An Annealing-based Quantum Neural Network with Discrete Wavelet Transforms for Enhanced Air Pollution Nowcasting

يعد تلوث الهواء تهديداً صامتاً ومتغلغلاً نما جنباً إلى جنب مع مدننا ومصانعنا، مما يخنق رئات الملايين ويقصر الأعمار. وعلى مدى عقود، اعتمد العلماء والمهندسون على برامج حاسوبية قوية للتنبؤ بموعد وأماكن ظهور مستويات خطيرة من الجسيمات الدقيقة، آملين في منح المجتمعات فرصة استباقية لحماية أنفسهم. هذه البرامج، المعروفة بنماذج التعلم العميق، بارعة في إيجاد الأنماط في البيانات المعقدة، لكنها غالباً ما تعاني عندما تكون بيانات جودة الهواء فوضوية أو مفاجئة أو مضطربة. علاوة على ذلك، فإن تدريب هذه البرامج الضخمة يتطلب كميات هائلة من الكهرباء، مما يخلق بصمة كربونية تتناقض مع الهدف ذاته المتمثل في الحصول على هواء أنقى. وبينما يبحث العالم عن طرق أفضل للتنبؤ بهذه المخاطر البيئية، ظهر أفق جديد: استخدام قوانين الفيزياء الكمومية الغريبة لبناء آلات تنبؤ أكثر ذكاءً وكفاءة.

في دراسة حديثة، اتخذ الباحثون خطوة كبيرة نحو هذا المستقبل من خلال إنشاء نوع جديد من أدوات التنبؤ التي تمزج بين الحوسبة الكمومية وتقنية تسمى "تحويلات المويجات" (wavelet transforms). ركز الفريق، بقيادة أوتو مينيغاسو بيريس وزملائه، على التنبؤ بتركيزات الجسيمات الدقيقة، المعروفة باسم PM2.5، وهي جسيمات صغيرة بما يكفي للدخول إلى مجرى الدم والتسبب في مشاكل صحية خطيرة. وقد اختبروا نظامهم باستخدام بيانات واقعية من محطتي مراقبة في غيلدفوردد، المملكة المتحدة، حيث تخلق حركة المرور والصناعة ظروفاً متقلبة للغاية لجودة الهواء. وكان التحدي يكمكم في أن البيانات من هاتين المحطتين كانت مضطربة، ومليئة بالارتفاعات المفاجئة والحادة في التلوث التي أربكت النماذج الحاسوبية التقليدية.

ولمعالجة ذلك، بنى الباحثون نظاماً هجيناً يستخدم شبكة عصبية كمومية. وبخلاف الحواسيب القياسية التي تعالج المعلومات في خط مستقيم، يستخدم هذا النظام مبادئ ميكانيكا الكم لاستكشاف احتمالات عديدة في وقت واحد. ومع ذلك، فإن الحواسيب الكمومية الفيزيائية الحالية صغيرة جداً و"مشوشة" للغاية بحيث لا يمكنها التعامل مع مثل هذه المشكلة الكبيرة والمعقدة. ولتجاوز ذلك، استخدم الفريق منصة متخصصة تسمى "داينكس" (Dynex)، والتي تحاكي سلوك الحاسوب الكمومي باستخدام أجهزة متطورة تعمل كـ "مُلدن كمومي" (quantum annealer). سمح لهم ذلك بتشغيل محاكاة تضم ما يصل إلى 172 بت كمومي، وهو مقياس يتجاوز بكثير ما هو ممكن حالياً على الأجهزة الكمومية الفيزيائية. وقد قرنوا هذا المحرك الكمومي بطريقة رياضية تسمى "تحويلات المويجات المنفصلة"، والتي تفكك إشارات التلوث الفوضوية إلى إيقاعاتها الأساسية ووثباتها المفاجئة، مما يجعل البيانات أسهل في الفهم بالنسبة للحاسوب.

كانت النتائج مذهلة. فعندما غدا الباحثون بيانات التلوث الخام غير المعالجة في نظامهم، فشلت النماذج الحاسوبية التقليدية في استيعاب الارتفاعات المفاجئة، مما أنتج تنبؤات غير موثوقة. وفي المق المقابل، أظهرت الشبكة العصبية الكمومية مرونة طبيعية تجاه هذا التقلب، حيث التقطت الديناميكيات الخفية للتلوث دون الحاجة إلى تنظيف البيانات أولاً. لقد تفوق النظام بشكل كبير على النماذج القياسية، حيث ضاعف دقة تنبؤاته. وعندما أضاف الفريق "تفكيك المويجات" للمساعدة في جعل النظام يرى البيانات بوضوح أكبر، وصل النموذج الكمومي إلى ذروة أدائه، محققاً أعلى دقة وأقل معدلات خطأ من بين جميع النماذج التي تم اختبارها في الدراسة.

ولعل الأمر الأكثر أهمية هو أن الدراسة كشفت أن هذا النهج الكمومي لا يعمل بشكل أفضل فحسب، بل إنه يتعامل مع عدم اليقين بطريقة مختلفة. فبينما كانت النماذج التقليدية غالباً ما تعطي إجابات واثقة ولكن خاطئة أثناء أحداث التلوث الشديدة، قام النظام الكمومي بتوسيع نطاق نتائجه المحتملة بشكل صحيح، مدركاً وجود الخطر عندما أصبحت البيانات مضطربة. ووجد الباحثون أن مجرد جعل النموذج الكمومي أكثر تعقيداً لم يؤدِ دائماً إلى نتائج أفضل؛ بل كان هناك توازن محدد بين الحجم والهيكل هو الذي حقق أفضل النتائج. وهذا يشير إلى أن النظام الكمومي لديه قدرة فطرية على التعلم من الإشارات الواقعية الفوضوية بطريقة لا تستطيع الحواسيب التقليدية القيام بها.

يبرهن هذا العمل على أن التعلم الآلي الكمومي ينتقل من التجارب النظرية إلى مجال حل المشكلات العملية عالية الخطورة. ومن خلال النجاح في محاكاة نظام بـ 172 بت كمومي، أثبت الفريق أن هذه الأساليب يمكن أن تتوسع للتعامل مع تعقيد البيانات البيئية الواقعية. ورغم أن هذه النتائج قد تحققت على منصة محاكاة وليس على حاسوب كمومي فيزيائي، إلا أن النتائج تقدم مساراً واضحاً للمستقبل. فهي تشير إلى أنه في المستقبل القريب، قد نتمكن من استخدام هذه الأدوات المعززة كمومياًياً لمراقبة جودة الهواء بدقة غير مسبوقة، مما يوفر للمجتمعات التحذيرات الموثوقة وفي الوقت المناسب لتبقى آمنة، كل ذلك مع إمكانية استخدام طاقة أقل من الحواسيب التقليدية الضخمة التي نعتمد عليها اليوم.