Classical Models Match or Exceed Shallow Variational Quantum Circuits on Vision Benchmarks
تُظهر هذه الدراسة أن الشبكات العصبية الكلاسيكية ذات القيم الكواترنيونية، والتي تشترك في هندسة مع الدوائر الكمومية التباينية، تضاهي أو تتفوق في الأداء على النماذج الكمومية الضحلة في معايير الرؤية الحاسوبية القياسية، مما يشير إلى أن الهندسة المحلية المشتركة والتشابك الضحل غير كافيين لمنح ميزة كمومية عملية في المهام التي تفتقر إلى البنية الكمومية الجوهرية.
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
البحث عن الكنز الكمي والمنافس الكلاسيكي
تخيل عالماً لا تكتفي فيه الحواسيب بحساب الأرقام مثل الآلة الحاسبة، بل ترقص مع القواعد الغريبة والمتموجة للكون الكمي. هذا هو مجال تعلم الآلة الكمي، وهو مجال يحاول فيه العلماء بناء أنظمة "ذكية" باستخدام الخصائص الغريبة للجسيمات دون الذرية. لفهم قصة هذا البحث الجديد، نحتاج إلى معرفة بعض اللاعبين الرئيسيين. أولاً، هناك الشبكات العصبية، وهي تشبه الأدمغة الرقمية المكونة من طبقات من الاتصالات التي تتعلم التعرف على الأنماط، مثل تمييز قطة في صورة. بعد ذلك، هناك الدوائر الكمية التباينية (VQCs)، وهي النسخة الكمية من هذه الأدمغة. فبدلاً من المفاتيح القياسية، تستخدم هذه الدوائر بتات كمية صغيرة (qubits) يمكنها الدوران في اتجاهات عديدة في وقت واحد، مما يسمح لها نظرياً بحل المشكلات بطرق لا تستطيع الحواسيب العادية القيام بها.
السؤال الكبير الذي يتساءله الجميع هو: هل تعمل هذه الأدمغة الكمية حقاً بشكل أفضل من الأدمغة العادية؟ لفترة طويلة، كان الأمل هو أن تكون الحواسيب الكمية بمثابة عصا سحرية، تحل المشكلات الصعبة فورياً. ولكن في العالم الحقيقي، بناء هذه الآلات أمر صعب للغاية؛ فهي هشة، ومليئة بالضجيج، ويصعب التحكم فيها. لذا، يقوم العلماء حالياً بإجراء عمليات محاكاة — وهي برامج حاسوبية فائقة الدقة تتظاهر بأنها آلات كمية — لمعرفة ما إذا كانت النظرية ستصمد. كما يبحثون أيضاً عن حيل "كلاسيكية" قد تحاكي السحر الكمي دون الحاجة إلى حاسوب كمي حقيقي. إحدى هذه الحيل تتضمن الـ "كواتيرنيون" (Quaternions)، وهو نوع من الرياضيات يستخدم أربعة أبعاد بدلاً من بُعد واحد، والذي تبين أنه جيد بشكل مدهش في وصف الدورات والحركات، تماماً مثل الدورات الكمية. إذا استطاعت حيلة رياضية بسيطة أن تفعل ما تفعله الآلة الكمية المعقدة، فإن ذلك سيغير كل شيء حول كيفية بناء مستقبل الذكاء الاصطنا AI.
المواجهة: حيل رياضية مقابل أحلام كمية
في هذه الدراسة، وضع فريق من الباحثين سباقاً عالي المخاطر بين ثلاثة أنواع مختلفة من "الرؤوس" (الجزء النهائي لاتخاذ القرار في الشبكة العصبية) لمعرفة أي منها يمكنه تصنيف صور الأرقام والملابس والأشياء بشكل أفضل. لم يتركوا الرؤوس تتعلم من الصفر؛ بل أعطوا جميعها نفس "الميزات المجمدة"، تماماً مثل تقديم نفس الخضروات المقطعة مسبقاً لثلاثة طهاة مختلفين والسؤال عمن يمكنه صنع أفضل حساء. المتسابقون الثلاثة هم:
- الطاهي القياسي (الشبكة ذات القيم الحقيقية): ذكاء اصطناعي عادي يستخدم الرياضيات القياسية.
- ساحر الرياضيات رباعي الأبعاد (شبكة الكواتيرنيون): ذكاء اصطناعي كلاسيكي يستخدم نظام رياضيات خاص رباعي الأبعاد (الكواتيرنيون) للتعامل مع الدورات، والذي يتشارك اتصالاً هندسياً عميقاً مع ميكانيكا الكم.
- الحالم الكمي (الدائرة الكمية التباينية): حاسوب كمي محاكى يستخدم بوابات كمية حقيقية والتشابك (الارتباط الغريب بين الجسيمات).
اختبر الباحثون هؤلاء الطهاة على ثلاث مجموعات بيانات شهيرة للصور: MNIST (الأرقام المكتوبة بخط اليد)، و FashionMNIST (قطع الملابس)، و CIFAR-10 (صور ملونة للحيوانات والسيارات). أجروا التجارب مرتين: مرة باستخدام ميزات بسيطة ومنخفضة الدقة، ومرة باستخدام ميزات عالية الجودة ومُدربة مسبقاً من ذكاء اصطناعي قوي يسمى ResNet18.
النتائج: ساحر الرياضيات يفوز، والحالم الكمي يتعثر
كانت النتيجة انتصاراً واضحاً للمناهج الكلاسيكية. فقد حققت شبكة الكواتيرنيون أداءً يماثل تقريباً أداء الذكاء الاصطناعي القياسي "ذات القيم الحقيقية"، حيث طابقت دقتها في المهام البسيطة واحتفظت بنحو 94% إلى 97% من أدائها في الصور الملونة الأكثر صعوبة. وقد فعلت ذلك باستخدام عدد أقل بكثير من المعلمات (المكونات الأساسية للنموذج)، مما جعلها مؤدية فعالة ومستقرة للغاية.
أما الحالم الكمي، فقد عانى. ورغم أنه يتشارك نفس "حركات الرقص" الهندسية الأساسية (هندسة SU(2)) مع شبكة الكواتيرنيون، إلا أنه سجل درجات أقل باستمرار.
- في الصور البسيطة بالأبيض والأسود (MNIST و FashionMNIST)، كانت النماذج الكمية أقل دقة بنسبة 6% و 2.4% على التوالي مقارنة بالنماذج الكلاسيكية.
- وفي الصور الملونة الأكثر صعوبة (CIFAR-10)، اتسعت الفجوة. فعندما حاول النموذج الكمي استخدام "التشابك" (ربط بتاته الكمية معاً لخلق ارتباطات معقدة)، لم يصبح أكثر ذكاءً؛ بل أصبح أسوأ في الواقع. ومع الميزات عالية الجودة، انخفضت دقة النموذج الكمي المتشابك بنسبة 9.25 نقطة مئوية مقارنة بالنموذج الكمي الذي لا يستخدم التشابك.
لماذا فشل النموذج الكمي؟
تشير الورقة البحثية إلى أن المشكلة ليست في أن الرياضيات خاطئة، بل في أن الدائرة الكمية "ضحلة" للغاية (بسيطة جداً) وعملية القياس "مفقودة" (lossy) للغاية. تخيل الحاسوب الكمي ككاميرا عالية التقنية تلتقط صورة لمشهد معقد، لكنها مسموح لها فقط بالنظر إلى 6 أو 12 نقطة ضوء صغيرة قبل اتخاذ تخمين. إنها ترمي بمعظم المعلومات. في المقابل، تحتفظ شبكة الكواتيرنيون بالصورة الرباعية الأبعاد كاملة.
كما اختبر الباحثون ما إذا كان النموذج الكمي يحتاج فقط إلى "مُحسّن" أفضل (طريقة أذكى للتعلم). جربوا استخدام طريقة هندسية خاصة تسمى Fubini–Study / معلومات فيشر الكمية، وهي تشبه إعطاء النموذج الكمي نظام تحديد مواقع (GPS) لإيجال أفضل مسار. وبينما غير هذا الاتجاه الخطوات التي اتخذها النموذج، إلا أنه لم يساعد النموذج في التعلم بشكل أسرع أو الحصول على نتائج أفضل مقارنة بالمُحسّن القياسي (Adam).
الحكم النهائي
خلصت الدراسة إلى أنه بالنسبة لنوع الدوائر الكمية الضحلة والمحدودة بالقياس المختبرة هنا، فإن الهندسة المحلية المشتركة ليست كافية لمنح ميزة كمية. لم يساعد "سحر" التشابك؛ بل في الواقع، في المهام المعقدة، بدا أنه يجعل النموذج أكثر عدم استقرار وعرضة للأخطاء. لقد أثبتت شبكة الكواتيرنيون أنه يمكنك الحصول على فوائد تلك الهندسة الشبيهة بالكم باستخدام رياضيات كلاسيكية بسيطة، دون عناء بناء حاسوب كمي حقيقي.
ويوضح المؤلفون بحذر أن هذا لا يعني أن الحوسبة الكمية عديمة الفائدة للأبد. فهم يقترحون أن الدوائر الأكثر عمقاً، أو طرقاً مختلفة لتشفير البيانات، أو المشكلات التي هي بطبيعتها كمية (مثل محاكاة الجزيئات)، قد تظل تحمل المفتاح. ولكن لمهمة التعرف على صور القطط والسيارات باستخدام التكنولوجيا الحالية، فإن "ساحر الرياضيات" الكلاسيكي يتفوق حالياً على "الحالم" الكمي.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.