Continuous-Time Quantum Walks based Graph Neural Network

في العالم الرقمي، لا تُنظم معظم بياناتنا في صفوف وأعمدة مرتبة كما هو الحال في جداول البيانات، بل تظهر كشبكات معقدة من الروابط. فكر في شبكة اجتماعية حيث يرتبط الناس ببعضهم عبر الصداقات، أو خريطة طرق حيث تترابط المدن عبر الشوارع، أو نظام بيولوجي حيث تتفاعل البروتينات مع بعضها البعض. ولتفسير هذه الهياكل المعقدة، يستخدم العلماء نوعاً من الذكاء الاصطعي يسمى "الشبكة العصبية الرسومية" (Graph Neural Network). صُممت هذه الأنظمة لتتعلم من شكل البيانات نفسها، وفهم كيفية تأثير قطعة واحدة من المعلومات على جيرانها. لسنوات طويلة، حققت هذه الأدوات نجاحاً مذهلاً في مهام مثل التوصية بالمنتجات أو التنبؤ بحركة المرور، لكنها حملت عبئين ثقيلين حدّا من إمكاناتها.

العبء الأول هو التحيز نحو التشابه. تعمل معظم هذه الشبكات بناءً على افتراض أن الأشياء المتصلة ببعضها متشابهة، تماماً كما يشترك الأصدقاء غالباً في اهتمامات متماثلة. هذا يعمل بشكل جيد عندما تكون الروابط قوية ومتجانسة، لكنه يفشل فشلاً ذريعاً عندما تربط هذه الروابط بين أشياء مختلفة تماماً. ففي العديد من السيناريوهات الواقعية، مثل تفاعل كيميائي حيث ترتبط ذرات مختلفة لإنشاء شيء جديد، أو شبكة مالية حيث تتفاعل كيانات متباينة، يكون الجيران مختلفين جوهرياً. إن الأدوات القديمة، التي تعمل على تنعيم الاختلافات لإيجاد أرضية مشتركة، تجد صعوبة في التعلم من هذه العلاقات المتنوعة. أما العبء الثاني فهو مشكلة العمق. لتعلم الأنماط المعقدة، تحتاج هذه الشبكات إلى أن تكون عميقة، عبر تكديس طبقات عديدة من المعالجة فوق بعضها البعض. ومع ذلك، كلما زاد عمقها، تميل التفاصيل الفريدة لكل قطعة من المعلومات إلى التلاشي، مما يجعل كل عقدة في الشبكة تبدو متطابقة تماماً. هذه الظاهرة، المعروفة باسم "التنعيم المفرط" (over-smoothing)، تجبر هذه الأنظمة على البقاء ضحلة وتحد من قدرتها على حل المشكلات الصعبة.

اقترح فريق من الباحثين في جامعة رنمين الصينية نهجاً جديداً لفك هذين العقدتين في آن واحد. فبدلاً من محاولة إصلاح مشكلة التنعيم ومشكلة التشابه بشكل منفصل، قاموا ببناء نوع جديد من الشبكات مستوحى من فيزياء ميكانيكا الكم. وتحديداً، استخدموا مفهوماً يسمى "المسيرة الكمومية المستمرة زمنياً" (Continuous-Time Quantum Walk). في العالم الكلاسيكي، إذا وضعت قطرة حبر في كأس من الماء، فإنها ستنتشر ببطء وتتلاشى حتى يصبح الماء ملوناً بشكل موحد. هكذا تنقل الشبكات التقليدية المعلومات: فهي تنتشر وتخبو. أما في العالم الكمومي، فلا تتحرك الجسيمات بالانتشار؛ بل تتحرك كموجة. ويمكن لهذه الموجة أن تتداخل مع نفسها، مما يخلق أنماطاً من القمم والوديان التي تحافظ على الهوية المتميزة للجسيم أثناء حركته. أدرك الباحثون أنه من خلال استخدام هذه الحركة الشبيهة بالموجة لتوجيه شبكتهم، يمكنهم منع المعلومات من التلاشي، ويمكنهم أيضاً التقاط الاختلافات بين العقد المتصلة.

يعمل النظام الجديد، الذي يسميه المؤلفون CTQW-GNN، عن طريق تشغيل ثلاثة أنواع مختلفة من عمليات جمع المعلومات في وقت واحد. تستخدم العملية الأولى الحركة الموجية المستوحاة من الكم لنشر المعلومات عبر الشبكة. وبما أن هذه الحركة تعتمد على قوانين الفيزياء الكمومية، فإنها تحافظ على إجمالي كمية المعلومات ولا تسمدها لتصبح ضبابية. وهذا يسمح للشبكة برؤية التفاصيل عالية التردد والاختلافات بين العقد التي تغفل عنها الطرق الأخرى. وتستخدم العملية الثانية الأنماط الناتجة عن المسيرة الكمومية لإيجاد روابط بين العقد البعيدة، حتى لو لم تكن مرتبطة مباشرة. يساعد هذا الشبكة في العث على "أصدقاء بعيدين" يتشاركون سمات مماثلة، وهي مهمة تفشل فيها الطرق القياسية غالباً. أما العملية الثالثة، فهي نهج تقليدي أكثر يركز على الجيران المباشرين، مما يضمن استمرار عمل النظام بشكل جيد في الرسوم البيانية حيث يكون كل شيء متشابهاً. ومن خلال دمج هذه التدفقات الثلاثة من المعلومات، تخلق الشبكة صورة غنية ومفصلة للبيانات لا يمكن للطرق القديمة ولا للطريقة الكمومية الجديدة تحقيقها بمفردهما.

اختبر الباحثون هذا النظام الجديد على أربعة عشر مجموعة بيانات مختلفة، تتراوح من الشبكات الاجتماعية إلى الهياكل الكيميائية. وكانت النتائج مذهلة؛ ففي كل مجموعة بيانات، تفوق النظام الجديد على أفضل الأساليب الموجودة. وفي الرسوم البيانية حيث كانت العقد المتصلة ببعضها مختلفة جداً، حسّن النظام الجديد الدقة بهامش كبير، مما أثبت قدرته على التعلم بنجاح من العلاقات المتنوعة دون أن يفقد مساره. وفي الرسوم البيانية حيث كانت العقد متشابهة جداً، كان أداؤه يضاهي أفضل الأدوات التقليدية، مما أظهر أنه لم يضحِ بقدرته على التعامل مع البيانات المتجانسة. ولعل الأهم من ذلك، لاحظ الباحثون أنه كلما جعلوا الشبكة أعمق فأعمق، لم تنهار المعلومات إلى ضباب موحد؛ بل ظلت السمات الفريدة لكل عقدة متميزة، حتى بعد مرورها عبر طبقات عديدة من المعالجة. وقد أكد هذا أن النهج المستوحى من الكم قد نجح في حل مشكلة التنعيم المفرط التي أرقت المجال لسنوات.

ولضمان أن هذا لم يكن مجرد تخمين محظوظ، قدم الفريق تفسيراً رياضياً صارماً لسبب نجاح طريقتهم. فقد أظهروا أن المسيرة الكمومية تعمل كمرآة مثالية للمعلومات، حيث تعكسها دون امتصاص أي من طاقتها. وتضمن هذه الخاصية قدرة الشبكة على التوسع في العمق حسب الحاجة دون فقدان التفاصيل التي تجعل كل عقدة فريدة. كما وضعوا قاعدة لكيفية تحديد مدة تشغيل المسيرة الكمومية، لضمان قدرة النظام على التقاط القدر الصحيح من المعلومات من الجيران القريبين والبعيدين على حد سواء. وتكلفة الحوسبة لهذا الأسلوب الجديد منخفضة بشكل مفاجئ، حيث تضاهي سرعة أكثر الأدوات كفاءة، مما يعني إمكانية استخدامه على مجموعات بيانات ضخمة دون إبطاء العمل.

يمثل هذا العمل خطوة كبيرة للأمام في مجال الذكاء الاصطناعي. فمن خلال استعارة مبدأ من عالم الجسيمات دون الذرية، ابتكر الباحثون أداة أكثر قوة ومرونة ومتانة مما سبقها. إن هذا العمل يثبت أن قيود الذكاء الاصطناعي الحالي ليست بالضرورة عوائق دائمة، بل يمكن التغلب عليها من خلال إعادة التفكير في القواعد الأساسية لكيفية تدفق المعلومات. إن النظام الجديد لا يقوم فقط بسد الثغرات في النماذج القديمة، بل يبني أساساً جديداً يسمح للآلات بفهم الهياكل المعقدة والمتنوعة والعميقة للعالم الحقيقي بوضوح كان بعيد المنال في السابق.