Experimental evidence of generalization in quantum machine learning in small-data regime
تقدم هذه الورقة دليلاً تجريبياً على أن الشبكات العصبية التلافيفية الكمومية (QCNNs) المتوافقة مع الأجهزة يمكنها تحقيق تعميم قوي من مجموعات بيانات صغيرة للغاية من خلال الاستفادة من القياس اللوغاريتمي للمعلمات، رغم أن تطبيقها العملي على بيانات الصور الواقعية محدود حالياً بسبب المقايضات بين كفاءة الكيوبت وعمق الدائرة في ترميز البيانات بدلاً من تحديات التحسين.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
في العديد من المجالات العلمية والطبية، غالبًا ما تكون المعلومات الأكثر قيمة هي الأصعب في الحصول عليها. فالأطباء الذين يحاولون تشخيص الأمراض النادرة، أو الباحثون الذين يدرسون الهياكل الجزيئية الفريدة، أو العلماء الذين يتتبعون انتشار فيروس جديد، غالبًا ما يواجهون واقعًا محبطًا: وهو أن لديهم أمثلة قليلة جدًا للتعلم منها. وفي عالم الذكاء الاصطناعي، حيث تحتاج برامج الكمبيوتر عادةً إلى جبال من البيانات لتصبح ذكية، يمثل هذا النقص في المعلومات عقبة رئيسية. فعندما يتم تدريب الكمبيوتر على عدد قليل فقط من الأمثلة، فإنه يميل إلى حفظ تلك الحالات المحددة بدلاً من تعلم القواعد الأساسية، وهو فشل يُعرف باسم "الفرط في التخصيص" (overfitting). وهذا يترك فجوة حرجة: كيف يمكننا بناء أنظمة تتعلم بفعالية من مجرد أمثلة قليلة؟
لقد ظهر جواب واعد من عالم الحوسبة الكمومية الغريب والقوي. فخلافًا للحواسيب التقليدية، التي تعالج المعلومات كبوابات بسيطة تعمل بنظام "تشغيل أو إيقاف"، تستخدم الحواسيب الكمومية قوانين الفيزياء التي تحكم الذرات والضوء لحمل المعلومات ومعالجتها بطريقة أكثر تعقيدًا. وقد وُضعت نظرية لواحد من التصاميم المحددة، يُسمى "الشبكة العصبية التلافيفية الكمومية"، تفيد بأنها بارعة بشكل استثنائي في التعلم من مجموعات البيانات الصغيرة. وتتلخص الفكرة في أن هذه الشبكات تُبنى بهيكل خاص يسم يسمح لها بالتعميم — مما يعني قدرتها على تطبيق ما تعلمته من أمثلة قليلة على مواقف جديدة لم ترها من قبل — دون الحاجة إلى كميات هائلة من البيانات التي تتطلبها برامج الكمبيوتر التقليدية. لكن النظرية شيء، والواقع شيء آخر؛ فلكي تكون هذه الأنظمة الكمومية مفيدة، يجب ألا تعمل فقط في النماذج الرياضية، بل على أجهزة حقيقية موجودة اليوم، ويجب أن تكون قادرة على التعامل مع صور من العالم الحقيقي، وليس مجرد حالات كمومية مجردة.
وضع فريق من الباحثين هدفًا لاختبار هذه الفكرة في العالم الحقيقي، مركزين على ما إذا كانت هذه الشبكات الكمومية قادرة حقًا على التعلم من صور قليلة جدًا. لقد بنوا نسخة عاملة من الشبكة تتوافق مع الآلات الكمومية الحالية، وهي نوع من الأجهزة التي لا تزال في مراحل تطويرها الأولى. ولرؤية ما إذا كان ذلك سينجح، أعطوا النظام مهمة بسيطة: التمييز بين الرقمين المكتوبين بخط اليد "صفر" و"واحد". بدأوا بعدد ضئيل للغاية من أمثلة التدريب، يصل إلى عشرة أمثلة فقط. ومن المثير للدهشة أن الشبكة الكمومية تعلمت المهمة بسرعة. ومع إضافة المزيد من الأمثلة، تحسنت قدرتها على تحديد الأرقام الجديدة بشكل صحيح، وتقلصت الفجوة بين أدائها على بيانات التدريب والبيانات الجديدة. وقد أكد هذا أن الشبكة لم تكن مجرد تحفظ الصور القليلة التي رأتها، بل كانت تتعلم بالفعل قاعدة تسمح لها بالتعميم.
ثم دفع الباحثون التجربة إلى أبعد من ذلك لمعرفة ما إذا كان هذا النجاح سيصمد في سيناريو أكثر صعوبة من واقع الحياة. فقد توجهوا إلى مجموعة صور طبية تحتوي على صور بالموجات فوق الصوتية لأنسجة الثدي، حيث كان الهدف هو التمييز بين الأورام السرطانية وغير السرطانية. هذه المهمة أصعب بكثير لأن الصور تبدو متشابهة جدًا، كما أن البيانات غالبًا ما تكون غير متوازنة. وحتى هنا، تمكنت الشبكة الكمومية من تعلم شيء مفيد من عدد صغير من الأمثلة، محققة أداءً أفضل باستمرار من التخمين العشوائي. ومع ذلك، عندما قارنوها ببرنامج كمبيوتر تقليدي له عدد مماثل من الإعدادات القابلة للضبط، صمد النظام الكمومي، بينما فشل البرنامج التقليدي في تعلم أي شيء على الإطلاق. وقد أشار هذا إلى أن التصميم الكمومي كان بالفعل أكثر كفاءة في استخراج المعنى من البيانات الشحيحة.
ومع ذلك، لم تنتهِ القصة بنصر بسيط للحوسبة الكمومية. فقد طرح الباحثون أيضًا سؤالًا حاسمًا: هل يمكن لهذا النظام أن يتوسع للتعامل مع صور كبيرة وعالية الدقة، مثل تلك المستخدمة في المستشفيات اليوم؟ قاموا بمحاكاة ما سيحدث إذا حاولوا تغذية الشبكة بصور تزداد أحجامها. واكتشفوا وجود عنق زجاجة جوهري لا علاقة له بخوارزمية التعلم نفسها، بل بكيفية ترجمة الصور إلى لغة الكمبيوتر الكمومي. فلوضع صورة داخل آلة كمومية، يجب ترميز البيانات في حالة "الكيوبتات" (qubits) الخاصة بالآلة، وهي الوحدات الأساسية للمعلومات الكمومية. ووجد الباحثون أن هناك طريقتين رئيسيتين للقيام بذلك، وكلتاهما تعاني من خلل جسيم عندما تصبح الصورة كبيرة. تستخدم إحدى الطريقتين عددًا قليلًا جدًا من الكيوبتات ولكنها تتطلب دائرة عميقة ومعقدة للغاية بحيث ستستغرق وقتًا مستحيلاً للعمل على الأجهزة الحالية. أما الطريقة الأخرى فتحافظ على دائرة قصيرة وسريعة ولكنها تتطلب عددًا من الكيوبتات ينمو مع كل بكسل في الصورة، مما يتجاوز بسرعة الحدود الفيزيائية لأي جهاز كمومي موجود حاليًا.
تعيد هذه النتيجة تشكيل فهم ما يعيق تعلم الآلة الكمومي. إن القدرة على التعلم من عينات قليلة هي حقيقة وقد تم إثباتها، لكن الطريق لاستخدام هذه الأنظمة في تحليل الصور واسع النطاق مسدود، ليس بخوارزمية التعلم، بل بتكلفة تحميل البيانات. خلص الباحثون إلى أنه بينما تظهر الشبكات الكمومية إمكانات كبيرة للتطبيقات التي تعاني من نقص البيانات مثل تشخيص الأمراض النادرة أو التصميم الجزيئي، إلا أنها لا تستطيع بعد استبدال الحواسيب التقليدية لمعالجة الصور العامة. إن التكنولوجيا ليست جاهزة للتعامل مع مجموعات البيانات الضخمة للعالم الحديث لأن الأجهزة لا يمكنها بعد دعم ترميز البيانات اللازم. ويعمل هذا العمل كخريطة واضحة للمعالم: إن إمكانية التعلم من البيانات الصغيرة موجودة، لكن التحدي الهندسي المتمثل في تغذية تلك البيانات في الآلة يظل هو العقبة المهيمنة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.