Diversity-Aware Ensemble of Quantum-Classical Models via Combinatorial Fusion
تقترح هذه الورقة إطار عمل تجميعي مدرك للتنوع باستخدام تحليل الاندماج التوافقي لدمج النماذج الكلاسيكية والكمية المتنوعة معمارياً بفعالية، مما يثبت أن هذا النهج الهجين يتفوق باستمرار على أفضل النماذج الفردية عبر العديد من معايير التصنيف الثنائي.
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 مجال تعلم الآلة الكمي الناشئ، يحاول العلماء تعليم الحواسيب حل المشكلات باستخدام القواعد الغريبة للفيزياء الكمية. فبدلاً من البتات القياسية الموجودة في الحواسيب التقليدية، والتي تكون إما صفراً أو واحداً، تستخدم هذه الآلات البتات الكمية، أو "الكيوبيت" (qubits)، التي يمكن أن توجد في حالات متعددة في وقت واحد. ولجعل هذه الآلات تتعلم، يبني الباحثون دوائر خاصة مكونة من بوابات كمية. وهي ليست أسلاكاً أو مفاتيح مادية، بل هي تعليمات رياضية تقوم بتدوير وتغيير حالة الكيوبيتات. ويكمن التحدي في أن هناك طرقاً لا حصر لها لترتيب هذه التعليمات. تماماً كما قد يجرب طاهٍ تركيبات مختلفة من التوابل لإتقان طبق ما، يجب على الباحثين اختيار الترتيب الصحيح للبوابات للحصول على أفضل نتيجة. ولفترة طويلة، كان النهج المعياري هو البحث عبر هذه الاحتمالات، واختيار التصميم الأفضل الوحيد، واستبعاد الب rest. يفترض هذا الأسلوب وجود بنية مثالية واحدة لكل مهمة، وأن التصاميم الأخرى ليست سوى محاولات فاشلة.
ومع ذلك، يشير دراسة جديدة إلى أن هذا النهج قد يتسبب في التخلص من معلومات قيمة. فقد طرح الباحثون، الذين عملوا بمزيج من النماذج الحاسوبية الكمية والكلاسيكية، سؤالاً مختلفاً: ماذا لو كانت التصاميم التي لم تفز بمفردها لا تزال تحمل أدلة مفيدة؟ اقترحوا أنه من خلال دمج العديد من التصاميم المختلفة، حتى غير المكتملة منها، يمكن للمجموعة تقديم تنبؤات أفضل مما يمكن لأي نموذج منفرد القيام به بمفرده. تعتمد هذه الفكرة على مفهوم التنوع. ففي الفريق، غالباً ما يكون امتلاك أعضاء يفكرون بشكل مختلف أكثر قوة من امتلاك مجموعة من الخبراء المتطابقين. فإذا ارتكب شخص ما خطأً، فقد يرى شخص آخر الإجابة بوضوح. طبق الباحثون هذا المنطق على الدوائر الكمية، حيث عاملوا كل تصميم مختلف كعضو فريد في فريق. واستخدموا طريقة تسمى "تحليل الاندماج التوليفي" لقياس مدى اختلاف رؤية كل نموذج للبيانات ثم دمج إجاباتهم. وأظهرت النتائج أنه من خلال الاستماع إلى مجموعة متنوعة من النماذج بدلاً من أفضل أداء منفرد، أصبح النظام أكثر دقة في حل مهام التصنيف المعقدة، مما يثبت أن الحكمة الجماعية للعديد من المناهج المختلفة تتفوق على العبقرية المنفردة لواحد منها.
بدأ الفريق بإنشاء مجموعة كبيرة تضم تسعة وعشرين نموذجاً مختلفاً للاختبار. تضمنت هذه المجموعة عشرين دائرة كمية ذات هياكل متنوعة وتسعة نماذج كلاسيكية، مثل خوارزميات تعلم الآلة القياسية وشبكات التعلم العميق. تم بناء الدوائر الكمية باستخدام استراتيجيتين رئيسيتين. أولاً، قاموا بتوليد اثني عشر نوعاً بناءً على عملية بحث اختبرت طرقاً مختلفة لربط الكيوبيتات وتدوير حالاتها. ثانياً، أضافوا ثماني دوائر مختارة بعناية استخدمت لبنات بناء رياضية مختلفة تماماً، بعضها مستوحى من كيفية تفاعل الجسيمات في الطبيعة والبعض الآخر يعتمد على أنماط عشوائية. وإلى جانب هذه النماذج الكمية، ضمنوا أدوات كلاسيكية مألوفة مثل أشجار القرار وآلات ناقلات الدعم. كان الهدف هو معرفة ما إذا كان خلط هذه الأنواع المختلفة جداً من النماذج سيخلق متنبئاً أقوى من أي نموذج منفرد يمكنه تحقيقه بمفرده.
ولتحديد النماذج التي سيتم دمجها، لم يكتفِ الباحثون باختيار النماذج ذات أعلى الدرجات. بدلاً من ذلك، بحثوا عن النماذج التي تختلف عن بعضها البعض في كيفية تصنيفها للبيانات. واستخدموا مقياساً يسمى "التنوع المعرفي"، والذي يحسب مدى اختلاف نموذجين في ترتيب تنبؤاتهما. فإذا اتفق نموذجان دائماً، فهما متكرران؛ أما إذا اختلفا بطريقة منظمة، فهما متنوعان. حدد الفريق أكثر أزواج النماذج تنوعاً واختاروا مجموعة صغيرة مكونة من خمسة نماذج قدمت أفضل مزيج من الأداء العالي والتنوع العالي. ضمنت عملية الاختيار هذه أن الفريق النهائي لم يكن مجرد مجموعة من أفضل الأداء الفردي، بل مجموعة من النماذج التي تكمل نقاط ضعف بعضها البعض.
بمجرد اختيار الفريق، قام الباحثون بدمج تنبؤاتهم باستخدام طريقتين رئيسيتين. تمثلت الطريقة الأولى في حساب متوسط الدرجات الخام التي يعطيها كل نموذج، بينما تمثلت الثانية في حساب متوسط ترتيبها. واختبروا عدة طرق لوزن هذه التوليفات، حيث أعطوا أحياناً أهمية أكبر للنماذج الأكثر تنوعاً، وفي أحيان أخرى منحوا الأولوية لتلك التي أدت بشكل أفضل فردياً. اختبروا هذا النظام على أربعة مجموعات بيانات مختلفة من العالم الحقيقي، تتراوح من السجلات الطبية المستخدمة لتشخيص أمراض القلب والسكري إلى إشارات الرادار وفلاتر البريد الإلكتروني المزعج. وفي كل حالة، تفوق النموذج المدمج على أفضل نموذج فردي في المجموعة.
كانت التحسينات جوهرية. ففي مجموعة البيانات الخاصة بالتنبؤ بأمراض القلب، حسن النموذج المدمج الدقة بنسبة 3.38 بالمائة مقارنة بأفضل نموذج فردي. وفي مجموعة بيانات السكري، كان المكسب أكبر، حيث وصل إلى 6.03 بالمائة. وفي حالة بيانات رادار الأيونوسفير، حقق النظام المدمج دقة بلغت 98.11 بالمائ%, وهي قفزة كبيرة عن نسبة 94.34 بالمائة التي حققها أفضل نموذج فردي. وحتى في مهمة اكتشاف البريد المزعج، حيث كانت النماذج جيدة جداً بالفعل، نجحت طريقة الاندماج في استخراج تحسن إضافي قدره 0.58 بالمائة. وقد ظلت هذه النتائج ثابتة حتى عندما قارن الباحثون طريقتهم بالدراسات الحديثة الأخرى التي استخدمت المجموعات أو المناهج الهجينة بين الكمي والكلاسيكي. لقد أنتجت طريقتهم باستمرار أعلى الدرجات عبر جميع مجموعات البيانات الأربع.
كشفت الدراسة أيضاً أن الفرق الأكثر نجاحاً كانت دائماً مزيجاً من النماذج الكمية والكلاسيكية. ففي بعض الحالات، تضمن أفضل دمج دائرة كمية معينة معروفة بهيكلها الشجري مقترنة بخوارزمية تعزيز كلاسيكية. وفي حالات أخرى، عملت دائرة كمية مستوحاة من خوارزميات التحسين بشكل أفضل جنباً إلى جنب مع شبكة عصبية. وهذا يشير إلى أن النماذج الكمية والنماذج الكلاسيكية ترى العالم بطرق مختلفة جوهرياً، وأن اختلافاتهما هي ما يجعلها قوية عند دمجها. يوضح البحث أن الطريق نحو تعلم آلة كمي أفضل قد لا يكمن في البحث عن تصميم دائرة مثالي واحد، بل في تعلم كيفية تسخير نقاط القوة المتنوعة للعديد من التصاميم المختلفة التي تعمل معاً بفعالية. ومن خلال معاملة البحث عن أفضل نموذج كبحث عن أفضل فريق، أظهر الباحثون طريقة جديدة لإطلاق العنان لإمكانات الحوسبة الكمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.