QSTAR: Quantum Selective Transfer with Adaptive Routing
تقدم الورقة البحثية QSTAR، وهو إطار عمل للتعلم الانتقالي الانتقائي يقوم بتوجيه العينات منخفضة الثقة إلى فرع كمي احتياطي تم البحث عنه معمارياً، مما يثبت أن النماذج الكمية تكون أكثر فعالية كملحقات مستهدفة للمصنفات الكلاسيكية بدلاً من كونها بدائل موحدة لها.
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
في السباق لبناء آلات يمكنها التعلم من البيانات، اعتمد العلماء لفترة طويلة على أجهزة كمبيوتر كلاسيكية قوية للتعرف على الأنماط في الصور والأصوات والنصوص. هذه الأنظمة ممتازة في عملها، لكنها أيضاً ضخمة، وتتطلب كميات هائلة من الطاقة والوقت للتدريب. مؤخراً، دخل منافس جديد إلى الساحة: الحواسيب الكمومية. تعمل هذه الآلات وفق القواعد الغريبة لميكانيكا الكم، حيث يمكن للمعلومات أن توجد في حالات متعددة في آن واحد، مما يقدم وعداً نظرياً بحل مشكلات معينة بسرعة أكبر بكثير من الحواسيب الكلاسيكية. ومع ذلك، لا تزال الأجهزة الكمومية الحالية صغيرة وهشة وعرضة للأخطاء، مما يجعلها غير ملائمة للقيام بالمهام الشاقة المتمثلة في تحليل الصور المعقدة بمفردها. وقد أدى هذا إلى دفع الباحثين لاستكشاف منطقة وسطى تسمى "التعلم الانتقالي الكمومي". في هذا النهج، يقوم كمبيوتر كلاسيكي موثوق بالعمل الشاق المتمثل في استخراج الميزات الأساسية من الصورة، ثم تُضاف دائرة كمومية صغيرة ومتخصصة في النهاية لاتخاذ القرار النهائي. ومع ذلك، كان السؤال الكبير هو ما إذا كانت هذه الإضافة الكمومية تساعد حقاً، أم أنها مجرد طريقة معقدة للقيام بما يفعله كمبيوتر بسيط بشكل جيد بالفعل.
لقد عالج فريق من الباحثين في جامعة نيويورك أبوظبي هذا السؤال من خلال إطار عمل جديد يسمى QSTAR. فبدلاً من إجبار الكمبيوتر الكمومي على النظر في كل صورة، صمموا نظاماً يعمل كحارس بوابة ذكي. يسمح النظام أولاً لكمبيوتر كلاسيكي قياسي عالي السرعة بتحليل الصورة؛ فإذا كان الكمبيوتر واثقاً جداً في إجابته، فإنه ببساطة يخرج النتيجة ويمضي قدماً. أما إذا كان الكمبيوتر غير متأكد، فإن النظام يوجه تلك الصورة المحددة والصعبة إلى دائرة كمومية للحصول على رأي ثانٍ. يضمن هذا النهج الانتقائي استخدام الآلة الكمومية فقط عندما تكون هناك حاجة فعلية إليها، مما يوفر الوقت والموارد مع اختبار ما إذا كان الفرع الكمومي يمكنه حقاً تحسين الإجابة النهائية.
ولاختبار هذه الفكرة، استخدم الباحثون مجموعة بيانات لصور الملابس، وهي معيار شائع لمهام التعرف على الصور. بدأوا بكمبيوتر كلاسيكي قوي ومُدرب مسبقاً تعلم بالفعل كيفية التعرف على الأشكال والأنسجة العامة. ثم قاموا بإرفاق "رؤوس" مختلفة بهذا الكمبيوتر لمعرفة أي منها يتخذ أفضل القرارات النهائية. كانت بعض هذه الرؤوس ذات تصميمات كلاسيكية بسيطة، بينما كانت بعضها دوائر كمومية. وقارنوا بين الدوائر الكمومية المصممة يدوياً وبين الدوائر الأكثر تقدماً التي اكتشفتها تلقائياً أداة ذكاء اصطناعي تسمى KetGPT. وعندما أجبروا الدوائر الكمومية على التعامل مع كل صورة، كانت النتائج مختلطة. تمكن أفضل دائرة كمومية مصممة يدوياً من الحصول على الإجابات الصحيحة بنسبة 57 بالمائة تقريباً، بينما وصلت أفضل دائرة كمومية اكتشفها الذكاء الاصطناعي إلى 78.5 بالمائة. ورغم أن هذا كان تحسناً، إلا أنه ظل دون أفضل نظام كلاسيكي بحت، والذي حقق دقة بلغت 81.6 بالمائة. وقد أكد هذا أن مجرد استبدال "دماغ" كلاسيكي بآخر كمومي لا يجعل النظام أكثر ذكاءً بشكل تلقائي.
جاء الاختراق الحقيقي عندما قاموا بتفعيل التوجيه الانتقائي. فمن خلال ترك الكمبيوتر الكلاسيكي يتولى الحالات السهلة وإرسال الصور الصعبة ومنخفضة الثقة فقط إلى الدائرة الكمومية، وجد النظام دوراً واضحاً للتكنولوجيا الكمومية. ففي هذه العينات الصعبة، تفوقت الدائرة الكمومية المكتشفة بواسطة الذكاء الاصطناعي بشكل كبير على البديل الكلاسيكي القياسي. وعند مستوى ثقة محدد، حسنت الدائرة الكمومية الدقة في هذه الصور الصعبة بنسبة تقارب سبعة نقاط مئوية مقارنة بالبديل الكلاسيكي. وعند تجميع النظام بأكمله، حقق النهج الكمومي التكيفي دقة إجمالية بلغت 80.9 بالمائة، متفوقاً على النظام الكلاسيكي التكيفي بفارق ضئيل ولكنه ملموس. يشير هذا إلى أن الكمبيوتر الكمومي ليس بديلاً للكمبيوتر الكلاسيكي، بل هو أداة متخصصة تتألق عندما يعاني النظام القياسي.
كما نظر الباحثون عن كثب في حجم وتعقيد الدوائر الكمومية لمعرفة ما إذا كان بإمكانهم إيجاد تصميم أكثر كفاءة. واكتشفوا أن دائرة أصغر بكثير وأكثر إحكاماً، والتي حددوها كمرشح رقم 160، يمكنها تحقيق دقة 81.9 بالمائة بمفردها باستخدام عشرة إعدادات قابلة للضبط وتسعة بوابات منطقية. هذا الاكتشاف مهم لأنه يظهر أن الميزة الكمومية لا تتطلب آلات ضخمة ومعقدة؛ فحتى الدوائر الصغيرة والفعالة للغاية يمكن أن تكون قوية عندما تُستخدم بالطريقة الصحيحة. ومع ذلك، فقد كان الفريق حذراً في ملاحظة أن هذه النتائج تأتي من عمليات محاكاة حاسوبية، وقد يختلف الأداء عند تشغيلها على أجهزة كمومية حقيقية. كما اختبروا النظام على مجموعة بيانات مختلفة من الحشرات ووجدوا أن الميزة الكمومية لم تظهر هناك، مما يعزز فكرة أن هذه التكنولوجيا ليست حلاً عالمياً بل هي حل متخصص لأنواع معينة من عدم اليقين.
في نهاية المطاف، يوضح هذا العمل الدور المستقبلي للحواسيب الكمومية في التعلم الآلي اليومي. تشير الدراسة إلى أن المسار الأكثر عملية ليس استبدال أنظمتنا الحالية بالكامل، بل إنشاء فرق هجينة حيث تتولى الحواسيب الكلاسيكية الجزء الأكبر من العمل وتتدخل الحواسيب الكمومية كخبراء للمشكلات الأكثر صعوبة. ومن خلال استخدام نظام توجيه ذكي لتقرير متى يتم استدعاء المتخصص الكمومي، يمكننا الحصول على نتائج أفضل دون الحاجة إلى تشغيل حسابات كمومية مكلفة على كل قطعة من البيانات. يوفر هذا الاستراتيجية الانتقائية طريقة واقعية وفعالة لدمج التكنولوجيا الكمومية في الأدوات التي نستخدمها كل يوم، محولةً الوعد النظري إلى ميزة عملية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.