Dynamic Entanglement-Weighted Pruning for Quantum Federated Unlearning in Supply-Chain Risk Prediction
تقدم هذه الورقة البحثية تقنية "التقليم الموزون بالتشابك" (EWP)، وهي طريقة جديدة للتعلم النسياني في التعلم الاتحادي الكمي المستخدم في التنبؤ بمخاطر سلاسل التوريد، والتي تعمل بكفاءة على إزالة تأثير العميل من خلال تقليم المعلمات بناءً على درجة مشتركة من معلومات فيشر الكمية والتشابك الهيكلي، محققةً دقة تضاهي إعادة التدريب الكامل مع خفض التكلفة الحسابية بشكل كبير.
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 عالم اللوجستيات الحديث، يعد التنبؤ بالمخاطر جهداً جماعياً. فالشركات الشاحنة والمصنعون والناقلون جميعهم يمتلكون قطعاً من لغز ما — بيانات حول التأخيرات، والوضع المالي، واضطرابات المسارات — وهي بيانات لا يمكن لأي شركة بمفردها مشاركتها مع الآخرين قانونياً أو بأمان. ولحل هذه المعضلة، يستخدمون طريقة تسمى "التعلم الاتحادي" (Federated Learning). فبدلاً من تجميع بياناتهم الحساسة في قاعدة بيانات مركزية واحدة، يقومون بتدريب نموذج حاسوبي مشترك عبر إرسال تحديثات مشفرة صغيرة فقط ذهاباً وإياباً. وفي هذه الطريقة، لا تغادر البيانات الخام مقر مالكها أبداً. وقد تم توسيع هذا النهج مؤخراً ليشمل مجال الحوسبة الكمومية الناشئ، حيث لا يكون النموذج المشترك برنامجاً قياسياً، بل ترتيباً معقداً من البتات الكمومية، أو "الكيوبتات" (qubits)، التي يمكنها معالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. ومع ذلك، ظهر تعقيد جديد؛ فقوانين الخصوصية، مثل اللائحة العامة لحماية البيانات (GDPR) في أوروبا، تمنح الأفراد والشركات "الحق في النسيان". فإذا انضمت شركة إلى نموذج تعاوني وقررت لاحقاً الانسحاب، فإن القانون يتطلب مسح تأثيرها من النظام النهائي. وفي الإطار الكلاسيكي، يعد هذا أمراً صعباً؛ أما في الإطار الكمومي، حيث تُنسج المعلومات معاً من خلال ظاهرة تسمى "التشابك" (Entanglement)، فيصبح الأمر أكثر غموضاً. ويصبح السؤال المركزي هو: كيف يمكنك إزالة مساهمة شخص واحد من نموذج كمومي دون تدمير قدرة النموذج على التنبؤ بالمخاطر للآخرين؟
اقترح باحثون في المعهد الهندي للتكنولوجيا بجودبور حلاً لهذه المشكلة، وهي طريقة أطلقوا عليها اسم "التقليم الموزون بالتشابك" (Entanglement-Weighted Pruning). وقد تصدى الفريق، بقيادة أديتيا كومار وسوميت تشوندر، لهذا التحدي من خلال محاكاة سيناريو للتنبؤ بمخاطر سلاسل التوريد يتضمن خمس شركات مختلفة. في تجربتهم، امتلكت كل شركة مجموعة صغيرة من البيانات المتعلقة بمخاطر الشحن. وقاموا بتدريب نموذج كمومي مشترك معاً، ثم، في طلب قانوني محاكى، طلبت إحدى الشركات إزالتها. وكان على الباحثين إيجاد طريقة لقص تأثير تلك الشركة تحديداً جراحياً دون الحاجة إلى إعادة تدريب النموذج بأكلى من البداية، وهي عملية ستكون بطيئة ومكلفة للغاية على الأجهزة الكمومية الحالية.
أدرك الفريق أن ليس كل أجزاء النموذج الكمومي متساوية الأهمية لكل شركة. ولتحديد الأجزاء التي يجب إزالتها، طوروا نظام تسجيل ينظر إلى شيئين محددين لكل "مقبض" قابل للضبط، أو "معلمة" (parameter)، في الدائرة الكمومية. أولاً، قاموا بقياس مدى حساسية مقبض معين لبيانات الشركة التي أرادت المغادرة. فإذا كان المقبض يغير مخرجات النموذج بشكل جذري عند تغذيته ببيانات تلك الشركة، فإنه يُعتبر شديد الحساسية لتلك الشركة. ثانياً، قاموا بقياس مدى مساهمة ذلك المقبض في "التشابك الكمومي" للنظام. فالتشابك هو الرابط الكمومي الفريد الذي يربط الجسيمات؛ وبعض المقابض تخلق روابط قوية بين الجسيمات، بينما يخلق بعضها الآخر روابط ضعيفة. ووجد الباحثون أن المقابض الأكثر أماناً للإزالة هي تلك التي كانت شديدة الحساسية لبيانات الشركة المغادرة ولكنها تخلق روابط تشابك ضعيفة جداً. كانت هذه الأجزاء من النموذج تحمل أسرار الشركة المغادرة ولكنها لم تكن أساسية للهيكل العام الذي يمسك النموذج معاً.
وقد دمجوا هذين القياسين في درجة واحدة. وأي مقبض يحصل على درجة منخفضة — أي أنه كان خاصاً بالشركة المغادرة ولكنه غير مهم هيكلياً للمجموعة — يتم إعادة ضبطه إلى حالة محايدة، مما يؤدي فعلياً إلى مسح مساهمته. وبعد عملية التقليم هذه، أجرى الباحثون تعديلاً قصيراً ومستهدفاً باستخدام بيانات الشركات المتبقية فقط لضمان استمرار عمل النموذج بشكل جيد. واختبروا هذه الطة مقابل عدة بدائل، بما في ذلك إعادة تدريب النموذج بالكامل من البداية، وهو المعيار الذهبي ولكنه يستغرق وقتاً طويلاً، وطرق أخرى نظرت في عامل واحد فقط من العاملين.
كانت النتائج مذهلة. ففي عمليات المحاكاة التي أجروها، حققت طريقة التقليم الجديدة دقة تقارب 84 بالمائة في التنبؤ بالمخاطر، وهي نسبة لا تختلف إحصائياً عن طريقة إعادة التدريب الكاملة. والأهم من ذلك، أنها كانت أكثر فعالية في "النسيان". فعندما اختبر الباحثون ما إذا كان بإمكان مخترق معرفة ما إذا كانت بيانات الشركة المغادرة قد كانت جزءاً من التدريب، جعلت الطريقة الجديدة من الصعب جداً خداع النموذج مقارنة بطريقة إعادة التدريب الكاملة. ومع ذلك، فإن الاكتشاف الأكثر أهمية كان السرعة. فبينما استغرقت إعادة تدريب النموذج بالكامل من البداية حوالي 65 ثانية في محاكاتهم، أكملت طريقة التقليم الجديدة عملية "النسيان" في أقل من أربع ثوانٍ. ويمثل هذا تسريعاً بنحو 16 مرة، وهو مكسب هائل لنظام تكون فيه كل ثانية من الحوسبة مكلفة.
كما استكشف البحث ما يحدث إذا حاول الباحثون استخدام عامل واحد فقط من العاملين. فإذا أزالوا المقابض بناءً على الحساسية لبي الشركة المغادرة فقط، متجاهلين قوة التشابك، انخفضت دقة النموذج بأكثر من 35 نقطة مئوية. وبالمثل، إذا أزالوا المقابض بناءً على ضعف التشابك فقط، متجاهلين حساسية البيانات المحددة، فشل النموذج في نسيان الشركة بفعالية. وقد أكد هذا أن الجمع بين الإشارتين كان ضرورياً؛ إذ لم تنجح الطة إلا لأنها وجدت التقاطع المحدد حيث تكون المعلمة حاملة للبيانات غير المرغوب فيها وآمنة للتخلص منها في آن واحد.
وقد كان الباحثون حذرين في توضيح حدود عملهم. فنتائجهم تأتي من محاكاة على حاسوب كلاسيكي، وليس على آلة كمومية حقيقية، واستخدموا نموذجاً صغيراً يحتوي على أربعة "كيوبتات" فقط. كما أكدوا أنه بينما تحاكي طريقتهم تأثير "الحق في النسيان" القانوني، فإنها لا توفر ضماناً رياضياً بأن البيانات قد اختفت بنفس الطريقة التي يوفرها الإثبات التشفيري. ومع ذلك، تقدم الدراسة مساراً واضحاً وعملياً؛ فهي تشير إلى أنه في المستقبل، عندما تُستخدم النماذج الكمومية لاتخاذ قرارات حاسمة في مجالات مثل سلاسل التوريد أو الرعاية الصحية، سيكون من الممكن احترام قوانين الخصوصية وإزالة مساهمات محددة دون التضحية بأداء النموذج أو الانتظار لأيام لإتمام إعادة تدريب كاملة. إن هذه الطريقة تحول عملية قد تكون تدميرية إلى عملية دقيقة وفعالة، مما يضمن إمكانية تطور الذكاء الجماعي للمجموعة حتى مع تغير الأعضاء الفرديين ورحيلهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.