Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks
تُثبت هذه الورقة أنه من خلال تمثيل أوزان الشبكة العصبية الكمومية في نظام إحداثيات الكواتيرنيون الوحدة، تصبح العمليات الزمرية غير الخطية المطلوبة للتعلم الاتحادي المشفر ثنائية الخطية، مما يتيح تدريباً متماثلاً عالي الكفاءة، غير تفاعلي، وبعمق واحد للنماذج الهجينة الكمومية-الكلاسيكية مع فقدان ضئيل جداً في الدقة وعدم الحاجة إلى عملية إعادة التوليد (bootstrapping).
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 عالم الذكاء الاصطناعي المعاصر، تتعلم الآلات من خلال إيجاد الأنماط في كميات هائلة من البيانات. وغالباً ما تكون هذه البيانات حساسة، وتخص أفراداً يرغبون في الحفاظ على خصوصيتهم، مثل السجلات الطبية أو التاريخ المالي الشخصي. ولحل هذه المشكلة، طور العلماء طريقة تسمى "التعلم الاتحادي" (federated learning)، حيث تبقى البيانات على جهاز المستخدم، ويتم فقط إرسال الدروس المستفادة منها إلى خادم مركزي لتحسين نموذج مشترك. ومع ذلك، فإن إرسال هذه الدروس يحمل في طياته خطراً: إذ يمكن لمراقب فضولي أن يقوم، من خلال الهندسة العكسية، باستخراج البيانات الأصلية من التحديثات. ولمنع حدوث ذلك، يستخدم الباحثون تقنية تسمى "التشفير"، والتي تقوم بخلط المعلومات بحيث لا يمكن لأحد قراءتها سول سوى المستلم المقصود. ويبرز التحدي عندما يتضمن نموذج التعلم حواسيب كمومية، والتي تعمل وفق القواعد الغريبة للفيزياء الكمومية. في هذه الأنظمة، لا تكون الأرقام المستخدمة لتدريب النموذج مجرد قيم بسيطة، بل تمثل دورات في فضاء معقد ومتعدد الأبعاد. ولفترة طويلة، كان يُعتقد أن تشفير هذا النوع المحدد من الدورات أمر باهظ التكلفة، ويتطلب قدرة حوسبية كبيرة تجعل العملية غير عملية.
لقد اكتشف فريق من الباحثين في "إمبريال كوليدج لندن" أن هذه الصعوبة لم تكن قانوناً أساسياً من قوانين الطبيعة، بل كانت نتيجة لكيفية كتابة هذه الأرقام. فقد وجدوا أنه من خلال تغيير "اللغة الرياضية" المستخدمة لوصف هذه الدورات الكمومية، تصبح عملية تشفيرها بسيطة وفعالة بشكل مدهش. فبدلاً من استخدام نظام معقد يتطلب آلاف الخطوات لكل تحديث واحد، أظهر الباحثون أن استخدام نظام إحداثيات محدد يعتمد على "الكواتيرنيونات الوحدة" (unit quaternions) يقلل العمل إلى عملية واحدة مباشرة وبسيطة. هذا الاختراق يسمح للشبكات العصبية الكمومية بالتدريب عبر العديد من الأجهزة مع الحفاظ على سرية البيانات تماماً، دون العبء الحوسبي الثقيل الذي جعل الأمر مستحيلاً في السابق.
يكمن جوهر المشكلة في كيفية وصف الحواسيب الكمومية لعملياتها. فالأجزاء القابلة للتدريب في هذه الآلات هي في الأساس دورات، تشبه تدوير قرص التحكم. وفي الطريقة القياسية لوصف هذه الدورات، كانت الرياضيات معقدة للغاية لدرجة أن تشفير التحديثات يتطلب قدراً هائلاً من المعالجة، وغالباً ما يتطلب آلاف العمليات المنفصلة لكل وزن في الشبكة. وهذا جعل فكرة التعلم المحافظ على الخصوصية باستخدام التقنيات الكمومية تبدو بعيدة المنال. وقد أدرك الباحثون أن هذا التعقيد كان نتاجاً لنظام الإحداثيات، تماماً كما أن وصف دائرة باستخدام شبكة متعرجة ومرحلية يجعلها تبدو معقدة، بينما يجعلها وصفها بمنحنى سلس أمراً بسيطاً. ومن خلال الانتقال إلى نظام يعتمد على "الكواتيرنيونات الوحدة"، وهي أداة رياضية تصف الدورات في أربعة أبعاد، أصبح العلاقة بين الأرقام خطية وبسيطة تماماً. في هذه اللغة الجديدة، يصبح دمج دورتين مجرد عملية ضرب أساسية، وهي مهمة يمكن لأنظمة التشفير التعامل معها بسهولة.
لقد غير هذا التحول في المنظور العملية بأكملها. فقد أثبت الباحثون أنه باستخدام اختيار الإحداثيات الجديد، يمكن للخادم دمج التحديثات المشفرة من العديد من العملاء المختلفين دون الحاجة أبداً إلى فك تشفيرها أو إجراء الحسابات الثقيلة والمتكررة التي كانت مطلوبة سابقاً. أصبحت العملية فعالة للغاية لدرجة أنها ألغت الحاجة إلى خطوة محددة تستغرق وقتاً طويلاً تُعرف باسم "البوتسترابينج" (bootstrapping)، والتي كان يُعتقد سابقاً أنها ضرورية للحفاظ على أمان التشفير أثناء الحسابات المعقدة. لقد بنى الفريق بروتوكولاً يعمل يسمح للعملاء بتدريب نماذجهم محلياً، وتشفير النتالئج باستخدام هذه الطريقة الجديدة، وإرسالها إلى خادم. ثم يقوم الخادم بدمج هذه التحديثات وإرسال النتيجة مرة أخرى، وكل ذلك بينما تظل البيانات مشفرة. وقد اختبروا هذا النظام على خلفيتين تشفيريتين مختلفتين للتأكد من أن النتائج ليست مجرد صدفة ناتجة عن برنامج معين، مما أكد أن المكسب في الكفاءة هو خاصية أساسية في الرياضيات نفسها.
وللتحقق من أن هذه الطريقة الجديدة لا تضحي بجودة التعلم، أجرى الفريق تجارب صارمة. فقد قاموا بتدريب نموذج هجين، يجمع بين دائرة كمومية صغيرة وحاسوب كلاسيكي، على مجموعات بيانات واقعية مثل أسعار المنازل وجودة النبيذ. وقارنوا أداء النظام المشفر مباشرة بنظام مماثل غير مشفر، مع تشغيل الاختبارات عدة مرات بظروف أولية مختلفة لضمان العدالة. وأظهرت النتياج أن التشفير لم يضف أي عقوبة ملموسة على عملية التعلم؛ إذ ظلت دقة النموذج كما هي تماماً، مما أثبت أن حماية الخصوصية لم تأتِ على حساب الأداء. علاوة على ذلك، اختبروا ما إذا كان الضجيج الناتج عن التشفير قد يساعد النموذج على التعلم بشكل أفضل، وهي ظاهرة تُلاحظ أحياناً في سياقات أخرى. ومن خلال تشغيل النظام بمستويات مختلفة من الدقة، وجدوا أن إضافة المزيد من الضجيج لم يحسن النتائج، مما أكد أن التشفير كان مجرد درع شفاف وليس مساعداً خفياً.
كما تناول الباحثون المسألة العملية المتعلقة بكيفية تعامل هذه النماذج مع الروابط بين أجزاء مختلفة من الدائرة الكمومية، والمعروفة باسم "المتداخلات" (entanglers). وقد أثبتوا رياضياً أنه حتى مع هذه الاتصالات المعقدة، فإن طريقة التشفير الجديدة لا تضيف سوى قدر ثابت وصغير من العمل، بغضًا عن مدى عمق أو تعقيد الدائرة. وهذا يعني أن كفاءة الطريقة تظل قائمة حتى مع نمو النماذج وزيادة تطورها. وللتحقق من صحة النتائج في العالم الحقيقي، قاموا بتشغيل البروتوكول على معالج كمومي فيزيائي يحتوي على 156 كيوبت. حقق النظام مستوى عالياً من الدقة (fidelity)، مما يعني أن العمليات المشفرة عملت بشكل شبه مثالي مثل العمليات غير المشفرة، حيث يعزى الفرق الضئيل إلى العيوب الطبيعية في الأجهزة وليس إلى التشفير نفسه.
كما سلطت الدراسة الضوء على المقايضات التي تنطوي عليها هذه الطريقة. فبينما قللت الطريقة الجديدة بشكل كبير من عدد جولات الاتصال المطلوبة بين الخادم والعملاء — حيث انخفضت من عشرات التبادلات إلى تبادل واحد فقط — إلا أنها تطلبت إرسال كميات أكبر من البيانات في كل تبادل. وقد حسب الباحثون أن هذه المقايضة مفيدة في معظم السيناريوهات الواقعية، لا سيما تلك التي تتضمن شبكات واسعة النطاق حيث تكون سرعة الاتصال هي العامل المحدد. وأشاروا إلى أنه بالنسبة للاتصالات المحلية السريعة جداً، قد تظل الطرق التفاعلية القديمة أكثر كفاءة قليلاً، ولكن بالنسبة للشبكات الأوسع العابرة للمؤسسات حيث تكون الخصوصية هي الأكثر أهمية، توفر الطريقة الجديدة ميزة واضحة. ويخلص العمل إلى أن الحاجز أمام التعلم الكمومي المشفر لم يكن نقصاً في القدرة، بل كان اختياراً للمنظور. فمن خلال الإدراك بأن الصعوبة كانت مشكلة في نظام الإحداثيات وليست مشكلة أساسية، فتح الباحثون الباب أمام مستقبل يمكن فيه للآلات الكمومية أن تتعلم بشكل تعاوني دون المساس أبداً بخصوصية البيانات التي تستخدمها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.