه الجملة، دعنا نغير صيغة السبورة".
المبرمج السريع: هي السبورة نفسها. تقوم بتحديث قواعدها الخاصة فوراً بناءً على تعليمات المعلم.
النتيجة: لا يحتاج النموذج إلى تذكر الماضي؛ فالقواعد الخاصة بفهم الحاضر تحتوي بالفعل على ذاكرة الماضي. إنه يشبه السبورة التي تعيد كتابة تعليماتها لتناسب السياق الحالي تماماً.

2. الشرارة "المستوحاة من الكم": خدعة الكيوبت الواحد

عادةً، عندما يحاول الناس استخدام الأفكار "الكمومية" في الذكاء الاصطنا-عي، يحاولون بناء آلة ضخمة ومعقدة بها أجزاء كثيرة متشابكة (مثل أوركسترا ضخمة حيث يجب أن تكون كل آلة متزامنة بدقة). هذا صعب البناء ويصعب محاكاته حتى على أجهزة الكمبيوتر العادية.

اتخذ المؤلفون نهجاً مختلفاً. لقد استخدموا شبكات كولموغوروف-أرنولد المستوحاة من الكم (QKAN).

التشبيه: بدلاً من أوركسترا ضخمة، تخيل عازف كمان منفرد يتمتع بقدرة هائلة على التنوع. هذا العازف (دائرة الكيوبت الواحد) يمكنه عزف أي لحن (دالة غير خطية) عن طريق تغيير طريقة إمساكه بالقوس (إعادة رفع البيانات).
لماذا يهم هذا: لأنهم يستخدمون فقط نهج "العازف المنفرد" هذا، فإن النظام خفيف الوزن، وسهل المحاكاة على أجهزة الكمبيوتر العادية، وقوي بشكل مدهش. إنه يلتقط الأنماط المعقدة دون الحاجة إلى كمبيوتر كمومي ضخم ومليء بالضجيج.

3. "البوابة": مقبض التحكم في مستوى الذاكرة

كانت هناك مشكلة في نماذج "الوزن السريع" السابقة: كانت تستمر في إضافة قواعد جديدة فوق القواعد القديمة إلى الأبد. وفي النهاية، تصبح السبورة عبارة عن خربشات فوضوية من التعليمات المتضاربة.

أضاف المؤلفون بوابة قياسية (Scalar Gate).

التشبيه: تخيل أن السبورة لديها مقبض تحكم في الصوت (البوابة).
- إذا تم رفع المقبض (قريب من 1)، يقول النموذج: "احتفظ بالقواعد القديمة؛ فهي لا تزال جيدة".
- إذا تم خفض المقب " (قريب من 0)، يقول النموذج: "انسَ القواعد القديمة؛ دعنا نجرب القواعد الجديدة".
الفائدة: هذا يمنع النموذج من الارتباك بسبب الكثير من المعلومات القديمة. فهو يسمح للذكاء الاصطنا-عي بتقرير مقدار ما يجب الاحتفاظ به من الماضي ومقدار ما يجب نسيانه، مما يجعل عملية التعلم أكثر استقراراً بك jauh.

ماذا فعلوا بالفعل؟ (النتائج)

اختبر الفريق هذه "السبورة السحرية ذات مقبض التحكم" على ثلاثة أنواع من التحديات:

الألغاز الرياضية (اختبارات السلاسل الزمنية): طلبوا من النموذج التنبؤ بأنماط رياضية معقدة (مثل البندول المخمد ومحاكاة الفيزياء الكمومية).
- النتيجة: كان النموذج الجديد أكثر دقة واستقراراً من الطرق القديمة، خاصة عندما كانت الأنماط طويلة ومعقدة.
ألعاب الفيديو (التعلم التعزيزي): اختبروا النموذج في لعبة متاهة بسيطة (MiniGrid).
- النتيجة: تعلم النموذج حل المتاهة بنفس كفاءة النماذج الأكبر والأثقل، ولكنه فعل ذلك بـ 58% أقل من المعلمات (parameters) (كان أصغر بكثير وأكثر كفاءة).
التنبؤ بالشمس (توقعات الدورة الشمسية): كان هذا أكبر اختبار واقعي لهم. حاولوا التنبؤ بدورة البقع الشمسية التي تبلغ 11 عاماً، وهي عملية صعبة للغاية لأن سلوك الشمس فوضوي ويتغير عبر العقود.
- الإعداد: قاموا بتغذية النموذج بـ 44 عاماً من البيانات (528 شهراً) للتنبؤ بالـ 11 عاماً القادمة (132 شهراً).
- المواجهة: تفوق نموذجهم الصغير (12,500 معلمة) على النماذج الكلاسيكية الضخمة (التي يصل بعضها إلى 167,000 معلمة).
- الفوز: تنبأ بقمة الدورة الشمسية (عندما تكون البقع الشمسية في ذروة نشاطها) بدقة أكبر من حيث متى حدثت ومدى قوة حدوثها، على الرغم من كونه أصغر بكثير.
اختبار "الكم الحقيقي": لإثبات أن فكرتهم "المستوحاة من الكم" تعمل على أجهزة حقيقية، قاموا بتشغيل النموذج على أجهزة كمبيوتر كمومية حقيقية من IonQ و IBM.
- النتيجة: حتى على هذه الآلات الكمومية المبكرة والمليئة بالضجيج، كانت تنبؤات النموذج مطابقة تقريباً لمحاكاة الكمبيوتر المثالي. هذا يثبت أن طريقتهم جاهزة للجيل الحالي من الأجهزة الكمومية.

الملخص

تقدم الورقة البحثية طريقة ذكية لتعليم الذكاء الاصطنا-عي كيفية تذكر التسلسلات الطويلة من الأحداث. بدلاً من حشو بنك ذاكرة ثقيل، هم يتركون الذكاء الاصطنا-عي يعيد كتابة قواعده الخاصة على الطاير باستخدام خدعة "مستوحاة من الكم" وخفيفة الوزن. لقد أضافوا "بوابة" للتحكم في مقدار المعلومات الماضية التي يتم الاحتفاظ بها، مما يمنع الارتباك.

النتيجة هي نموذج أصغر، وأسرع، وأكثر دقة من منافسيه الأكبر، قادر على التنبؤ بأحداث واقعية معقدة مثل الدورات الشمسية، وجاهز للعمل على أجهزة الكمبيوتر الكمومية التجريبية الحالية.

ملخص تقني: Gated QKAN-FWP: تعلم تسلسلي مستوحى من الكم وقابل للتوسع

بيان المشكلة

لا يزال نمذجة التبعيات الزمنية طويلة المدى يمثل تحديًا مركزيًا في تعلم التسلسلات. وفي سياق التعلم الآلي الكمي (QML)، يتفاقم هذا التحديد بسبب قيود الأجهزة الكمية ذات المقياس المتوسط والضجيج (NISQ). تتطلب الشبكات العصبية المتكررة الكمية (QRNNs) ومتغيرات الذاكرة الطويلة قصيرة المدى الكمية (QLSTM) الحالية عمليات تقييم دوائر متكررة والانتشار العكسي عبر الزمن (BPTT) الذي يتضمن تقدير التدرج الكمي المكلف. ومع زيادة أطوال التسلسلات، تصبح تكلفة التدريب باهظة، كما يصعب تنفيذ الشبكات العصبية الكمية العميقة وعالية التشابك بشكل موثوق أو محاكاتها كلاسيكيًا. وبينما توفر مبرمجات الأوزان السريعة الكمية (QFWPs) تحولًا جذريًا عبر استبدال ديناميكيات الحالة المخفية بديناميكيات المعلمات، لا تزال التنفيذات الحالية تعتمد على بنيات متعددة الكيوبتات يصعب توسيعها على أجهزة NISQ ومكلفة في المحاكاة.

المنهجية

يقترح المؤلفون إطار عمل Gated QKAN-FWP، وهو إطار يدمج شبكات كولموغوروف-كنو (QKAN) المستوحاة من الكم ضمن نموذج برمجة الوزن السريع (FWP). تم تصميم البنية لتجاوز اختناقات التشابك متعدد الكيوبتات مع الحفاظ على القدرة التعبيرية.

المكونات الأساسية

شبكات كولموغوروف-كنو المستوحاة من الكم (QKAN):
- بدلًا من دالات التنشيط الثابتة، تستخدم QKAN دالات أحادية المتغير قابلة للتعلم يتم تحقيقها بواسطة تنشيط إعادة تحميل البيانات (DARUAN).
- يستخدم DARUAN دوائر إعادة تحميل البيانات أحادية الكيوبت لتوليد أطياف فوريه غنية، مما يسمح بخرائط عالية غير الخطية بعدد قليل من المعلمات.
- يضمن نهج الكيوبت الواحد هذا التوافق مع أجهزة NISQ الحالية (حيث تكون معدلات خطأ الكيوبت الواحد منخفضة) ويسمح بالمحاكاة الكلاسيكية الفعالة.
إطار عمل برمجة الوزن السريع (FWP):
- يستبدل النموذج تطور الحالة المخفية المتكررة بالتطور الديناميكي في فضاء المعلمات.
- يقوم مبرمج "بطيء" بتوليد تحديثات لمبرمج "سريع" عند كل خطوة زمنية.
- تتطور المعلمات السريعة بناءً على المدخل الحالي، مما يتجنب حساب التدرج الكمي الصريح داخل الحلقة المتكررة.
قاعدة التحديث ذات البوابة القياسية (Scalar-Gated Update Rule):
- مساهمة مبتكرة تتمثل في تقديم قاعدة تحديث وزن سريع ذات بوابة قياسية.
- عند كل خطوة زمنية $t$ ، يخرج المبرمج البطيء تحديثًا $\Delta W_t$ وبوابة قياسية $g_t \in [0, 1]$ .
- تتطور المعلمات السريعة كالتالي: $W_{t+1} = g_t W_t + (1 - g_t) \Delta W_t$ .
- تعمل هذه الآلية على التوسط بين الاحتفاظ بالمعلمات السابقة وتبني التحديثات الجديدة، مما يؤدي إلى استقرار تطور المعلمات.

التحليل النظري

تقدم الورقة تفسيرًا نظريًا للتحديث ذي البوابة:

نواة الذاكرة التكيفية: يمكن فك تكرار العملية لإظهار أن المعلمات الحالية هي تجميع مرجح لجميع التحديثات الماضية، حيث تتلاشى الأوزان بناءً على البوابات اللاحقة. هذا يخلق نواة زمنية تعتمد على المدخلات.
الحدود الهندسية: تضمن التحديثات ذات البوابة بقاء المعلمات السريعة ضمن الغلاف المحدب للتهيئة والمقترحات التاريخية، مما يمنع التراكم الجمعي غير المحدود المشاهد في النسخ غير ذات البوابات.
مسارات تدرج قابلة للتوازي: على عكس الشبكات العصبية المتكررة (RNNs) العامة التي تتطلب BPTT متسلسل عبر سلسلة من جاكوبيان، تسمح عملية تكرار FWP ذات البوابة بحل مسار المعلمات عبر مسح بادئة متوازية (parallel prefix scan). هذا يقلل عمق مسار التدرج من $O(T)$ إلى $O(\log T)$ ويضمن انتشار التدرجات عبر ضرب قياسي بدلاً من ضرب المصفوفات الكثيفة، مما يخفف من مشكلات تلاشي أو انفجار التدرج.

المساهمات الرئيسية

اقتراح إطار العمل: تقديم Gated QKAN-FWP، وهو إطار مستوحى من الكم يجمع بين وحدات QKAN وبرمجة الوزن السريع لنمذجة التسلسلات بكفاءة.
آلية البوابة: تطوير آلية وزن سريع ذات بوابة قياسية توازن بشكل تكيفي بين الاحتفاظ بالذاكرة والتحديثات، مدعومة بإثباتات نظرية للحدود الهندسية والتدفق المتوازي.
الأداء التجريبي: إظهار أداء قوي في التنبؤ بالدورات الشمسية متعددة الخطوات، حيث تفوق نموذج مكون من 12.5 ألف معلمة على النماذج الكلاسيكية المتكررة (LSTM, WaveNet-LSTM, MESN) بمعامل يصل إلى 13 ضعف عدد المعلمات.
التحقق من NISQ: النشر الناجح للمبرمج السريع على أجهزة كمية حقيقية (IonQ Forte-1 و IBM ibm_aachen)، مع استعادة دقة التنبؤ ضمن $10^{-3}$ من الخطأ التربيعي المتوسط (MSE) النسبي للمحاكي الخالي من الضجيج.

النتائج التجريبية

اختبارات التنبؤ بالسلاسل الزمنية

تم تقييم النموذج على مجموعات بيانات اصطناعية (Damped SHM, Bessel function, NARMA5/10) وبيانات ديناميكية كمية (Delayed Quantum Control, Jaynes-Cummings).

المتانة: أظهر متغير GQKAN-QKANFWP (باستخدام HQKAN لكل من المبرمج البطيء والسريع) أكبر قدر من المتانة عبر أحجام نوافذ مدخلات متغيرة ( $N=8$ إلى $64$).
الاستقرار: أظهرت متغيرات QFWP غير ذات البوابات تدهورًا كبيرًا في الأداء مع زيادة أحجام النوافذ، خاصة في مهام NARMA والديناميكيات الكمية، بينما حافظت متغيرات HQKAN ذات البوابات على الاستقرار.

التنبؤ بالدورة الشمسية في العالم الحقيقي

تم تطبيق إطار العمل للتنبؤ بالدورات الشمسية باستخدام 3,326 سجلًا شهريًا للبقع الشمسية (1749–2026).

الإعداد: تم استخدام نافذة مدخلات مدتها 528 شهرًا (حوالي 4 دورات) للتنبؤ بأفق زمني قدره 132 شهرًا (دورة واحدة).
الأداء: حقق نموذج GQKAN-QKANFWP (12,474 معلمة) MSE مقيساً أقل، وخطأ ذروة السعة (PAE)، وخطأ توقيت الذروة (PTE) أقل من:
- WaveNet-LSTM (167 ألف معلمة)
- LSTM-L (89 ألف معلمة)
- Modified Echo State Network (MESN, 132 ألف معلمة)
- Vanilla RNN (11.5 ألف معلمة)
التصور: نجح النموذج في التقاط هيكل الدورة الكلي وتوقيت الذروة، حيث احتوى غلاف التنبؤ الخاص به على الحقيقة الأرضية طوال مراحل الدورة.

التعلم التعزيزي (MiniGrid)

تم التقييم في بيئات MiniGrid-Empty (شبكات 5x5 إلى 16x16) باستخدام A3C.

تفوقت المتغيرات ذات البوابات باستمرار على QFWP غير ذات البوابات، خاصة مع زيادة حجم الشبكة.
حقق GQKAN-QKANFWP مكافآت تنافسية في مهمة 16x16 باستخدام 1,114 معلمة فقط، وهو انخفاض بنسبة ~58% مقارنة بـ G-FWP الكلاسيكي (2,665 معلمة) عند مطابقة الأداء.

التنفيذ على أجهزة NISQ

تم تنفيذ المبرمج السريع على IonQ Forte-1 (36 كيوبت) و IBM ibm_aachen (156 كيوبت).
عمل المبرمج البطيء ومنطق البوابة كلاسيكيًا؛ حيث تم تشغيل وحدة DARUAN فقط على وحدات المعالجة الكمية (QPUs).
أظهرت النتائج أن التوقعات تقاربت مع المحاكي الخالي من الضجيج ضمن ~0.1% من MSE النسبي عند 1,024 shot، مما يؤكد التوافق مع أجهزة NISQ للتصميم أحادي الكيوبت.

الأهمية والادعاءات

تضع هذه الورقة Gated QKAN-FWP كنهج قابل للتوسع، وفعال من حيث المعلمات، ومتوافق مع NISQ لنمذجة التسلسلات المستوحاة من الكم.

القابلية للتوسع: من خلال الاعتماد حصريًا على دوائر الكيوبت الواحد (DARUAN) وتجنب التشابك متعدد الكيوبتات، يتجاوز إطار العمل القيود التي تعيق أجهزة NISQ وتكاليف المحاكاة التي تواجهها نماذج QRNN التقليدية.
الاستقرار: توفر قاعدة التحديث ذات البوابة القياسية حلاً نظريًا وتجريبيًا لعدم استقرار تطور المعلمات في التنبؤ طويل الأمد، مما يوفر حدودًا هندسية ومسارات تدرج أكثر ضحالة.
العملية: يثبت التنفيذ الناجح على أجهزة كمية حقيقية أن النماذج المستوحاة من الكم يمكن نشرها على أجهزة NISC الحالية لمهام عملية مثل التنبؤ طويل الأمد، وهي قدرة كانت بعيدة المنال سابقًا للنماذج المقيدة بحدود NISQ.
الكفاءة: يحقق النموذج أداءً يضاهي أحدث المعايير في التنبؤ بالدورة الشمسية بعدد أقل بكثير من المعلمات مقارنة بالنماذج الكلاسيكية المتكررة، مما يسلط الضوء على الكفاءة في استخدام المعلمات لبنية QKAN.

يخلص المؤلفون إلى أنه بينما تواجه بنيات KAN الأصلية تحديات التحسين في السيناريوهات فائقة الضخامة، فإن التصميم الهيكلي لـ Gated QKAN-FPF (الذي يعالج التسلسلات ذاتيًا في فضاء كامن منخفض الأبعاد) يخفف من هذه الأعباء، مما يمهد الطريق للعمل المستقبلي في تحسين الديناميكيات وتوسيع تنفيذ الأجهزة الفيزيائية.