← أحدث الأبحاث
⚛️ quantum physics

Evolving Hybrid Quantum-Classical Architectures for Image Classification

توسع هذه الورقة إطار العمل التطوري EXAQC لأتمتة اكتشاف البنى الهجينة الكمية-الكلاسيكية لتصنيف الصور، مظهرةً أن الدوائر الكمية ذات المعلمات المتطورة يمكن أن تحقق دقة تنافسية في مجموعات بيانات MNIST وFashion-MNIST وCIFAR-10 مع تقليل عدد المعلمات القابلة للتدريب بشكل كبير مقارنة بالنماذج الكلاسيكية للتعلم العميق.

المؤلفون الأصليون: Devroop Kar, Daniel Krutz, Travis Desell

نُشر 2026-10-05
📖 4 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Devroop Kar, Daniel Krutz, Travis Desell

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 السباق الهادئ لبناء حواسيب أكثر ذكاءً، ظهرت حدود جديدة حيث يلتقي المنطق الصارم لرقائق السيليكون مع الطبيعة الاحتمالية المائعة لميكانيكا الكم. لسنوات، حاول العلماء تعليم الآلات التعرف على الأنماط، بدءاً من رصد قطة في صورة فوتوغرافية وصولاً إلى تحديد ورم في صورة أشعة سينية. تقوم الحواسيب التقليدية بذلك عن طريق معالجة كميات هائلة من البيانات عبر طبقات من المرشحات الرياضية، وهي طريقة تعمل بشكل جيد ولكنها تتطلب طاقة وذاكرة هائلتين. أما الحواسيب الكمومية، التي تستخدم القواعد الغريبة للفيزياء التي تحكم الذرات، فتعد بحل هذه المشكلات بجهد أقل بكثير، لكن التحكم فيها صعب للغاية. وتتمثل العقبة الكبرى في أن "الدوائر" داخل هذه الآلات الكمومية —وهي الترتيبات المحددة للبوابات التي تعالج المعلومات— يجب أن تُصمم بدقة متناهية. فإذا كان التصميم غير دقيق ولو بنسبة ضئيلة، تفشل الحاسوب في التعلم، أو والأسوأ من ذلك، يتوقف عن التعلم تماماً. لفترة طويلة، اضطر الباحثون لصناعة هذه التصاميم يدوياً، من خلال التخمين حول أي ترتيب للأجزاء الكمومية سيكون الأفضل لمهمة معينة، وهي عملية كانت بطيئة، ومكلفة، وغالباً ما تكون غير فعالة.

لقد اتبع فريق من الباحثين في معهد روتشستر للتكنولوجيا نهجاً مختلفاً، نهجاً يسمح للحاسوب بتصميم نفسه. فقد طوروا نظاماً يسمى EXAQC، يستخدم عملية تطورية تشبه الانتقاء الطبيعي لاكتشاف أفضل دائرة كمومية ممكنة لمهمة معينة. وبدلاً من أن يقوم مهندس بشري برسم مخطط، يقوم النظام بتوليد آلاف من تصميمات الدوائر العشوائية، واختبارها، والاحتفاظ بالأفضل أداءً. ثم يقوم بخلط وتعديل هذه التصميمات الناجحة لإنشاء نسخ أفضل، مكرراً الدورة حتى يجد حلاً يتسم بالدقة والكفاءة في آن واحد. اختبر الباحثون هذا النظام في المهمة الصعبة المتمثلة في تصنيف الصور، حيث طلبوا من الآلة النظر إلى صور لأرقام مكتوبة بخط اليد، وأدوات ملابس، وأشياء يومية مثل السيارات والحيوانات، وفرزها في الفئات الصحيحة.

تكشف نتائج هذه التجربة عن تحول صارخ في كيفية بناء الأنظمة الذكية في المستقبل. فعندما طبق الباحثون نظامهم التطوري على مهمة التعرف على الأرقام المكتوبة بخط اليد، حقق معدل نجاح يقارب 98.5 بالمائة. وعندما أصبحت المهمة أصعب، بانتقالها إلى صور الملابس، تمكن النظام من تحقيق حوالي 90.6 بالمائة من الصحة. وكان الاختبار الحقيقي مع مجموعة البيانات الأكثر تعقيداً، وهي مجموعة من الصور الملونة لعشر فئات من الأشياء. هنا، وصل النظام إلى دقة بلغت 85.5 بالمائة. وما يجعل هذه الأرقام مهمة بشكل خاص ليس فقط نجاح النظام، بل كيفية عمله. فقد وجد الباحثون أن الدوائر الكمومية التي طورها النظام كانت مدمجة للغاية، حيث استخدمت جزءاً ضئيلاً جداً من الموارد التي تتطلبها نماذج الحاسوب التقليدية. في الواقع، في مجموعة البيانات الأكثر تعقيداً، حقق النظام الهجين نفس مستوى الدقة الذي حققته شبكة عصبية عميقة ضخمة مكونة من عشر طبقات، بينما استخدم أقل بنسبة 96 بالمائة من الإعدادات القابلة للضبط، أو المعلمات، للقيام بالمهمة.

كشفت الدراسة أيضاً أن الطريقة التي يتم بها تغذية البيانات في الآلة الكمومية تهم أكثر مما كان يُعتقد سابقاً. جرب الباحثون طرقاً مختلفة لترجمة صورة رقمية قياسية إلى حالة كمومية. ووجدوا أنه بالنسبة للصور البسيطة، لم يشكل الأسلوب فرقاً كبيراً. ومع ذلك، بالنسبة للصور المعقدة والملونة، كان اختيار طريقة الترجمة أمراً حاسماً. إذ سمحت طريقة محددة، تستخدم الترميز القائم على الدوران، للنظام بفهم الصور بشكل أفضل بكثير من الطريقة التقليدية القائمة على السعة، مما أدى إلى تحسين الدقة بأكثر من عشرين نقطة مئوية. وهذا يشير إلى أنه مع زيادة صعوبة المهام، يصبح أسلوب إعداد البيانات للمعالج الكمومي بنفس أهمية المعالج نفسه.

ولعل الاكتشاف الأكثر إثارة للدهشة كان كيفية تعامل النظام مع الحجم الهائل للمعلومات في الصور. تحتوي الصورة الخام من مجموعة البيانات المعقدة على أكثر من ثلاثة آلاف نقطة بيانات، وهو عدد كبير جداً بحيث لا يمكن للأجهزة الكمومية الحالية التعامل معه مباشرة. حل الباحثون هذه المشكلة باستخدام مكون حاسوبي تقليدي لضغط الصورة إلى ملخص صغير يمكن إدارته قبل تمريره إلى الجزء الكمومي. ثم تعلم النظام التطوري كيفية معالجة هذا الملخص. وتبين أن الدوائر الكمومية التي تطورت للتعامل مع هذه الملخصات المضغوطة لم تكن هياكل بسيطة ومتكررة، بل طورت أنماطاً معقدة وغير منتظمة من الاتصالات التي لا تشبه التصاميم الثابتة التي يبتكرها البشر عادةً. وقد تمكنت هذه الدوائر المتطورة من استخراج المعلومات اللازمة من البيانات المضغوطة بكفاءة ملحوظة، مما أثبت أن البحث الآلي يمكن أن يجد حلولاً قد يغفل عنها المصممون البشر.

وقد حرص الباحثون على ملاحظة أن هذه النتائج تأتي من محاكاة حاسوبية، وليس من تشغيل الدوائر على أجهزة كمومية فعلية، والتي لا تزال في مراحلها الأولى وعرضة للأخطاء. ومع ذلك، فإن اتساق النتائج عبر عشر تجارب منفصلة يشير إلى أن النتائج قوية وليست مجرد ضربة حظ. لم يجد النظام حلاً فحسب، بل وجد حلاً أكثر كفاءة بشكل ملحوظ من الأساليب الموجودة. ومن خلال الجمع بين قدرة الحاسوب التقليدي على استخراج السمات وقدرة الحاسوب الكمومي على معالجتها، أظهر الباحثون مساراً للمضي قدماً يتجنب الحاجة إلى النماذج الضخمة المستهلكة للطاقة. ويظهر العمل أننا لسنا بحاجة لانتظار أجهزة كمومية مثالية لرؤية الفوائد؛ فمن خلال تطوير البنية المناسبة للمهمة المحددة، يمكننا بناء أنظمة هجينة قوية، ومدمجة، وجاهزة لتحديات البيانات الواقعية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف ⚛️ quant-ph →