Federated Unlearning of Quantum Data via Classical Shadows
تقترح هذه الورقة طريقة SHADE، وهي طريقة تعلم اتحادي (federated unlearning) للشبكات العصبية الكمومية تستخدم الظلال الكلاسيكية (classical shadows) لتقدير وإزالة تأثير بيانات كمومية محددة عبر تصحيح نيوتن، مما يحقق دقة تضاهي دقة إعادة التدريب دون الحاجة إلى إعادة تشغيل البيانات (data replay)، مع اشتراط أحجام ظلال تتناسب فقط مع المخروط الضوئي الخلفي للملحوظة (observable's backward light cone).
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 عالم الحوسبة الكمومية الناشئ، لا تعالج الآلات بتات المعلومات كما تفعل الحواسيب التي في جيوبنا؛ بل تتلاعب بالحالات الكمومية، وهي الظروف الفيزيائية الدقيقة لجسيمات مثل الذرات أو الفوتونات. هذه الحالات هشة للغاية؛ ففي اللحظة التي يقيس فيها العالم هذه الحالات لقراءة البيانات، تستهلك الحالة وتتغير، تماماً مثل فتح ظرف مختوم يدمر سريته. تخلق هذه الهشاشة تحدياً فريداً لشبكات المستشعرات الكمومية، حيث تعمل العديد من الأجهزة الصغيرة معاً لتدريب ذكاء اصطناعي مشترك. إذا تعطل مستشعر أو أراد مستخدم إزالة بياناته، يجب على الشبكة أن "تنسى" تلك المعلومة المحددة. في الحوسبة التقليدية، يتم ذلك غالباً عبر إعادة تشغيل البيانات القديمة لتعليم النظام ما يجب نسيانه. ومع ذلك، ولأن الحالات الكمومية تتلاشى بعد القياس ولا يمكن نسخها، فإن البيانات القديمة ببساطة لم تعد موجودة. تظل الشبكة بذاكرة لماضٍ لا يمكنها زيارته مجدداً، مما يجعل مهمة إزالة بيانات محددة تبدو مستحيلة دون البدء بعملية التدريب برمتها من الصفر.
لقد اقترح الباحثون الآن حلاً لهذا التناقض، وهي طريقة تسمى "محو البيانات القائم على الظل"، أو (SHADE)، والتي تسمح للشبكة الكمومية بنسيان بيانات محددة دون الحاجة لرؤية الحالات الأصلية مرة أخرى. أدرك الفريق، الذي يعمل عبر جامعات في الولايات المتحدة، أنه بينما تلاشت الحالات الكمومية نفسها، يمكن إعادة بناء تأثيرها الرياضي على الشبكة من خلال نوع آخر من السجلات. خلال مرحلة التدريب الأولية، لا تكتفي كل عقدة في الشبكة بقياس البيانات لمهمة التعلم الرئيسية فحسب، بل تخصص أيضاً بضع نسخ من الحالات الكمومية لأخذ "لقطات". هذه اللقطات ليست تسجيلات كاملة للحالة، وهو أمر مستحيل الاحتفاظ به، بل هي سلسلة من القياسات العشوائية لـ "الكيوبت" الواحد التي تلتقط قدر كافٍ من المعلومات للتنبؤ بكيفية سلوك الحالة تحت ظروف مختلفة لاحقاً. فكر في هذه اللقطات كأنها رسم تخطيطي كلاسيكي لجسم كمومي، يلتقط شكله الأساسي دون الحاجة إلى الإمساك بالجسم نفسه.
تكمن عبقرية طريقة (SHADE) في كيفية استخدام هذه الرسوم التخطيطية لإجراء تصحيح رياضي دقيق. فعندما يصل طلب لإزالة بيانات من مستشعر معين أو فترة زمنية محددة، لا تحتاج الشبكة لإعادة قياس الحالات المتلاشية؛ بدلاً من ذلك، تستخدم العقد لقطاتها المخزنة لتقدير "الجذب" الرياضي الذي مارسته البيانات المنسية على النموذج المشترك. فهي تحسب مقدار تأثير البيانات المنسية على معرفة الشبكة الحالية، وكيف تدعم البيانات المتبقية هيكل النموذج. ثم يقوم خادم مركزي بدمج هذه التقديرات لتطبيق تعديل واحد قوي على إعدادات النموذج. هذا التعديل يلغي فعلياً تأثير البيانات غير المرغوب فيها، تاركاً الشبكة مع نموذج يتصرف كما لو أنه لم يرَ تلك البيانات من قبل. والأهم من ذلك، أن هذه العملية برمتها تتم باستخدام معلومات كلاسيكية فقط تُرسل عبر اتصالات الإنترنت القياسية؛ حيث لا يتم إعداد أو قياس أي حالات كمومية مرة أخرى أثناء عملية الحذف.
اختبر الباحثون هذا النهج في عمليات محاكاة شملت خمسين عقدة وعلى لوحات حوسبة طرفية مجهزة بمعالجات كمومية. ووجدوا أن الطريقة تعمل بسرعة ودقة ملحوحتين. ففي اختباراتهم، طابق النموذج المصحح أداء نموذج تم إعادة تدريبه بالكامل من الصفر باستخدام بيانات جديدة، حيث كان الفرق في الدقة أقل من نصف نقطة مئوية. وقد تم تحقيق هذا المستوى من الدقة في أقل من 0.2 ثانية، وهو جزء من الوقت الذي تتطلبه الطرق الأخرى التي تحاول إعادة تشغيل البيانات أو إزالة عقد كاملة. كما كشفت الدراسة عن رؤية مفاجئة حول تكلفة التخزين: إن كمية البيانات اللازمة لنسيان حالة ما لا تنمو مع العدد الإجمالي للكيوبتات في النظام، بل تنمو بناءً على تعقيد الجزء المحدد من الشبكة الذي لمسته تلك البيانات. وهذا يعني أنه حتى مع توسع الشبكات الكمومية للتعامل مع مشكلات أكثر تعقيداً، تظل الذاكرة المطلوبة لنسيان معلومات محددة ضمن نطاق يمكن إدارته.
من خلال إثبات إمكانية محو البيانات الكمومية دون الحاجة للحالات الأصلية، يزيل هذا العمل عائقاً كبيراً أمام النشر العملي لتعلم الآلة الكمومي. فهو يضمن أن هذه الشبكات القوية يمكنها احترام خصوصية المستخدم والتكيف مع الظروف المتغيرة دون أن تظل حبيسة أخطاء الماضي. تعتمد الطة على حقيقة أن تأثير الحالة الكمومية على نموذج التعلم هو أمر يمكن التنبؤ به، حتى لو كانت الحالة نفسها قد اختفت. ومن خلال التسجيل الدقيق للقياسات العشوائية أثناء التدريب، أظهر الباحثون أن الشبكة يمكنها أن تتعلم كيف تنسى، مما يحافظ على سلامة النظام مع احترام حقوق أولئك الذين ساهموا بالبيانات. يشير هذا التطور إلى مستقبل لا تكون فيه الشبكات الكمومية قوية فحسب، بل مرنة وجديرة بالثقة أيضاً، وقادرة على التطور دون أن تطاردها بيانات كان ينبغي ألا تكون هناك.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.