Quantum-Enhanced Learning Framework for Intelligent and AI-Native 6G Wireless Networks

يتجه العالم نحو مستقبل تتواصل فيه أجهزتنا باستمرار، من المستشعرات الذكية في المصانع إلى السيارات على طرقاتنا. هذا الجيل القادم من الاتصالات اللاسلكية، المعروف باسم 6G، يعد بأن يكون سريعًا واستجابيًا للغاية، ولكنه يجلب أيضًا تحديًا فريدًا: غالبًا ما تمتلك هذه الأجهزة قدرة محدودة جدًا على استهلاك الطاقة والمعالجة؛ فهي لا تستطيع حمل البرمجيات الثقيلة والمعقدة اللازمة لرصد التهديدات الأمنية مثل محاولة مخترق (Hacker) للولوج إلى النظام. ولحل هذه المشكلة، يتجه المهندسون إلى "تعلم الآلة الصغير" (Tiny Machine Learning)، وهي طريقة لتقليص الذكاء الاصطناعي بحيث يمكنه العمل مباشرة على هذه الأجهزة الصغيرة التي تعمل بالبطاريات. والهدف هو أن يتمكن الجهاز من التفكير بنفسه، ورصد المشكلات فور حدوثها دون الحاج سواء لإرسال البيانات إلى خادم ضخم. ومع ذلك، هناك عقبة؛ فمعظم الأدوات الأكثر قوة لرصد الأنماط في البيانات تتطلب طاقة كبيرة جدًا، بينما الأدوات الصغيرة التي تناسب هذه الأجهزة غالبًا ما تغفل عن الصورة الكبيرة. ويطرح الباحثون الآن تساؤلاً عما إذا كانت هناك طريقة للحصول على أفضل ما في العالمين دون إثقال كاهل الأجهزة.

اقترح فريق من الباحثين حلاً ذكيًا يستخدم القواعد الغريبة للفيزياء الكمومية، ليس لتشغيل البرامج الأمنية على الجهاز، بل لتعليمه كيف يفكر. أطلقوا على نظامهم الجديد اسم "Quantumer". الفكرة هي استخدام حاسوب كمومي، أو محاكاة لأحده، فقط خلال مرحلة التدريب. تخيل معلمًا بارعًا يمكنه رؤية أنماط لا يستطيع الطالب العادي رؤيتها؛ يساعد هذا المعلم الطالب على تعلم الطريقة الصحيحة للتعرف على التهديد، ولكن بمجرد انتهاء الدرس، يغادر المعلم ويستمر الطالب بمفرده باستخدام أدوات قياسية وعادية فقط. في هذه الحالة، "الطالب" هو البرنامج الصغير الذي يعمل على جهاز الحافة (Edge Device)، و"المعلم" هو دائرة كمومية صغيرة تساعد في تشكيل البيانات في صورة أكثر وضوحًا قبل بناء النموذج النهائي.

صمم الباحثون عملية مكونة من مرحلتين لجعل هذا الأمر ممكنًا. أولاً، بنوا نظامًا يسمى "Quantumer-Q"، والذي يعمل كأرض للتدريب. هنا، يقومون بتغذية بيانات حركة الشبكة — مثل البصمات الرقمية للأجهزة التي تحاول التواصل — في نموذج ذكاء اصطناعي مدمج. يمرر هذا النموذج البيانات عبر طبقة كمومية خاصة. تستخدم هذه الطبقة دائرة كمومية صغيرة مكونة من أربعة "كيوبتات" (Qubits). وببساة، الكيوبت هو وحدة معلومات في نظام كمومي يمكن أن توجد في حالات متعددة في آن واحد، مما يسمح لها بمعالجة المعلومات بطريقة معقدة وغير خطية. تقوم الدائرة بأخذ البيانات وتدويرها في شكل جديد، مما يسلط الضوء على الاختلافات بين حركة المرور الطبيعية والهجمات الخبيثة. يساعد هذا النظام على تعلم كيفية الفصل بين حركة المرور الجيدة والسيئة بشكل أكثر فعالية مما يمكن للطرق القياسية القيام به بمفردها.

بمجرد أن يتعلم النظام هذه الأنماط، تبدأ المرحلة الثانية. يقوم الباحثون بإزالة الدائرة الكمومية تمامًا. وما يتبقى هو نموذج كلاسيكي بحت، يسمى "Quantumer-C"، وهو صغير بما يكفي ليتناسب مع "راسبيري باي" (Raspberry Pi)، وهو كمبيوتر شائع ومنخفض التكلفة يستخدمه الهواة والمهندسون. يحتفظ هذا النموذج النهائي بالمعرفة المكتسبة من التدريب الكمومي، ولكنه يعمل باستخدام الرقائق السيليكونية القياسية الموجودة في الإلكترونيات اليومية. والنتيجة هي نظام أمني يتميز بكفاءة مذهلة. اختبر الباحثون هذا النهج على ثلاث مجموعات بيانات مختلفة تمثل شبكات صناعية وإنترنت الأشياء. ووجدوا أن النموذج، الذي يستخدم ما يزيد قليمًا عن 105,000 معلمة (وهي الإعدادات الداخلية التي تحدد كيفية تفكير الذكاء الاصطناعي)، يمكنه اكتشاف الاختراقات بدقة عالية.

عندما قاموا بنشر هذا النموذج المدرب على جهاز "راسبيري باي 4"، كانت النتائج مذهلة بالنسبة لجهاز ذي موارد محدودة كهذا. استطاع النظام اتخاذ قرار في حوالي 16.8 ميلي ثانية، مستخدمًا أقل من 0.65 ميجابايت من الذاكرة. ولوضع ذلك في الاعتبار، فإن النموذج بأكمله أصغر من صورة واحدة عالية الدقة، ومع ذلك يمكنه فحص حركة مرور الشبكة وتحديد التهديدات بشكل فوري تقريبًا. قارن الباحثون نهجهم بنماذج متقدمة أخرى، بما في ذلك النماذج القائمة على الشبكات العصبية العميقة ونماذج "المحولات" (Transformers) خفيفة الوزن الأخرى. وبينما كانت بعض تلك النماذج الأخرى أكثر دقة قليلاً، إلا أنها تطلبت ذاكرة وقدرة معالجة أكبر بكثير، مما يجعلها غير عملية لهذه الأجهزة الصغيرة التي ستدعم شبكة 6G. لقد سمح التدريب المعزز بالكم للنموذال الخاص بهم بأن يتفوق على قدراته المتوقعة، محققًا مستويات أداء قريبة من الأنظمة الأكبر بكثير مع البقاء صغيرًا وموفرًا للطاقة.

توضح الدراسة أن الأمر لا يتعلق بتشغيل حواسيب كمومية في سيارتك أو في منظم الحرارة الذكي الخاص بك. فالجزء الكمومي هو حصريًا أداة لمرحلة التدريب، يُستخدم "خارج الخط" (Offline) لتعليم النموذج كيفية رؤية العالم بوضوح. وبمجرد انتهاء عملية التعليم، لا تعود هناك حاجة للأجهزة الكمومية. وهذا التمييز أمر بالغ الأهمية لأنه يعني أنه يمكن بناء النظام الأمني النهائي باستخدام نفس الرقائق الرخيصة والمتوفرة على نطاق واسع والمستخدمة بالفعل اليوم. وقد أثبت الباحثون أنه من خلال استخدام ميكانيكا الكم لتشكيل عملية التعلم، استطاعوا إنشاء "معلم" يساعد نموذجًا كلاسيكيًا صغيرًا على فهم أنماط البيانات المعقدة. هذا النهج يسد الفجوة بين الحاجة إلى أمن متطور وواقع الأجهزة ذات الأجهزة المحدودة، مما يوفر مسارًا عمليًا لتأمين مليارات الأجهزة التي ستشكل قريبًا شبكة 6G.

تشير النتائج إلى أن هذه الطريقة الهجينة هي وسيلة قابلة للتطبيق لجلب الذكاء المتقدم إلى حافة الشبكة. نجح النموذج في تحديد أنواع مختلفة من الهجمات السيبرانية، بما في ذلك محاولات حجب الخدمة (DoS) وسرقة البيانات، عبر أنواع مختلفة من الشبكات الصناعية والاستهلاكية. وأشار الباحثون إلى أنه على الرغم من انخفاض الدقة قليًا عند إزالة الطبقة الكمومية وتحويل النموذج إلى تنسيق مضغوط للغاية ليعمل على "راسبيري باي"، إلا أن النظام ظل قويًا وسريعًا. ويُعد هذا المقايضة مقبولة لأن البديل — وهو استخدام نموذج أكبر بكثير ومستهلك للطاقة — لن يعمل ببساة على هذه الأجهزة. ويؤكد هذا العمل أن التدريب المعزز بالكم يمكن أن ينتج نماذج كلاسيكية ذكية وصغيرة في آن واحد، جاهزة لحماية العالم المتصل دون استنزاف بطارياتها.