On Embedding Design in Quantum Physics-Informed Neural Networks
تقدم هذه الورقة إطار تضمين موحد للشبكات العصبية المستوحاة من الفيزياء الكمومية (QPINNs)، وتقترح طريقتين مبتكرتين، هما LQNN-TE-QPINN وAdaFreq-QPINN، اللتان تثبتان أن التصميم الاستراتيجي للتضمين يعزز بشكل كبير دقة التقريب وكفاءة الأمثلة في حل المعادلات التفاضلية الجزئية مقارنة بنهج الترميز المباشر والثابت الموجود حالياً.
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
تتحدث الطبيعة بلغة التغيير. فمن دوامات الجبهات العاصفة إلى تدفق الدم عبر الوريد، يحكم العالم المادي معادلات تصف كيفية تحول الكميات عبر الزمان والمكان. ولعقود من الزمن، اعتمد العلماء على حواسيب قوية لحل هذه المعادلات، عبر تقسيم المشكلات المعقدة إلى أجزاء صغيرة يمكن إدارتها. ومع ذلك، كلما زاد تعقيد المشكلات أو تضمنت متغيرات كثيرة جدًا، تصبح هذه الطرق التقليدية بطيئة ومكلفة. وفي السنوات الأخيرة، ظهر نهج جديد يعامل هذه المعادلات ليس كألغاز يجب حلها خطوة بخطوة، بل كأنماط يتعلمها الآلة. هذه الطريقة، المعروفة باسم الشبكة العصبية المستوحاة من الفيزياء (physics-informed neural network)، تُعلم نموذج الحاسوب احترام قوانين الفيزياء أثناء بحثه عن الحل، مما يسمح له بإيجاد الإجابات دون الحاجة إلى كميات هائلة من البيانات الموجودة مسبقًا.
والآن، ينقل الباحثون هذه الفكرة خطوة أبعد عبر التساؤل عما إذا كانت الخصائص الفريدة لميكانيكا الكم يمكن أن تجعل آلات التعلم هذه أفضل حالًا. فالأجهزة الحاسوبية الكمومية، التي تعمل وفق المبادئ الغريبة للجسيمات دون الذرية، تعد بالتعامل مع أنواع معينة من الحسابات بطرق لا تستطيع الحواسيب الكلاسيكية القيام بها. ويتمثل التحدي في كيفية تغذية هذه الأنظمة الكمومية الهشة ببيانات من العالم الحقيقي، مثل إحداثيات المكان والزمان. وتسمى الطريقة التي تُترجم بها هذه البيانات إلى لغة كمومية بـ "التضمين" (embedding). وهي خطوة أولى حاسمة: فإذا تمت ترجمة البيانات بشكل سيئ، فلن يتمكن الحاسوب الكمومي من تعلم النمط، بغض النظر عن مدى قوته. وحتى الآن، لم يفهم العلماء تمامًا كيف يؤثر تصميم خطوة الترجمة هذه على النتيجة النهائية.
في دراسة حديثة، وضع فريق من الباحثين خريطة لمجال عمليات التضمين هذه واختبروا أي التصاميم يعمل بشكل أفضل. وقد ركزوا على مشكلة كلاسيكية في ديناميكا السوائل تُعرف بـ "معادلة بورغرز"، والتي تصف كيفية تحرك الأمواج وتزايد حدتها، وغالبًا ما تشكل جبهات حادة تشبه موجات الصدمة. بنى الفريق نظامًا هجينًا يتولى فيه الحاسوب الكلاسيكي العمليات الشاقة للتحسين، بينما يعمل الدائرة الكمومية كمقدر دالة أساسي. واختبروا عدة طرق مختلفة لترجمة بيانات المدخلات إلى النظام الكمومي. استخدمت بعض الطرق قواعد ثابتة ومعدة مسبقًا، تشبه إلى حد كبير قاموسًا بقائمة تعريفات ثابتة. بينما سمحت طرق أخرى لقواعد الترجمة بالتغير والتكيف أثناء تعلم الحاسوب.
وقدم الباحثون استراتيجيتين جديدتين لمعرفة ما إذا كان بإمكانهما التفوق على النهج القياسي. كانت الأولى عبارة عن نظام يستخدم دائرة كمومية مساعدة صغيرة لتوليد سمات مخصصة للبيانات قبل دخولها في الحساب الرئيسي. فكر في الأمر كمترجم لا يكتفي باستبدال الكلمات فح، بل يضيف سياقًا وفروقًا دقيقة بناءً على الجملة المحددة التي يتم التحدث بها. أما الاستراتيجية الثانية، فقد اتخذت صيغة رياضية ثابتة وجعلت عوامل قياسها قابلة للتدريب، مما سمح للنظام بضبط تردد ترميز البيانات بدقة أثناء تعلمه. وقد اختبروا هذه الطرق الجديدة مقابل التصاميم القديمة والثابتة، وضد نماذج التعلم الكلاسيكية البحتة.
أظهرت النتائج أن تصميم التضمين أمر بالغ الأهمية. ففي الاختبارات أحادية البعد، حقق النظام الجديد الذي استخدم الدائرة الكمومية المساعدة لتوليد السمات خطأً نسبيًا قدره 0.0916. وكان هذا أفضل بشكل ملحوظ من النهج القياسي، الذي سجل خطأ قدره 0.4501، كما تفوق أيضًا على نموذج كلاسيكي متطور يتطلب حوالي أحد عشر ضعف عدد المعلمات القابلة للضبط للوصول إلى معدل خطأ أعلى قدره 0.1233. أما النظام الذي اكتفى بتعديل تردد صيغة ثابتة، فقد حقق أيضًا تحسنًا عن النسخ الثابتة، حيث وصل إلى أدنى خطأ بين الطرق التحليلية باستخدام أربعة معلمات إضافية فقط قابلة للضبط. وتشير هذه النتائج إلى أن منح النظام الكمومي وسيلة للتكيف مع كيفية رؤيته للبيانات يمكن أن يؤدي إلى حلول أكثر دقة، حتى مع عدد أقل من الإعدادات القابلة للتدريب.
وعندما انتقل الباحثون إلى نسخة أكثر تعقيدًا من المشكلة ثنائية الأبعاد، أصبحت الصورة أكثر دقة. فلا يزال النظام الجديد ذو الدائرة المساعدة يحقق أدنى هدف تدريب، مما يعني أنه قلل الأخطاء القائمة على الفيزياء بأكثر فعالية أثناء عملية التعلم. ومع ذلك، فإن خطأ الحل النهائي لم يكن منفصلاً بوضوح عن طريقة أخرى تقوم ببساطة بإعادة ترميز البيانات بشكل متكرر داخل الدائرة. وهذا يشير إلى أنه بينما يساعد التضمين الأكثر مرونة النظام على التعلم بشكل أفضل، فإنه لا يضمن تلقائيًا إجابة نهائية مثالية في كل سيناريو. كما بحثت الدراسة في كيفية صمود هذه الأنظمة تحت تأثير الضجيج المحاكى، محاكيةً العيوب الموجودة في الأجهزة الكمومية الحقيقية. حافظ النظام الجديد على أدنى خطأ مطلق في تنبؤاته، رغم أنه كان أكثر حساسية للضجيج من النماذج الأبسط، ويرجع ذلك على الأرجبه إلى أن الضجيج أثر على كل من دوائر الترجمة والحساب الخاصة به.
في نهاية المطاف، يوضح هذا العمل أن الطريقة التي تُجهز بها البيانات للحاسوب الكمومي لا تقل أهمية عن الحاسوب نفسه. فمن خلال التعامل مع التضمين كمكون مرن وقابل للتعلم وليس كقاعدة ثابتة، يمكن للباحثين تحسين دقة النماذج الكمومية التي تحل المشكلات الفيزيائية بشكل كبير. وتؤكد الدراسة أنه لا يوجد تصميم واحد "أفضل" لكل حالة؛ إذ يعتمد الخيار الأمثل على المشكلة المحددة والموارد المتاحة. ومع نضوج التكنولوجيا الكمومية، سيكون فهم هذه الاختيارات التصميمية الدقيقة أمرًا ضروريًا لإطلاق العنان للإمكانات الكاملة للآلات الكمومية في حل المعادلات المعقدة التي تحكم عالمنا.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.