← أحدث الأبحاث
⚛️ quantum physics

Divide et Impera quantum neural networks for modular hybrid computing architectures

تقترح هذه الورقة بروتوكول تدريب جديداً يعتمد على مبدأ "فرق تسد" للشبكات العصبية الكمومية، يقوم بتفكيكها إلى مكونات أصغر قابلة للتحسين للتغلب على القيود الحالية للأجهزة، مما يثبت فعاليته في مهام التنبؤ بالطاقة والبيئة الواقعية ضمن بنى حوسبة هجينة نمطية.

المؤلفون الأصليون: Emanuele Casciaro, Fabio Mascherpa, Alfonso Amendola, Filippo Caruso

نُشر 2026-10-08
📖 4 دقيقة قراءة🧠 قراءة متعمّقة
CC BY 4.0

المؤلفون الأصليون: Emanuele Casciaro, Fabio Mascherpa, Alfonso Amendola, Filippo Caruso

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

يواجه العالم حالياً مفارقة في مجال الحوسبة. فمن ناحية، لدينا أجهزة حاسوب فائقة القدرة تستهلك طاقة هائلة وأنظمة ذكاء اصطناعي أصبحت صعبة الاستدامة بشكل متزايد. ومن ناحية أخرى، انفتحت آفاق جديدة مع الحوسبة الكمومية، وهي تقنية تعد بحل مشكلات لا تستطيع الآلات الكلاسيكية لمسها. ومع ذلك، فإن الحواسيب الكمومية المتاحة اليوم لا تزال في مهدها؛ فهي هشة، وعرضة للأخطاء الناتجة عن الضوضاء البيئية، ولا يمكنها استيعاب إلا كمية ضئيلة جداً من المعلومات في آن واحد. وهذا يخلق عنق زجاجة: فالخوارزميات الكمومية الأكثر قوة غالباً ما تتطلب أجهزة أكثر استقراراً وذاكرة أكبر مما هو موجود حالياً. ويجد الباحثون أنفسهم يتساءلون كيف يمكن تسخير إمكانات ميكانيكا الكم للمهام الواقعية، مثل التنبؤ بحركة المرور أو مراقبة البيئة، دون انتظار أجهزة مثالية قد يستغرق وصولها سنوات. وتكمن الإجابة ليس في انتظار آلات أفضل، بل في تغيير كيفية استخدامنا لما نملكه بالفعل.

اقترح فريق من الباحثين من جامعة فلورنسا وشركة إيني (Eni S.p.A) طريقة جديدة لتدريب هذه الأنظمة الكمومية الهشة، وهي استراتيجية يسمونها "فرق تسد". فبدلاً من محاولة إجبار حاسوب كمومي واحد ضخم على حل مشكلة معقدة دفعة واحدة — وهو أمر غالباً ما يؤدي إلى الفشل بسبب الضوضاء ومحدودية الذاكرة — يقومون بتفكيك المشكلة إلى قطع أصغر يمكن إدارتها. تخيل أنك تحاول حمل أريكة ثقيلة وغير متناسقة عبر درج ضيق؛ سيكون من المستحيل تقريباً القيام بذلك كقطعة واحدة. ولكن إذا استطعت تفكيك الأريكة إلى أجزائها الفردية، وحمل كل جزء على حدة، ثم إعادة تجميعها في الأعلى، فستصبح المهمة ممكنة. هذا هو جوهر نهجهم. فهم يأخذون مجموعة بيانات كبيرة، مثل المعلومات المتعلقة بمحطات شحن المركبات الكهربائية أو جودة الهواء العالمية، ويقسمونها إلى مجموعات فرعية أصغر. تتم معالجة كل مجموعة فرعية بواسطة دائرة كمومية صغيرة وبسيطة تكون أقل عرضة لارتكاب الأخطاء. تعمل هذه الدوائر الصغيرة في حساباتها بشكل مستقل، ثم يتم دمج نتائجها بواسطة حاسوب كلاسيكي قياسي لتشكيل تنبؤ نهائي.

اختبر الباحثون هذه الطريقة على تحديين متميزين من واقع الحياة. تضمن التحدي الأول التنبؤ بحالة 91 محطة لشحن المركبات الكهربائية في باريس. تضمنت البيانات الوقت من اليوم، واليوم من الأسبوع، والموقع المحدد للمحطة، والعدد الحالي للمقابس المستخدمة. أما التحدي الثاني فكان التنبؤ بمؤشر جودة الهواء العالمي لست مدن مختلفة، باستخدام قياسات لملوثات متنوعة مثل أول أكسيد الكربون والأوزون. وفي كلتا الحالتين، قارن الفريق نموذجهم الكمومي القائم على استراتيجية "فرق تسد" ضد النماذج الكلاسيكية التقليدية وضد نموذج كمومي واحد كبير يحاول معالجة جميع البيانات دفعة واحدة. وكانت النتائج كاشفة. ففي حالة محطات الشحن، تفوق نهج التقسيم على تطبيقات كلاسيكية محددة، بما في ذلك نموذج "ترانسفورمر" (transformer) تسلسلي والنموذج الكلاسيكي القياسي، مع استخدام عدد أقل بكثير من المعلمات (parameters)، مما يعني أنه كان أقل عرضة لـ "الفرط في التخصيص" (overfitting) للبيانات. كما أثبت أنه أكثر استقراراً من النموذج الكمومي الواحد الكبير، الذي عانى في إيجاد مسار واضح عبر البيانات. وحتى عندما قام الباحثون بمحاكاة ظروف الضوضاء في الأجهزة الكمومية الحقيقية، أظهر النموذج المجزأ قدرة على الصمود، رغم حدوث تدهور ملحوظ في الأداء: فبينما حقق النموذج المثالي الخالي من الضوضاء درجة 53.86، أدت إضافة ضوضاء قلب البت (bit-flip noise) إلى رفع درجة الخطأ إلى 68، بينما رفعت ضوضاء إزالة الاستقطاب (depolarizing noise) الدرجة إلى 60.8. ورغم هذا الانخفاض، ظل أداء النموذج المجزأ قابلاً للمقارنة مع الحلول الخالية من الضوضاء والكلاسيكية، مما أظهر درجة من التخفيف من حدة الأخطاء.

قدمت تجربة جودة الهواء عقبة مختلفة. نظرًا لأن البيانات كانت معقدة للغاية والميزات كانت متشابكة بعمق، لم يستطع الباحثون ببساطة تقسيم البيانات دون فقدان معناها. ولحل ذلك، استخدموا أولاً تقنية رياضية لإعادة ترتيب البيانات في تنسيق جديد حيث تكون العوامل المختلفة مستقلة عن بعضها البعض. وبمجرد إعادة تنظيم البيانات، طبقوا استراتيجية التقسيم الخاصة بهم. وعلى الرغم من أن النماذج الكمومية في هذه المهمة المحددة لم تتفوق على أفضل النماذج الكلاسيكية، إلا أن التجربة أثبتت أن الطريقة يمكن تطبيقها على مشكلات كان يُعتقد سابقاً أنها صعبة التفكيك. وهذا يشير إلى أن النهج مرن بما يكفي للتعامل مع أنواع مختلفة من البيانات، بشرما تم تجهيز البيانات بشكل صحيح. وتشير الدراسة إلى أن هذا التصميم المعياري يعد مساراً قابلاً للتطبيق في تعلم الآلة الكمومي، مما يسمح للباحثين بمعالجة مشكلات أكبر وأكثر تعقيداً اليوم دون الحاجة لانتظار الجيل القادم من المعالجات الكمومية.

تمتد آثار هذا العمل إلى ما هو أبعد من مجرد الأرقام المحققة في التجارب. فمن خلال إثبات أن مهمة كبيرة يمكن توزيعها عبر دوائر كمومية صغيرة متعددة، أظهر الباحثون طريقة لتجاوز القيود الحالية لعدد الكيوبتات (qubits) والضوضاء. يسمح هذا النهج بمشاركة العمل الحسابي، مما قد يمكّن معالجات كمومية مختلفة من العمل بالتوازي، متصلة بروابط عالية السرعة. إنه ينقل التركيز من بناء آلة واحدة ضخمة يمكنها فعل كل شيء، إلى بناء شبكة من الوحدات الأصغر والمتخصصة التي تعمل معاً. لا تدعي الدراسة أنها حلت مشكلة الضوضاء الكمومية أو أنها ابتكرت خواروارزمية مثالية، بل إنها تقدم مبدأ تصميم عملي: من خلال إبقاء الدوائر الكمومية صغيرة وبسيطة، وترك المهمة الثقيلة للحواسيب الكلاسيكية في دمج النتائج، يمكننا جعل تعلم الآلة الكمومي حقيقة واقعة الآن. يشير هذا النهج إلى أن مستقبل الحوسبة الهجينة قد لا يتعلق بجعل الحواسيب الكمومية أكبر، بل بجعلها تعمل معاً بطرق أكثر ذكاءً ومعيارية.

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 →