Object Detection Using Quantum Transfer Learning

في عالم الذكاء الاصطناعي، أصبحت الحواسيب بارعة بشكل ملحوظ في التعرف على ماهية الأشياء. يمكنها النظر إلى صورة فوتوغرافية وإخبارك أن كلبًا يجلس على سجادة. لكن تحديًا أكثر صعوبة لا يزال قائمًا: تعليم الآلة ليس فقط تحديد الكلب، بل أيضًا تحديد مكانه بدقة في الصورة، ورسم مربع حوله بدقة. هذه المهمة، المعروفة باسم "كشف الأشياء" (object detection)، تتطلب من الكمبيوتر تعلم شيئين في آن واحد: هوية الشيء وموقعه المستمر في الفضاء. وبينما نجحت برامج الكمبيوتر التقليدية في تحقيق ذلك باستخدام كميات هائلة من البيانات وملايين الإعدادات القابلة للتعديل، إلا أنها غالبًا ما تعاني في الموازنة بين هذين الهدفين بكفاءة. ويقدم مجال جديد يُعرف بـ "التعلم الآلي الكمي" مسارًا مختلفًا؛ فهو يستخدم القواعد الغريبة للفيزياء الكمية، حيث يمكن للجسيمات أن توجد في حالات متعددة في وقت واحد، لمعالجة المعلومات. ومع ذلك، ركزت معظم المحاولات المبكرة لاستخدام الحواسيب الكمية في التعلم فقط على الأسئلة البسيطة التي تحتمل الإجابة بنعم أو لا، تاركة المهمة المعقدة المتمثلة في العثور على الأشياء ووضع مربعات حولها دون علاج تقريبًا.

لقد نجح فريق من الباحثين من جامعة شهرود التكنولوجية في إيران في سد هذه الفجوة. فقد بنوا نوعًا جديدًا من الأنظمة الهجينة التي تجمع بين برنامج كمبيوتر قياسي ودائرة كمية صغيرة للكشف عن الأشياء. ويشير عملهم إلى أنه لحل هذه المشكلة الصعبة، لا يحتاج الكمبيوتر الكمي إلى أن يكون متشابكًا بالكامل، أو مترابطًا بعمق، كما كان يعتقد العديد من العلماء سابقًا. بدلاً من ذلك، وجدوا أن التحكم الدقيق في كيفية تدفق المعلومات عبر النظام يسمح بأداء عالٍ مع عدد أقل بكماً من الإعدادات التي تحتاج إلى ضبط.

بدأ الباحثون ببرنامج كمبيوتر قياسي مُدرب مسبقًا، وهو بارع بالفعل في رصد السمات البصرية في الصور. أخذوا المخرجات من هذا البرنامج وغذوها في نظام كمي صغير يتكون من ثمانية بتات كمية فقط، أو "كيوبتات" (qubits). والكيوبتات هي الوحدات الأساسية للمعلومات في الكمبيوتر الكمي. وقسم الفريق هذه الكيوبتات الثمانية إلى مجموعتين؛ خُصصت الأربعة الأولى لتحديد ماهية الشيء، مثل قطة أو كلب، بينما كُلفت الأربعة الأخرى بمهمة حساب الإحداثيات الدقيقة للمربع الذي سيحيط بالشيء. سمح هذا الفصل للنظام بالتعامل مع هذين النوعين المختلفين من التعلم في وقت واحد دون أن يعيق أحدهما الآخر.

ولربط هاتين المجموعتين من الكيوبتات، اختبر الباحثون نمطين مختلفين من التوصيل. تمثل النمط الأول في خط مستقيم، حيث يتصل كل كيوبت بجاره المباشر فقط. أما النمط الثاني فكان دائريًا، حيث يتصل الكيوبت الأخير بالكيوبت الأول، مما يخلق حلقة مغلقة. واكتشفوا أن الترتيب الدائري كان يعمل بشكل أفضل بكثير. وفي هذا الإعداد الدائري، كان الاتصال بين مجموعتي الكيوبتات ضعيفًا بشكل مفاجئ، ومع ذلك أدى النظام مهمة الكشف بدقة عالية. في الواقع، حقق التصميم الدائري درجة كشف بلغت 0.9448، وهي مطابقة تقريبًا لأداء النماذج الحاسوبية التقليدية الأكبر حجمًا.

إن ما يجعل هذه النتيجة مذهلة هو الكفاءة؛ فقد تطلب النموذج الكمي الجديد حوالي عشرة آلاف إعداد فقط لتعلم المهمة. وفي المقابل، احتاجت النماذج التقليدية الكبيرة التي قارنوها بها إلى أكثر من مليون إعداد لتحقيق نتائج مماثلة، وهذا يمثل انخفاضًا يزيد عن 99 في المائة في عدد الإعدادات المطلوبة. وقد أظهر الباحثون أنه باستخدام التوصيل الدائري، استطاعوا كبح مقدار "التشابك" (entanglement) بين المهمتين. والتشابك هو ظاهرة كمية تصبح فيها الجسيمات مرتبطة بحيث تؤثر حالة أحدها فورًا على الآخر. ولفترة طويلة، كان يُفترض أن المزيد من التشابك يعني المزيد من القوة، لكن هذه الدراسة تشير إلى العكس تمامًا بالنسبة لهذه المهمة المحددة: إن الحد من التشابك والتحكم في تدفق المعلومات يساعد النظام على التعلم بشكل أفضل.

كما نظر الفريق إلى العملية من منظور الديناميكا الحرارية، وهو فرع الفيزياء الذي يتعامل مع الحرارة والطاقة. لقد فسروا عملية التعلم كأنها نظام يحاول الوصول إلى حالة من الطاقة المنخفضة والاضطراب المنخفض. ومع تعلم النموذج، انخفض عدم اليقين في تنبؤاته، تمامًا كما يبرد جسم ساخن ليتناسب مع محيطه. وكان الجزء من النظام المسؤول عن تحديد موقع الكائن يعمل كقوة فيزيائية تسحب التنبؤ إلى مكانه، بينما عمل الجزء المسؤول عن تحديد هوية الكائن على تقليل الارتباك. ومن خلال رؤية عملية التعلم بهذه الطو، استطاع الباحثون تفسير سبب عمل النظام بشكل جيد بهذا القدر القليل من الإعدادات.

تتحدى هذه النتائج افتراضًا شائعًا في مجال الحوسبة الكمية؛ حيث اعتقد العديد من الخبراء أنه لحل المشكلات المعقدة، يجب أن تولد الحواسيب الكمية أكبر قدر ممكن من التشابك. وتثبت هذه الورقة البحثية أنه بالنسبة لكشف الأشياء، فإن المفتاح ليس كمية التشابك الهائلة، بل كيفية تنظيمه. فمن خلال استخدام طوبولوجيا دائرية لتنظيم تدفق المعلومات، تمكن النظام من تصفية الضوضاء غير الضرورية والتركيز على التفاصيل التي تهم. والنتيجة هي نموذج عالي الكفاءة يمكنه تحديد وتحديد مواقع الأشياء بدقة، باستخدام جزء ضئيل من الموارد التي تتطلبها التكنولوجيا الحالية.

يفتح هذا العمل بابًا جديدًا لكيفية بناء الذكاء الاصطناعي في المستقبل. فهو يشير إلى أن الأنظمة الكمية الأكثر قوة قد لا تكون تلك الأكثر فوضوية أو ترابطًا، بل تلك المهيكلة بعناية لتوجيه المعلومات بالضبط إلى حيث تحتاج للذهاب. لقد أظهر الباحثون أنه من الممكن بناء كاشف معزز كميًا يتميز بدقة مذهلة وخفة ملحوظة في الموارد. ومع استمرار تحسن الأجهزة الكمية، يمكن لمبادئ تدفق المعلومات المنضبط والكفاءة المستهدفة أن تصبح المخطط الأساسي للجيل القادم من الآلات الذكية.