Multiple Nonlinear Waves by (Quantum) Neural Networks: Checking the AI supremacy

إن الطبيعة مليئة بالأمواج التي لا تتلاشى ببساطة أو تتحطم وتتشتت. ففي المياه الضحلة، وفي الغلاف الجوي، وحتى في تدفق الكهرباء، يمكن للاضطرابات أن تنتقل لمسافات طويلة مع الحفاظ على شكلها، بل وتمر أحياناً عبر بعضها البعض دون أن تفقد هويتها. هذه ليست التموجات الفوضوية لبحر هائج، بل هي أنماط عالية التنظيم تحكمها قواعد رياضية صارمة. لعقود من الزمن، استخدم العلماء معادلات معقدة للتنبؤ بكيفية سلوك هذه الأمواج، معتمدين على طرق تعمل جيداً في الحالات البسيطة ولكنها تواجه صعوبة عندما تصبح الأنماط معقدة. ويكمن التحدي في العدد الهائل من الأجزاء المتفاعلة؛ فعندما يتكون الموج من العديد من المكونات المتداخلة، يمكن أن تصبح الحسابات المطلوبة لتتبعها ثقيلة جداً لدرجة تجعل حتى الحواسيب القوية تتعثر.

في السنوات الأخيرة، ظهرت أداة جديدة لمعالجة هذه المشكلات الصعبة: الذكاء الاصطناعي المصمم لفهم قوانين الفيزياء. وبدلاً من مجرد التعلم من البيانات مثل طالب بشري يحفظ الحقائق، تم بناء هذه الأنظمة لتتحلى باحترام المعادلات الأساسية التي تحكم الكون. وقد اختبر الباحثون هذه الشبكات "المستنيرة بالفيزياء" لمعرفة ما إذا كان بإمكانها حل المشكلات التي تجد الطرق التقليدية صعبة للغاية. والآن، ذهب فريق من العلماء في إيطاليا خطوة أبعد من هذه الفكرة، متسائلين عما إذا كان الجيل القادم من الحوسبة — التكنولوجيا الكمومية — يمكن أن يجعل هذه الشبكات الذكية أفضل. لقد ركزوا على نوع محدد ومعروف جيداً من معادلات الموج لمعرفة ما إذا كان نسخة محسنة كمومياً من الشبكة يمكنها التعامل مع تعقيد الأمواج المتعددة والمتداخلة، وهو سيناريو يمثل اختباراً كبيًرا لأي طريقة حوسبة جديدة.

اختار الباحثون دراسة معادلة "كورتويغ-دي فريس" (Korteweg-de Vries)، وهي نموذج شهير يصف كيفية تحرك الأمواج في وسط ضعيف اللاخطية، مثل المياه الضحلة. وبينما تعد هذه المعادلة قابلة للحل نظرياً، فإن الحلول للأمواج ذات الأنماط المتعددة والمتداخلة، والمعروفة باسم حلول "الرتب العالية" (high-genus solutions)، صعبة الحساب بشكل ملحوء. تتضمن هذه الحلول عدداً هائلاً من المكونات التوافقية التي تتفاعل بطرق معقدة. ولحلها، يحتاج المرء عادةً إلى حساب عدد ضخم من المتغيرات، وهي مهمة تصبح مكلفة حوسبياً وغير مستقرة مع زيادة عدد مكونات الموج. أراد الفريق معرفة ما إذا كانت الشبكة العصبية، وهي نوع من برامج الكمبيوتر المستوحاة من الدماغ البشري، قادرة على تعلم التنبؤ بأنماط هذه الأمواج دون الحاجة إلى تنفيذ كل خطوة من خطوات الحساب التقليدي.

ولاختبار ذلك، أقام العلماء منافسة بين نوعين من الشبكات. الأول كان شبكة عصبية قياسية مستنيرة بالفيزياء، وهي برنامج كمبيوتر كلاسيكي مُدرب على تقليل الأخطاء في تنبؤاته بسلوك الموجة. والثاني كان شبكة عصبية كمومية مستنيرة بالفيزياء، وهو نظام هجين يستبدل جزءاً من الشبكة الكلاسيكية بمعالج كمومي محاكى. يستخدم هذا الجزء الكمومي مبادئ ميكانيكا الكم، مثل قدرة الجسيمات على الوجود في حالات متعددة في آن واحد، لمعالجة المعلومات. قام الباحثون بتدريب كلا النظامين على نفس مشاكل الموج، والتي تضمنت أمواجاً ذات نمطين وثلاثة أنماط متداخلة، ثم قاسوا مدى دقة كل منهما في إعادة إنتاج الحلول المعروفة.

أظهرت النت النتائج أن كلا النظامين استطاعا تعلم أنماط الموج، لكنهما قاما بذلك بتنازلات مختلفة. حققت الشبكة الكلاسيكية، بهيكليتها القياسية، مستوى معيناً من الدقة، لكنها تطلبت عدداً كبيراً من الإعدادات القابلة للضبط، أو ما يسمى بالمعلمات (parameters). أما الشبكة المعززة كمومياً، فقد تمكنت من الوصول إلى مستوى مماثل من الأداء باستخدام عدد أقل بكثير من المعلمات. في الواقع، خفضت النسخة الكمومية عدد الإعدادات القابلة للتدريب بنسبة تقارب خمسة عشر بالمائة مع الاستمرار في التقاط السلوك الأساسي للأمواج. وهذا التقليل مهم لأن وجود معلمات أقل يعني عموماً نموذجاً أبسط أقل عرضة لـ "الفرط في التخصيص" (overfitting) وأسهل في التشغيل على الأجهزة الكمومية المستقبلية. ومع ذلك، لم تكن الشبكة الكمومية مثالية؛ إذ كانت تنبؤاتها أقل دقة قليلاً من النسخة الكلاسيكية، مع هامش خطأ أعلى قليلاً.

كما كشفت الدراسة أنه على الرغم من قوة هذه الشبكات، إلا أنها ليست بعد "عصا سحرية" لجميع مشكلات الأمواج. فقد وجد الباحثون أن الشبكات واجهت صعوبة عندما طُلب منها التنبؤ بسلوك الموج خارج الفترة الزمنية التي تم تدريبها عليها. فإذا كان التدريب قد غطى نافذة زمنية محددة، فإن قدرة الشبكة على تخمين ما حدث بمجرد تجاوز تلك النافذة كانت غير مستقرة. علاوة على ذلك، اعتمدت دقة التنبؤات بشكل كبير على تعقيد نمط الموج؛ فمع زيادة عدد الأمواج المتداخلة، ارتفعت معدلات الخطأ لكلا النظامين، مما يشير إلى أنه بينما يوفر النهج الكمومي بنية أكثر كفاءة، فإنه لا يزال يواجه تحديات في التعامل مع السيناريوهات الأكثر تعقيداً.

يعمل هذا العمل كمعيار حاسم لمستقبل الحوسبة العلمية. فمن خلال اختبار هذه الأنظمة على مشكلة تم حلها بالفعل بواسطة الرياضيات التقليدية، استطاع الباحثون رؤية أين تقف هذه التكنولوجيا الجديدة بوضوح. لقد وجدوا أن الشبكات العصبية الكمومية يمكنها بالفعل ضغط تعقيد المشكلة، باستخدام موارد أقل لتحقيق نتيجة مماثلة. ومع ذلك، فإن التكنولوجيا لا تزال في مراحلها الأولى. لقد أُجريت عمليات المحاكاة على أجهزة كمبيوتر كلاسيكية كانت تحاكي السلوك الكمومي، مما يعني أن السرعة الكاملة وقوة الكمبيوتر الكمومي الحقيقي لم تُستغل بعد. وأشار الباحثون إلى أن القيود الحالية للأجهزة الكمومية، مثل الضجيج والعدد المحدود من البتات الكمومية، تعني أن الإمكانات الكاملة لهذه الأساليب لم تتحقق بعد.

في النهاية، خلصت الورقة البحثية إلى أنه على الرغم من أن الشبكات العصبية المعززة كمومياً تبشر بالخير لحل معادلات الموج المعقدة، إلا أنها ليست بعد متفوقة على الطرق الكلاسيكية من حيث الدقة الخام. تكمن القيمة الحقيقية في كفاءة النهج الكمومي، الذي يستخدم متغيرات أقل لوصف نفس الواقع الفيزيائي. ويمكن أن تصبح هذه الكفاءة نقطة تحول بمجرد أن تصبح الحواسيب الكمومية أكثر تقدماً وأقل ضجيجاً. أما الآن، فتقدم الدراسة خارطة طريق واضحة: التكنولوجيا جاهزة للاختبار على مشكلات أكثر تعقيداً وغير محلولة، لكنها تحتاج إلى مزيد من التطوير لتضاه في موثوقيتها الأدوات التي استخدمها العلماء لعقود. إن الرحلة من المفهوم النظري إلى أداة عملية لفهم الأمواج الأكثر تعقيداً في الكون قد بدأت بالفعل، لكن الوجهة لا تزال بعيدة المنال.