A Drift Stable Quantum Federated Learning for Intelligent Services
تقترح هذه الورقة إطار عمل DUQFL-Prox، وهو إطار تعلم اتحادي كمي مستقر ضد الانجراف يجمع بين تحديثات SPSA غير المطوية التكيفية مع حد تقريبي ومتحكم خفيف الوزن لتعزيز الاستقرار، والتعميم، وعدالة العميل في الخدمات الذكية الموزعة غير المتجانسة.
تخيل عالماً حيث يريد هاتفك، وساعتك الذكية، وجهاز الكمبيوتر المحمول الخاص بجارك أن يتعلموا معاً لحل مشكلة كبيرة، مثل رصد الاحتيال المصرفي أو تحديد سمة وراثية نادرة. لكن هناك عقبة: لا أحد منهم يريد مشاركة بياناته الخاصة. إنهم يشبهون مجموعة من المحققين الذين لا يمكنهم إظهار ملفات قضاياهم السرية لبعضهم البعض. هذا هو عالم التعلم الاتحادي (Federated Learning)، وهي طريقة ذكية يمكن للكمبيوترات من خلالها التعلم كفريق دون تبادل ملاحظاتهم الخاصة أبداً. الآن، تخيل أخذ هذا الجهد الجماعي ومنحه قوى خارقة من العالم الكمومي — عالم الذرات والجسيمات دون الذرية حيث يمكن للأشياء أن تكون في أماكن عديدة في آن واحد. هذا هو التعلم الاتحادي الكمومي (Quantum Federated Learning). إنه يعد بحل المشكلات المعقدة بشكل أسرع وأكثر أماناً، لكنه يشبه قليلاً محاولة قيادة أوركسترا حيث يعزف كل موسيقي على آلة مهتزة وصاخبة وتنسى النوتات أحياناً. السؤال الكبير الذي يطرحه العلماء هو: كيف نجعل هذه الكمبيوترات الكمومية تعمل معاً بسلاسة دون أن يفسد أحد الموسيقيين الصاخبين الأغنية للجميع؟
تقدم هذه الورقة البحثية قائداً جديداً لهذه الأوركسترا الكمومية يسمى DUQFL-Prox. يقترح المؤلفون أن الطريقة الحالية لتدريب هذه النماذج الكمومية جامدة للغاية، مثل إجبار كل موسيقي على عزف نفس النوتات تماماً وبنفس السرعة تماماً، بغض النظر عن كيفية سلوك آلته. غالباً ما يؤدي هذا إلى "انحراف العميل" (client drift)، حيث يبتعد بعض الموسيقيين في ممارستهم الخاصة لدرجة تجعلهم يخرجون عن الإيقاع، مما يجعل الأداء الجماعي النهائي فوضوياً وغير عادل. ولإصلاح ذلك، اقترح الباحثون نظاماً حيث لا يتبع كل كمبيوتر كمومي (أو "عميل") نصاً ثابتاً فحسب؛ بل يستخدمون مدرباً ذكياً وتكيفياً يراقب تقدم الموسيقي في الوقت الفعلي ويعدل التعليمات أثناء العمل.
فكر في الأمر كأنه لعبة فيديو تتعدل صعوبتها تلقائياً. إذا كان اللاعب يعاني، تتباطأ اللعبة؛ وإذا كان يتجاوزها بسهل، تزداد سرعتها. في هذا النظام، يقوم "المدرب" (وهو متحكم خفيف الوزن) بالتحقق باستمرار من مدى جودة النموذج الكمومي المحلي ويعدل خطوات التعلم. ولكن هناك شبكة أمان أيضاً: قاعدة "قريبة" (proximal) تسحب النموذج المحلي بلطف نحو الهدف الرئيسي للمجموعة إذا بدأ في الابتعاد كثيراً. إنه يشبه حبل "البانجي" الذي يسم ي لك الاستكشاف ولكنه يمنعك من السقوط من المنحدر. كما أضاف الباحثون قاعدة "الأفضل من بين" (best-of): بدلاً من إرسال النسخة الأخيرة فقط من نموذجهم إلى المجموعة، يرسل كل عميل النسخة التي قدمت أفضل أداء خلال جلسة التدريب الخاصة بهم، متجاوزين النسخ التي أصبحت فوضوية للغاية في النهاية.
عندما اختبر الفريق هذه الطريقة الجديدة على تحديين مختلفين تماماً — رصد الاحتيال المصرفي وتصنيف تسلسلات الحمض النووي (DNA) — وجدوا علامات واعدة. في اختبارات الاحتيال المصرفي، والتي كانت صعبة لأن الحالات "السيئة" كانت نادرة جداً، لم يحقق DUQFL-Prox درجة عالية إجمالية فحقة فحسب، بل تأكد من أن كل عميل (كل بنك) قد أدى بشكل جيد، وليس فقط العملاء المحظوظين. لقد قلل من الفجوة بين كيفية أداء النموذج في الممارسة وكيفية أدائه في العالم الحقيقي، مما يشير إلى أنه أقل عرضة للخداع بأنماط مزيفة. وفي اختبارات الحمض النووي، وبينما حصلت طريقة أخرى على درجة قصوى أعلى قليلاً، كان DUQFL-Prox الأكثر اتساقاً وعدلاً، مما ضمن عدم ترك أي عميل وحيداً خلف الركب. أجرى المؤلفون هذه التجارب على عمليات محاكاة حاسوبية للكمبيوترات الكمومية، بل وتحققوا مما إذا كانت النماذج النهائية يمكن أن تعمل على أجهزة كمومية حقيقية وصاخبة من شركة IBM. تشير النتائج إلى أن هذا النهج التكيفي والمستقر ضد الانحراف يساعد الفرق الكمومية على التعلم بشكل أكثر موثوقية وعدلاً، حتى عندما تكون بياناتهم فوضوية وآلاتهم مهتزة قليلاً. إنه ليس حلاً سحرياً يحل كل شيء فوراً، لكنه يشير إلى مسار لجعل هذه الخدمات الكمومية المستقبلية أكثر موثوقية للجميع.
ملخص تقني: DUQFL-Prox للتعلم الاتحادي الكمي المستقر ضد الانجراف
بيان المشكلة يتيح التعلم الاتحادي الكمي (QFL) للعملاء الموزعين تدريب الشبكات العصبية الكمية (QNNs) دون مركزية البيانات الخام، وهي قدرة بالغة الأهمية للخدمات الذكية الحساسة للخصوصية مثل كشف الاحتيال المالي أو تصنيف الجينوم. ومع ذلك، تواجه مسارات الـ QFL الحالية تحديات كبيرة في البيئات غير المتجانسة. فعملية التحسين المحلي للشبكات العصبية الكمية هي بطبيعتها عملية مشوبة بالضجيج، وغير محدبة، وحساسة لإعدادات المحسن (optimizer). وعندما تكون بيانات العملاء غير مستقلة وغير متماثلة التوزيع (non-IID)، فإن جداول التحسين المحلية الثابتة (مثل SPSA القياسي مع المعلمات الفائقة الثابتة) غالبًا ما تؤدي إلى تحديثات محلية غير مستقرة، وانجراف مفرط للعملاء، وعدم عدالة في الأداء عبر العملاء. علاوة على ذلك، فإن الاستراتيجيات التي تستبعد العملاء "المتلكئين" (stragglers) لتحسين الكفاءة قد تؤدي إلى تحيز في التمثيل، وهو أمر ضار بشكل خاص في المجالات التي تكون فيها توزيعات البيانات النادرة أو الخاصة بمجال معين حاسمة. تكمن المشكلة الجوهرية في تثبيت مسارات تحسين الشبكة العصبية الكمية المحلية في الإعدادات غير المتجانسة لضمان توافق التجميع، والعدالة، والتعميم الموثوق دون استبعاد العملاء الذين يواجهون صعوبات.
المنهجية: DUQFL-Prox يقترح البحث إطار عمل DUQFL-Prox (التعلم الاتحادي الكمي العميق المنبسط مع التنظيم التقريبي)، وهو إطار مصمم لتثبيت الـ QFL من خلال بنية تعلم ثنائية المستوى:
التحسين المحلي المنبسط عميقًا (Deep-Unfolded Local Optimization): بدلاً من معاملة التدريب المحلي كروتين ثابت، تقوم الطريقة بتفكيك تدريب الشبكة العصبية الكمية المحلية إلى K من كتل التحسين المنبسطة. في كل خطوة k، يقوم متحكم ميتا (meta-controller) مشترك وخفيف الوزن بتوليد معلمات فائقة لـ SPSA (تقريب الاضطراب العشوائي المتزامن) تكيفية—وتحديدًا معدل التعلم (η) ومقياس الاضطراب (δ). ويتم اشتقاق هذه المعلمات من متجه سمات حالة التحسين (z) الذي يتضمن تقدم الانبساط، وسلوك الخسارة، وإزاحة المعلمات، وسياق العميل.
التحكم في الانجراف التقريبي (Proximal Drift Control): لمواجهة انجراف العميل تحت بيانات non-IID، تمت إضافة حد تنظيم تقريبي إلى دالة الهدف المحلية. هذا الحد يعاقب الانحراف المفرط عن النموذج العالمي المنشور (θ(t))، مما يضمن أنه بينما يتكيف العملاء محليًا، تظل تحديثاتهم متوافقة مع التجميع العالمي. تصبح دالة الهدف المحلية هي Liprox(θ)=Li(θ)+2μ∥θ−θ(t)∥22.
اختيار أفضل انبساط بناءً على التحقق (Validation-Based Best-Unfold Selection): لا يقوم العملاء بالضرورة برفع الحالة النهائية لتدريبهم المحلي. بدلاً من ذلك، يقومون بتقييم خسارة التحقق عبر جميع حالات الانبساط المنبسطة ويرفعون نقطة التفتيش (θi,⋆) التي تقلل من خسارة التحقق. هذا يمنع التحديثات اللاحقة شديدة العدوانية من إضعاف النموذج العالمي.
هدف الميتا الخارجي وتكيف المتحكم (Outer Meta-Objective and Controller Adaptation): المتحكم المشترك ليس ثابتًا؛ بل يتم صقله دوريًا باستخدام هدف ميتا خارجي يتم تقييمه بناءً على أداء التحقق العالمي بعد التجميع. تتضمن خسارة الميتا مصطلحات لخسارة التحقق العالمية، والعدالة على مستوى العميل، وتكلفة الاتصال، واستقرار التحسين. يتم تحديث معلمات المتحكم باستخدام خطوة SPSA في الحلقة الخارجية، مما يسمح فعليًا بتعلم "كيفية تحسين" الشبكات العصبية الكمية المحلية لتعظيم الأداء العالمي والعادل.
المساهمات الرئيسية
إطار عمل تكيفي: تقديم DUQFL-Prox، الذي ينمذج تدريب الشبكة العصبية الكمية المحلية كعملية منبسطة عميقًا متعددة الخطوات وتكيفية بدلاً من روتين محسن ثابت.
التحكم المدفوع بالمتحكم (Controller-Driven SPSA): آلية حيث يقوم متحكم مشترك بتوليد معدلات تعلم ومقاييس اضطراب خاصة بكل خطوة بناءً على حالات التحسين المحلية، مما يتيح التكيف عبر العملاء وجولات الاتصال.
التحكم في الانجراف والعدالة: دمج التنظيم التقريبي واختيار أفضل انبساط بناءً على التحقق لتقليل انجراف العميل، ومنع التخصص المفرط، وتحسين توافق التجميع.
بنية التعلم ثنائية المستوى: آلية تكيف في الحلقة الخارجية توائم سلوك التحسين المحلي مع الأداء العالمي بعد التجميع، مما يتعلم كيفية تحسين عملية التحسين نفسها.
النتائج التجريبية تم تقييم إطار العمل في مهمتين للخدمات الذكية: كشف احتيال الحسابات البنكية (BAF) (غير متوازن للغاية، non-IID) وتصنيف الجينوم.
مجموعة بيانات BAF: حقق DUQFL-Prox أعلى دقة عالمية نهائية (0.65) ومتوسط دقة اختبار العميل (0.64)، متفوقًا بشكل كبير على FedProx-QFL وDefault-QFL. والأهم من ذلك، أنه قلل الفجوة بين التدريب والاختبار لتصل إلى الصفر تقريبًا وحقق أدنى فجوة عدالة للعملاء (~0.019)، مما يشير إلى أداء متوازن عبر العملاء. كما أظهر سلوكًا أكثر استقرارًا في المراحل المتأخرة من الحقبة (epoch) في مقاييس ROC-AUC وPR-AUC وMCC مقارنة بالنماذج المرجعية.
مجموعة بيانات الجينوم: بينما حقق FedProx-QFL دقة عالمية نهائية أعلى قليلاً (0.85)، حقق DUQFL-Prox أعلى متوسط لدقة اختبار العميل (0.80)، وأدنى فجوة بين التدريب والاختبار، وأدنى فجوة عدالة. يسلط هذا الضوء على قدرته الفائقة على التعميم والاستقرار عبر العملاء غير المتجانسين.
التحقق من الأجهزة: تم تنفيذ نقاط تفتيش عالمية مختارة تم تدريبها عبر DUQFL-Prox على أجهزة IBM الكمية الحقيقية. أظهرت النتائج أن نقاط تفتيش DUQCL-Prox حافظت على مسار أكثر استقرارًا على الأجهزة الحقيقية مقارنة بـ Default-QFL، محتفظة بالتوافق مع نتائج المحاكي رغم ضجيج الجهاز.
الأهمية والادعاءات يزعم البحث أن DUQFL-Prox يقدم حلاً قويًا للخدمات الذكية التي تتطلب الخصوصية، والعدالة، والموثوقية في البيئات الموزعة غير المتجانسة. ومن خلال تثبيت مسارات التحسين المحلية عبر الانبساط العميق والتحكم التقريبي، يسمح إطار العمل للعملاء الذين يواجهون صعوبات أو لديهم موارد محدودة بالمساهمة بتحديثات مفيدة دون استبعادهم. لا يطرح المؤلفون عملهم كضمان كامل للتقارب لأنظمة QFL غير المحدبة التعسفية، بل كنموذج لتوصيف الاستقرار، والتحكم في الانجراف، وسلوكيات تحسين الميتا التي تدعم خدمات ذكية أكثر موثوقية وعدالة. تشير النتائج إلى أن التعلم الاتحادي الكمي المنبسط عميقًا يمكنه إدارة المقايضات بين التكيف المحلي والاتساق العالمي بفعالية في البيئات الكمية المشوبة بالضجيج.