Bernstein-Vazirani Networks: Quantum Machine Learning by Interference
تقدم هذه الورقة شبكات بيرنشتاين-فايراني (BVNs)، وهي إطار عمل للتعلم الآلي الكمي غير متغير وغير قائم على التدرج، يستخدم التداخل الكمي في قواعد فوريه أو القواعد المتكيفة مع المشكلة لتحقيق تقريب دالي شامل وتعميم قوي في مهام الرؤية وتعلم التمثيل.
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 مجال الحوسبة، هناك طموح متزايد لتسخير القواعد الغريبة لميكانيكا الكم لحل المشكلات التي تستعصي حتى على أقوى الآلات الكلاسيكية. هذا المجال، المعروف باسم تعلم الآلة الكمي، يسعى لبناء أنظمة ذكية لا تعمل بناءً على المفاتيح الثنائية للحواسيب التقليدية، بل على الحالات المتدفقة والمتداخلة للجسيمات الكمية. لسنوات، كانت الاستراتيجية السائدة هي محاكاة الطريقة التي تتعلم بها الأدمغة البشرية: من خلال ضبط ملايين الأزرار الصغيرة، أو المعلمات، داخل شبكة معقدة حتى تصل إلى الإجابة الصحيحة. ومع ذلك، فقد اصطدم هذا النهج بحائط مسدود؛ فعملية ضبط هذه الأزرار غالبًا ما تكون بطيئة، وعرضة للوقوع في مآزق مسدودة، وتتطلب عددًا مرهقًا من المحاولات للتحقق مما إذا كانت الآلة تتعلم حقًا. وقد بدأ الباحثون يتساءلون عما إذا كانت هناك طريقة مختلفة جوهريًا لتعليم الحاسوب الكمي، طريقة تتجاوز عملية التجربة والخطأ البطيئة للتدريب التقليدي.
اقترح فريق من الباحثين طريقة جديدة تسمى "شبكات بيرنشتاين-فيراتزاري" (Bernstein–Vierani Networks)، والتي تتخلى عن فكرة ضبط الأزرار لصالح مبدأ يُعرف بالتداخل. في العالم الكمي، يمكن للجسيمات أن توجد في حالات متعددة في آن واحد، وعندما تلتقي هذه الحالات، يمكنها إما أن تضخم بعضها البعض أو تلغي بعضها البعض، تمامًا مثل التموجات على سطح بركة ماء. أدرك الباحثون أنه بدلاً من تعديل النموذج ببطء ليتناسب مع البيانات، يمكنهم وضع جميع النسخ الممكنة من الحل في حالة تراكب وترك البيانات نفسها توجه عملية التداخل. ومن خلال القيام بذلك، تبرز الأنماط الصحيحة بشكل طبيعي بينما تلغي الأنماط غير الصحيحة نفسها. هذا النهج، المستوحى من خوارزمية كمية كلاسيكية من تسعينيات القرن الماضي، يسمح للنظام بالتعلم دون العبء الحسابي الثقيل لحساب التدرجات أو ضبط المعلمات، مما يوفر مسارًا جديدًا للذكاء الاصطنا Stri.
إن جوهر هذا الإطار الجديد هو تحول في كيفية رؤية التعلم. فبدلاً من كونه عملية تحسين حيث يتحسن النموذج ببطء بمرور الوقت، يعامل الباحثون التعلم كمسألة اكتشاف. تخيل محاولة العثور على لحن محدد مخفي وسط ضجيج فوضوي؛ قد تتضمن الطرق التقليدية خفض صوت كل نوتة خاطئة ببطء حتى لا يتبقى سوى النوتة الصحيحة. أما النهج الجديد، فهو يشبه ترتيب الضجيج بحيث تلغي النوتات الخاطئة بعضها البعض فورًا، تاركة اللحن ليرن بوضوح. في تجاربهم، أظهر الفريق أنه باستخدام التداخل الكمي، استطاعوا استخراج الميزات الأساسية لمجموعة بيانات في خطوة واحدة. وقد اختبروا ذلك في مهام متنوعة، بما في ذلك تصنيف صور الزهور والبطاريق، وملاءمة أشكال معقدة على شبكة ثنائية الأبعاد. وفي هذه المحاكاة، تمكن النظام من تحديد حدود القرار الصحيحة بدقة عالية، وغالبًا باستخدام جزء بسيط فقط من البيانات المطلوبة من قبل الطرق الأخرى.
ولجعل هذا يعمل للمشكلات الواقعية، حيث نادرًا ما تكون البيانات مرتبة بدقة، طور الباحثون نسخة "معممة" من شبكتهم. كانت الخوارزمية الأصلية تعمل بشكل أفضل عندما تكون الإجابة عبارة عن خط مستقيم بسيط، لكن معظم الأنماط في العالم الحقيقي منحنية ومعقدة. تقدم النسخة المعممة طبقة مرنة يمكنها إعادة تشكيل البيانات قبل حدوث التداخل، مما يسمح للنظام بالتعامل مع الأشكال الأكثر تعقيدًا. وقد ثبت أن هذا التكيف كان حاسمًا؛ ففي الاختبارات التي تضمنت مجموعات بيانات رباعية الأبعاد، واجهت النسخة القياسية صعوبة، لكن النسخة المعممة تكيفت مع تعقيد البيانات، محققة دقة تضاهي أفضل النماذج الكلاسيكية. وجد الباحثون أنه من خلال السماح للنظام بأخذ عينات من مجموعة واسعة من الحلول المحتملة في وقت واحد، استطاعوا إعادة بناء الدالة المستهدفة بكفاءة ملحوقة، متجنبين فخاخ الوقوع في النهايات الصغرى المحلية التي تؤرق تقنيات التعلم الكمي الأخرى.
كانت نتائج هذه المحاكاة مذهلة في كفاءتها. فعندما قارن الفريق طريقتهم بالنماذج الكمية الموجودة التي تعتمد على ضبط المعلمات، كان الفرق في السرعة جوهريًا. فبينما تطلبت النماذج الكمية التقليدية آلاف المحاولات للتحقق من تعلمها، وصل النهج الجديد القائم على التداخل إلى دقة مماثلة أو أفضل بعدد أقل بكثير من القياسات. وفي اختبار محدد يتعلق بتمثيل الصور، أنتجت الطريقة الجديدة صورًا واضحة ومتماسكة باستخدام عشرة آلاف "طلقة" (shots) فقط، وهو رقم يمكن التعامل معه بالتقنيات الحالية. في المقابل، تطلبت الأساليب الكمية الأخرى موارد حسابية ووقتًا أكبر بكثير لتحقيق نتائج مماثلة. وأشار الباحثون إلى أن طريقتهم قوية بشكل خاص ضد نوع الضجيج الذي غالبًا ما يعاني منه العتاد الكمي، حيث حافظت على أدائها حتى عندما تعرض النظام لأخطاء واقعية.
رغم هذه النجاحات، يحرص الباحثون على تأطير نتائجهم ضمن سياق المحاكاة. فقد أُجريت التجارب على حواسيب كلاسيكية تحاكي السلوك الكمي، مما يعني أن النتائج لم تُختبر بعد على عتاد كمي حقيقي. وهم يقرون بأن توسيع نطاق هذا النهج ليشمل مجموعات بيانات أكبر من العالم الحقيقي يطرح تحديات، خاصة فيما يتعلق بكيفية التعامل مع البيانات التي لا تتوافق تمامًا مع الإطار الرياضي الذي صمموه. ويقترحون أن العمل المستقبلي سيحتاج إلى تحسين الطريقة التي يتم بها إعداد البيانات وكيفية بناء أنماط التداخل للتعامل مع فوضوية العالم الحقيقي. ومع ذلك، فإن إثبات المفهوم واضح: من خلال الاستفادة من الفيزياء الطبيعية للتداخل، من الممكن بناء نماذج تعلم تكون أسرع، وأكثر كفاءة، ومختلفة جوهريًا عن النماذج التي يطغى عليها ثقل عمليات التحسين اليوم.
إن تداعيات هذا العمل تمتد إلى ما هو أبعد من مجرد السرعة. فمن خلال إزالة الحاجة إلى حلقة تدريب بطيئة ومتكررة، فتح الباحثون الباب أمام فئة جديدة من الخوارزميات الكمية التي يمكن نشرها على الأجهزة الكمية القريبة من الواقع التجاري. هذه الأجهزة محدودة حاليًا في قدرتها على الاحتفاظ بحالات معقدة، لكنها قادرة على أداء عمليات التداخل المحددة التي يعتمد عليها هذا الأسلوب. وإذا تم نقل هذا النهج بنجاح إلى العتاد الفيزيائي، فقد يسمح للعلماء بحل مشكلات التصنيف والتمثيل المعقدة بجزء بسيط من الطاقة والوقت المطلوبين حاليًا. ويشير العمل إلى أن مستقبل تعلم الآلة الكمي قد لا يكمن في بناء شبكات أكبر وأكثر تعقيدًا، بل في إيجاد طرق أذكى للاستماع إلى الإشارات التي تقدمها الطبيعة بالفعل.
في النهاية، تقدم الورقة البحثية بديلًا مقنعًا للوضع الراهن. فهي تتحدى الافتراض بأن التعلم يجب أن يكون عملية تعديل بطيئة ومضنية، وتقترح أنه يمكن أن يكون بدلًا من ذلك لحظة من الوضوح، حيث تكشف الإجابة عن نفسها من خلال إلغاء الاحتمالات الخاطئة. لقد أظهر الباحثون أنه من خلال إعادة التفكير في الميكانيكا الأساسية لكيفية تعلم الآلة، يمكن تحقيق نتائج قوية وفعالة في آن واحد. وبينما لا تزال الرحلة من المحاكة إلى التطبيق العملي طويلة، فإن المسار الذي رسموه يقدم اتجاهًا واعدًا لمجال كان يبحث عن طفرة نوعية لفترة من الزمن. ويقف هذا العمل كشهادة على فكرة أنه في بعض الأحيان، ليست أفضل طريقة لإيجاد الحل هي إجباره على الوجود، بل ترك الهيكل الأساسي للمشكلة يكشف عنه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.