Topologically Protected Learning from Exceptional Point Braiding: Toward Braid Programming

لقد أحدث تعلم الآلة الحديث تحولاً في كيفية رؤيتنا للعالم، مما سمح للحواسيب بالتعرف على الوجوه، وترجمة اللغات، والتنقل عبر البيانات المعقدة. وفي قلب هذه الثورة تكمن طريقة تسمى "الاشتقاق المتدرج" (gradient descent)، وهي عملية رياضية تعمل مثل متسلق جبال يسير ببطء في أسفل جبل ضبابي بحثاً عن أدنى وادٍ. يقوم المتسلق بتعديل مساره خطوة بخطوة، مسترشداً بمنحدر الأرض، لتقليل الأخطاء. وبينما مكن هذا النهج من بناء أقوى أنظمة الذكاء الاصطناعي اليوم، إلا أنه يعاني من نقطة ضعف جوهرية: فهو يعتمد على تعديلات سلسة ومستمرة. فإذا كانت التضاريس وعرة أو كان المسار مسدوداً بالضجيج، فقد يضل المتسلق طريقه، أو ينسى ما تعلمه، أو يفشل في إيجاد الحل الأمثل. وقد دفع هذا الهشاشة العلماء للتساؤل عما إذا كانت هناك طريقة مختلفة لبناء آلات ذكية—طريقة لا تعتمد على الانزلاق لأسفل المنحدر، بل تستخدم القواعد الهندسية والطوبولوجية الصارمة وغير القابلة للكسر لتخزين ومعالجة المعلومات.

اقترح فريق من الباحثين إطار عمل جديد يستبدل خطوات المتسلق التدريجية بسلسلة من الحركات الطوبولوجية المدروسة. فبدلاً من تعديل الأوزان على سطح أملس، يتعلم نظامهم من خلال جدل المسارات عبر نوع خاص من المشاهد الطبيعية الفيزيائية. هذا المشهد مبني من نموذج نظري لسلسة من الجسيمات التي تتصرف بطريقة تتحدى الفيزياء القياسية، وتُعرف بالأنظمة "غير الهيرميتية" (non-Hermitian systems). في هذه الأنظمة، يمكن اكتساب الطاقة أو فقدانها، مما يخلق نقاطاً فريدة تسمى "النقاط الاستثنائية" (exceptional points). عند هذه المواقع المحددة، تنهار القواعد المعتادة لميكانيكا الكم: حيث تندمج حالتان متميزتان للنظام في حالة واحدة، ويصبح النظام غير قادر على التمييز بينهما. واكتشف الباحثون أنه إذا حركتم بارامترات النظام في حلقة مغلقة حول إحدى هذه النقاط، فإن الحالات لا تعود فقط إلى حيث بدأت، بل تتبادل أماكنها. وهذا التبادل هو تأثير طوبولوجي قوي، مما يعني أنه يحدث بغض النظر عن الأخطاء الصغيرة أو الضجيج في المسار، تماماً كما تظل العقدة مربوطة حتى لو هززت الحبل.

قام الفريق، بقيادة فيزيائيين من جامعات في الكاميرون والجابون، ببناء خريطة تفصيلية لمكان وجود هذه النقاط الاستثنائية داخل نموذجهم. واستخلصوا قاعدة رياضية دقيقة تتنبأ بالضبط بعدد هذه النقاط التي ستظهر في أي نظام وأين ستكون مواقعها. ومن خلال محاكاة سلسلة من الجسيمات ذات التفاعلات المحددة، وجدوا أن عدد هذه النقاط الخاصة يتحدد ببساطة من خلال طول السلسلة. ثم اختبروا ما يحدث عندما يوجهون النظام حول هذه النقاط؛ حيث أكدت عمليات المحاكاة التي أجروها أن الإحاطة بنقطة استثنائية تؤدي إلى تبادل حالات النظام الداخلية بشكل مثالي. علاوة على ذلك، وجدوا أن عمليات التبادل هذه تصاحبها تغيرات طورية محددة ومكممة، وهي نوع من الساعة الداخلية التي تكتك بخطوات ثابتة بدلاً من الحركة المستمرة. هذا الجمع بين تبادل الحالات وتحولات الطور الثابتة يخلق مجموعة من العمليات الموثوقة، أو "البوابات"، التي يمكن استخدامها لمعالجة المعلومات.

أظهر الباحثون أن هذه العمليات الطوبولوجية يمكن دمجها لأداء مهام معقدة، مما يخلق فعلياً طريقة جديدة لبرمجة الحاسوب. لقد حددوا مجموعة عالمية من البوابات، بما في ذلك العمليات التي تقلب البتات (bits)، وتخلق حالات التراكب (superpositions)، وتبدل قطعاً كاملة من المعلومات، وكل ذلك ناتج عن جدل المسارات حول النقاط الاستثنائية. ولإثبات أن هذا المفهوم يعمل في التعلم، وضعوا تحدياً: هل يمكن للحاسوب العث/إيجاد التسلسل الصحيح من هذه الجدلات لإعادة إنشاء بوابة منطقية قياسية تُستخدم في الحوسبة الكمومية؟ وباستخدام خوارزمية البحث الجيني—وهي طريقة تحاكي التطور من خلال اختبار العديد من التوليفات والاحتفاظ بالأفضل منها—نجح النظام في اكتشاف تسلسلات قصيرة من الجدلات التي أعادت إنتاج البوابة المستهدفة بدقة تقارب الكمال. وقد أثبت ذلك أن التعلم يمكن إعادة صياغته كعملية بحث عن التسلسل الصحيح من الحركات الطوبولوجية، بدلاً من تعديل الأرقام المستمرة.

يقدم هذا النهج مزايا متميزة مقارنة بالطرق التقليدية. فبما أن المعلومات تُخزن في شكل المسار الذي تم اتخاذه عبر فضاء البارامترات، فإن النظام يكون محصناً بطبيعته ضد الاضطرابات الصغيرة. فإذا كان المسار متذبذباً قليلاً، تظل النتيجة النهائية كما هي طالما أن الحلقة لا تزال تحيط بالنقطة الاستثنائية. وهذا يوفر دفاعاً طبيعياً ضد الضجيج ويمنع "النسيان الكارثي" الذي يظهر غالباً في الشبكات العصبية القياسية، حيث يؤدي تعلم مهمة جديدة إلى محو المعرفة القديمة. كما وجد الباحثون أنه يمكن ضبط النظام ليكون له سلوكيات مختلفة في أجزاء مختلفة من بنيته، مما يسمح بهيكلية هجينة حيث تكون بعض الأجزاء محمية طوبولوجياً بينما تظل أجزاء أخرى مرنة. ومن خلال رسم خريطة دقيقة لمكان حدوث هذه التأثيرات الطوبولوجية، قدم الفريق مخططاً لبناء آلات تتعلم من خلال المنطق غير القابل للكسر للهندسة، مما يوفر مساراً واعداً نحو ذكاء اصطناعي أكثر قوة وموثوقية.