Learning to Program Adaptive Non-Local Observables for Machine Learning
تقدم الورقة البحثية QFWP-ANO، وهي بنية شبكة عصبية كمومية مبتكرة تستخدم شبكة فائقة (hypernetwork) كلاسيكية لبرمجة مراقب غير محلي تكيفي ديناميكياً بناءً على البيانات المدخلة، وبذلك تتفوق على نماذج ANO الحالية القائمة على المراقبة الساكنة في مهام التنبؤ بالسلاسل الزمنية متعددة المتغيرات والتعلم التعزيزي.
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 الحديثة، تفتح آفاق جديدة حيث تلتقي القواعد الغريبة لفيزياء الكم مع الاحتياجات العملية للذكاء الاصطناعي. لعقود من الزمن، عرف العلماء أن الأنظمة الكمومية — وهي آلات تسخر سلوك الجسيمات دون الذرية — يمكنها نظرياً معالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها. تعتمد هذه الأنظمة على ظواهر مثل التراكب (superposition)، حيث يمكن للجسيم أن يوجد في حالات متعددة في آن واحد، والتشابك (entanglement)، حيث ترتبط الجسيمات ببعضها بحيث تؤثر حالة أحدها فوراً على الآخر، بغض النظر عن المسافة بينهما. يحاول الباحثون الآن بناء "شبكات عصبية كمومية"، وهي في الأساس نسخ كمومية من البرامج الحاسوبية الشبيهة بالدماغ التي تشغل الذكاء الاصطناعي اليوم. ومع ذلك، لا تزال هناك عقبة كبيرة: فالآلات الكمومية الحالية محدودة بكيفية قراءتها لنتائجها الخاصة. فهي عادةً ما تقيس أجزاء صغيرة ومعزولة فقط من النظام في كل مرة، مما يؤدي إلى تفويت الأنماط المعقدة والمترابطة الموجودة عبر الآلة بأكملها. هذا القصور يشبه محاولة فهم سيمفونية من خلال الاستماع إلى آلة واحدة فقط في كل مرة؛ ستسمع النوتات الموسيقية، لكنك ستفتقد التناغم الموسيقي.
ولحل هذه المشكلة، طور فريق من الباحثين طريقة جديدة تسمح لهذه الحواسيب الكمومية بالنظر إلى الصورة الكاملة بشكل ديناميكي. في دراسة حديثة، قدموا نظاماً يسمى QFWP-ANO، وهو اختصار لشبكة كمومية تتعلم برمجة قياساتها الخاصة بناءً على البيانات المحددة التي تعالجها. تستخدم النماذج الكمومية التقليدية طريقة ثابتة لقياس مخرجاتها، مما يعني أنها تطرح السؤال نفسه على البيانات في كل مرة، بغض النظر عن طبيعة تلك البيانات. ومع ذلك، يستخدم النهج الجديد برنامج حاسوب قياسي ليعمل بمثابة "قائد أوركسترا". ينظر هذا القائد إلى البيانات الواردة ويقوم فوراً بتعديل كل من الإعدادات الداخلية للآلة الكمومية وطريقة قياس النتيجة النهائية. وبدلاً من استخدام مسطرة ثابتة لقياس كل جسم، يقوم النظام ببناء مسطرة مخصصة لكل جسم محدد يواجهه، مما يضمن أن القياس يلتقط التفاصيل الأكثر صلة.
اختبر الباحثون هذه الفكرة على نوعين مختلفين تماماً من التحديات: التنبؤ بالاتجاهات المستقبلية في تدفقات البيانات المعقدة، وتعليم وكيل افتراضي كيفية التنقل في متاهة. في المجموعة الأولى من التجارب، استخدموا النظام للتنبؤ باستهلاك الكهرباء وبيانات درجة الحرارة من شبكات الطاقة في العالم الحقيقي. وقارنوا طريقتهم الجديدة بعدة نماذج قائمة، بما في ذلك أساليب كمومية متقدمة أخرى وبرامج حاسوبية تقليدية قوية. كانت النتائج مذهلة؛ ففي عشرين سيناريو اختبارياً مختلفاً شملت أربع مجموعات بيانات متميزة، حقق النظام الجديد أدنى معدل خطأ في ستة عشر سيناريو منها، وحل في المرتبة الثانية في السيناريوهات الأربعة المتبقية. لقد تفوق باستمرار على أفضل الأساليب الكمومية السابقة، خاصة عندما تتطلب المهمة النظر بعيداً في المستقبل. وأظهرت البيانات أن القدرة على تغيير استراتيجية القياس بناءً على المدخلات كانت العامل الرئيسي؛ إذ لم يكن مجرد تعديل الإعدادات الداخلية للآلة الكمومية دون تغيير كيفية قياس مخرجاتها كافياً للوصول إلى نفس مستوى الدقة.
أجريت المجموعة الثانية من الاختبارات في بيئات محاكاة حيث كان على وكيل رقمي تعلم كيفية أداء مهام، مثل تحريك ذراع روبوتية نحو هدف أو التنقل في شبكة للوصول إلى هدف. هنا، كان الهدف هو معرفة مدى سرعة تعلم الوكيل للنجاح. أثبت النظام الجديد مرة أخرى تفوقه، متفوقاً باستمرار على النماذج الكمومية القديمة. والأهم من ذلك، وجد الباحثون أن النظام يتعلم بشكل أسرع. في مهمة محددة، وصل الأسلوب الجديد إلى ذروة أدائه في وقت أبكر بكثير من مرحلة التدريب مقارنة بالنماذج القياسية. وهذا يشير إلى أنه من خلال السماح للآلة الكمومية بتكييف أداة القياس الخاصة بها مع الموقف المحدد، يمكنها التعلم من أمثلة أقل، مما يجعل عملية التدريب أكثر كفاءة. كما استكشفت الدراسة كيف يؤثر تعقيد القياس على الأداء، ووجدوا أن هناك "نقطة مثالية": حيث كان قياس عدد متوسط من الأجزاء المتصلة في آن واحد هو الأفضل، بينما أدى محاولة قياس الكثير جداً أو القليل جداً إلى نتائج أسوأ.
يُظهر هذا العمل أن الطريقة التي يراقب بها الحاسوب الكمومي حالته لا تقل أهمية عن الحسابات التي يجريها. ومن خلال الابتعاد عن القياسات الثابتة التي تناسب الجميع والتوجه نحو نهج مرن مدفوع بالمدخلات، أظهر الباحثون مساراً واضحاً لنماذج تعلم كمومية أكثر قوة. وتشير النتائج إلى أن مستقبل الذكاء الاصطناعي الكمومي قد لا يكمن فقط في بناء آلات أكبر، بل في تعليمها كيفية النظر إلى العالم بطريقة تتغير مع اللحظة. هذا التكيف يسمح للنظام بالتقاط الروابط الخفية وغير المحلية بين أجزاء البيانات المختلفة، وهي الروابط التي كانت غير مرئية سابقاً للنماذج الكمومية القياسية. ومع نضوج هذه التقنيات، يمكنها تمهيد الطريق أمام الحواسيب الكمومية لمعالجة أكثر مشكلات التنبؤ واتخاذ القرار تعقيداً والتي ترهق حالياً حتى أكثر حواسيبنا التقليدية الفائقة تقدماً.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.