Fast Quantum Algorithms for Learning Linear Threshold Functions
تقدم هذه الورقة ثلاث خوارزميات كمومية تحقق تحسينات كبيرة في تعقيد الاستعلام والبوابة مقارنة بالطرق الكلاسيكية لتعلم دالات العتبة الخطية تحت استعلامات العضوية ذات النطاق الحقيقي، وتحديد الدعم المتناثر، والوصول إلى الأمثلة الكمومية الغاوسية.
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 المشهد الواسع لتعلم الآلة، حيث تتعلم الحواسيب التعرف على الأنماط، والتنبؤ، وتصنيف المعلومات، توجد وحدة بناء أساسية تُعرف باسم دالة العتبة الخطية. تخيل فضاءً شاسعاً متعدد الأبعاد حيث تمثل كل نقطة فيه قطعة محددة من البيانات، مثل صورة قطة أو سجل لسعر سهم ما. تعمل دالة العتبة الخطية كجدار ضخم غير مرئي يشطر هذا الفضاء. في أحد جانبي الجدار، يصنف الحاسوب البيانات على أنها إيجابية؛ وفي الجانب الآخر، يصنفها على أنها سلبية. هذا التقسيم الهندسي البسيط هو المنطق الجوهري وراء العديد من أنظمة التعلم القوية، بدءاً من الشبكات العصبية الأولى وصولاً إلى الذكاء الاصطناعي الحديث. لطال old الوقت، كان التحدي الذي يواجه العلماء هو معرفة مكان هذا الجدار غير المرئي وكيفية ميله بدقة، بالاعتماد فقط على عدد محدود من الأمثلة أو طريقة لطرح الأسئلة حول نقاط معينة.
لعقود من الزمن، درس الباحثون عدد الأسئلة أو الأمثلة المطلوبة لرسم خريطة لهذا الجدار بدقة عالية. في العالم الكلاسيكي، حيث تعالج الحواسيب المعلومات خطوة بخوة، ينمو عدد الأسئلة المطلوبة بشكل مطرد مع تعقيد البيانات. إذا كانت البيانات ذات أبعاد عديدة، فقد يصبح عدد الأسئلة المطلوبة كبيراً جداً بحيث لا يمكن تحمله، مما يجعل عملية التعلم بطيئة وغير فعالة. ومع ذلك، تتغير قواعد الفيزياء عندما ننتقل إلى العالم الكمومي، حيث يمكن للمعلومات أن توجد في حالات تراكب، مما يسمح للحاسوب باستكشاف احتمالات كثيرة في آن واحد. وتوضح دراسة جديدة أجراها ألكساندرز كريفسينكو، وتوين نغوين، ورونالد دي وولف، أن الحواسيب الكمومية يمكنها تعلم موقع هذه الجدر غير المرئية بسرعة وكفاءة تتفوق بمراحل على ما هو ممكن باستخدام الآلات الكلاسيكية.
تناول الباحثون هذه المشكلة تحت ثلاثة سيناريوهات مختلفة، يمثل كل منها طريقة مختلفة لتفاعل الحاسوب مع البيانات. في السيناريو الأول، يُسمح للحاسوب بطرح أسئلة حول أي نقطة يختارها في الفضاء المستمر للأعداد الحقيقية. كلاسيكياً، يتطلب تعلم موقع الجدار بدرجة عالية من الدقة عدداً من الأسئلة ينمو خطياً مع عدد الأبعاد ولوغاريتمياً مع الدقة المطلوبة. ومع ذلك، فإن الخوارزمية الكمومية التي طُورت في هذه الدراسة تقلل عدد الأسئلة المطلوبة إلى مقياس لوغاريتمي. وهذا يعني أنه مع زيادة تعقيد البيانات، ينمو جهد الحاسوب الكمومي ببطء شديد، مما يوفر ميزة أسية مقارنة بالطرق الكلاسيكية. تعمل الخوارزمية من خلال معالجة مهمة التعلم كمسأية هندسية، باستخدام تقنيات كمومية لتقدير ميل وموقع الجدار عبر فحصه على طول خطوط محددة، مما يؤدي فعلياً إلى إيجاد الحد الفاصل بخطوات أقل بكثير من ذي قبل.
وفي سيناريو ثانٍ أكثر تحديداً، تقتصر البيانات على شبكة من الخيارات الثنائية، مثل سلسلة من المفاتيح التي تكون إما في وضع التشغيل أو الإيقاف. هنا، ركز الباحثون على نوع خاص من الجدر حيث تكون أهمية كل مفتاح متطابقة، وهو إعداد يتوافق مع قاعدة "الأغلبية". استطاعت الطرق الكمومية السابقة تحديد المفاتيح ذات الصلة باستخدام عدد من الأسئلة ينمو مع الجذر الرابع لعدد المفاتيح. وتحقق الدراسة الجديدة تحسناً دراماتيكياً، حيث أظهرت أن عدد الأسئلة المطلوبة ينمو لوغاريتمياً فقط مع عدد المفاحات ذات الصلة. هذا يمثل تسارعاً أسياً، مما يعني أنه بالنسبة لعدد كبير من المفاتيح، يمكن للحاسوب الكمومي إيجاد النمط الخفي بشكل شبه فوري مقارنة بأفضل الأساليب الكمومية السابقة. وقد حقق الفريق ذلك من خلال بناء حل رياضي يكشف الهيكل الخفي للمشكلة، مما يسمح للحاسوب الكمومي بالتركيز على الإجابة الصحيحة بكفاءة ملحوظة.
أما السيناريو الثالث فهو ربما الأكثر عملية للتطبيقات في العالم الحقيقي، حيث لا يختار الحاسوب الأسئلة بل يتلقى تدفقاً من الأمثلة العشوائية المستمدة من توزيع طبيعي، مثل منحنى الجرس الموجود في العديد من الظواهر الفيزيائية. في هذا الإعداد، يُعطى الحاسوب نسخة كمومية من هذه الأمثلة، حيث توجد البيانات في حالة تراكب للحالات. كلاسيكياً، يتطلب تعلم موقع الجدار من أمثلة كهذه عدداً من العينات ينمو خطياً مع البعد وعكسياً مع التسامح مع الخطأ. وتعمل الخوارزمية الكمومية المعروضة في الدراسة على تحسين هذا الأمر بشكل كبير، حيث تقلل عدد الأمثلة المطلوبة إلى الجذر الرابع للبعد. ويمثل هذا تحسناً رباعياً، وهي قفزة هائلة في الكفاءة تسمح للحاسوب الكمومي بالتعلم من مجموعة بيانات أصغر بكثير. تعتمد الطريقة على تحويل متطور يحول الأمثلة الكمومية إلى شكل يصبح فيه الاتجاه الخفي للجدار مرئياً، مما يسمح للحاسوب بإعادة بناء توجه الجدار بدقة عالية.
تثبت الدراسة بصرامة أن هذه الخوارزميات تعمل وأن التحسينات حقيقية لحالة "Majority-junta"، حيث أثبت الباحثون أن نتائجهم مثالية ولا يمكن لأي خوارزمية كمومية أخرى أن تفعل أفضل منها تحت نفس الظروف. ومع ذلك، بالنسبة للسيناريوهات الأخرى، حددت الدراسة فجوات كبيرة لا تزال قائمة. وتحديداً، بالنسبة لتعلم دالات العتبة الخطية المتجانسة باستخدام استعلامات العضوية الحقيقية، لا تزال هناك فجوة بين الحد الأدنى النظري والحد الأعلى المحقق. وبالمثل، بالنسبة للتعلم من الأمثلة الكمومية، لا يزال التعقيد الأمثل مسألة مفتوحة، حيث لم يثبت الباحثون بعد حداً أدنى يطابق حدها الأعلى الجديد. وبينما يعد هذا العمل نظرياً ويفترض الوصول إلى أجهزة كمومية مثالية، فإنه يقدم خارطة طريق واضحة لكيفية إمكانية قيام الحواسيب الكمومية بإحداث ثورة في الطريقة التي تتعلم بها الآلات من البيانات. ومن خلال إثبات أن ميكانيكا الكم يمكن أن تغير بشكل جوهري كفاءة تعلم الحدود الهندسية الأساسية، يفتح هذا البحث الباب أمام أنظمة ذكاء اصطناعي أسرع وأكثر قدرة يمكنها التنقل في المساحات المعقدة متعددة الأبعاد بسهولة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.