Task-aligned spectral inductive biases in parameterized quantum circuits
تُثبت هذه الورقة أن الدوائر الكمومية المحددة بمعلمات يمكنها تحقيق انحيازات استقرائية متوافقة مع المهام من خلال ترميز استعلامات طيفية ثابتة إلى جانب مدخلات الإشارة، مما يعمل على تعديل تركيبات التردد لتحسين كفاءة التعلم في المهام الطيفية غير المنتظمة مثل تصنيف رادار الفتحة الاصطناعية دون إدخال معلومات جديدة تعتمد على العينات.
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 الذي يتطور بسرعة، يحاول الباحثون تعليم الآلات التعلم من البيانات باستخدام القواعد الغريبة للفيزياء الكمية. فبدلاً من استخدام الرقائق الحاسوبية القياسية، تستخدم هذه الأنظمة دوائر كمية، وهي عبارة عن شبكات من المفاتيح الصغيرة التي يمكن أن توجد في حالات متعددة في آن واحد. والهدف هو بناء نماذج يمكنها التعرف على الأنماط أو تقديم تنبؤات بكفاءة أكبر من الحواسيب الكلاسيكية. ومع ذلك، لا تزال هناك عقبة رئيسية: فبينما تعد هذه النماذج الكمية قوية، غالباً ما لا يفهم العلماء تماماً كيفية تصميم هيكلها الداخلي ليتناسب بشكل أفضل مع مشكلات محددة. في تعلم الآلة التقليدي، يحل المهندسون هذه المشكلة عن طريق بناء "انحيازات استقرائية" داخل النظام. وهذه طريقة منمقة للقول بأنهم يصممون النموذج ليتوقع أنماطاً معينة في البيانات، تماماً كما يتم تشكيل عدسة الكاميرا لتركيز الضوء بطريقة محددة. ومن خلال دمج هذه التوقعات في التصميم، يحتاج النموذج إلى بيانات أقل للتعلم ويرتكب أخطاءً أقل. وبالنسبة للحواسيب الكمية، كان اكتشاف كيفية بناء هذه التوقعات المفيدة بمثابة لغز صعب.
لقد اقترح فريق من الباحثين الآن طريقة جديدة لحل هذا اللغز من خلال إدخال مدخل ثانٍ ثابت في الدائرة الكمية، أطلقوا عليه اسم "الاستعلام" (query). تخيل دائرة كمية قياسية تستقبل تدفقاً من البيانات، مثل سلسلة من القياسات من مستشعر. عادةً، تحاول الدائرة الكمية فهم كل شيء عن تلك البيانات بمفردها. وفي هذا النهج الجديد، أضاف الباحثون مدخلاً ثانياً لا يتغير من عينة بيانات إلى أخرى. يعمل هذا المدخل الثابت كأنه مجموعة من التعليمات أو سؤال محدد يخبر الدائرة بالضبط كيف تنظر إلى البيانات المتغيرة. إنه لا يوفر معلومات جديدة حول العينة المحددة، بل يخبر الدائرة بالتركيبات الرياضية المحددة للبيانات التي يجب أن تولي اهتمامها. ومن خلال القيام بذلك، يمكن للباحثين توجيه الدائرة للتركيز على الميزات المحددة التي تهم لمهمة معينة، مما يشكل "دماغ" النموذج بفعالية حتى قبل أن يرى قطعة واحدة من بيانات التدريب.
ولاختبار مدى نجاح هذه الفكرة، أنشأ الفريق أولاً نموذجاً نظرياً بسيطاً باستخدام اثنين فقط من البتات الكمية (qubits). وأظهروا أنه من خلال تغيير هذا الاستعلام الثابت، يمكنهم تغيير أنواع الأنماط التي يمكن للدائرة تعلمها بشكل جذري. في بعض الأحيان، كان تغيير الاستعلام يؤدي ببساطة إلى تغيير أوزان الأنماط التي كانت الدائرة قادرة بالفعل على رؤيتها. وفي أحيان أخرى، غير ذلك تماماً مجموعة الأنماط التي يمكن للدائرة تمثيلها، مما فتح آفاقاً جديدة للتعلم كانت مستحيلة سابقاً. والأهم من ذلك، وجدوا أنه لكي ينجح هذا الأمر، يجب أن تكون الطريقة التي يتم بها إدخال الاستعلام في الدائرة معقدة بما يكفي بحيث لا تستطيع الدائرة ببساطة تجاهله أو إلغاءه باستخدام إعداداتها القابلة للتعديل. وقد أكد هذا أن الاستعلام يعمل كدليل حقيقي، وليس مجرد إشارة زائدة.
ثم طبق الباحثون هذا المفهوم على سيناريو من العالم الحقيقي مستوحى من رادار الفتحة الاصطناعية (SAR). وهذه تقنية تُستخدم بواسطة الطائرات والأقمار الصناعية لإنشاء صور مفصلة للأرض، حتى من خلال السحب أو الظلام. تتضمن العملية إرسال موجات راديو والاستماع إلى الأصداء المرتدة. ولتحويل هذه الأصداء الخام إلى صورة واضحة، يجب على الحاسوب دمج الإشارات بطريقة محددة للغاية بناءً على هندسة مسار الطيران. إذا تحركت الطائرة في خط مستقيم، فإن الرياضيات تكون مباشرة. ولكن إذا كان مسار الطيران معقداً، تصبح الرياضيات صعبة، ويجب دمج الإشارات في فترات زمنية غير قياسية. أدرك الباحثون أن هذه الهندسة المعقدة نفسها يمكن أن تعمل كـ "استعلام". فقد حسبوا التعليمات الرياضية الدقيقة اللازمة لتركيز إشارات الرادار بناءً على مسار الطيران، وقدموا هذه التعليمات الثابتة إلى دائرتهم الكمية.
وعندما اختبروا ذلك في مهمة تحديد موقع هدف داخل رقعة من بيانات الرادار، كانت النتائج واضحة. فالدائرة الكمية التي تلقت الاستعلام القائم على الهندسة تعلمت تحديد الهدف بشكل أسرع وأكثر دقة من الدوائر التي لم تتلقَ مثل هذا الإرشاد أو تلقت إرشادات خاطئة. في الواقع، حققت الدائرة أفضل أداء عندما تطابق الاستعلام الثابت مع فيزياء مسار الطيران بدقة. وحتى عندما أضاف الباحثون ضوضاء وتداخلاً إلى البيانات، ظل الجهاز المزود بالتوجيه الهندسي الصحيح يتفوق على الآخرين. وهذا يشير إلى أنه باستخدام القوانين الفيزيائية المعروفة لعملية القياس كدليل ثابت، يمكن للحاسوب الكمي التعلم من أمثلة أقل بكثير مما قد يحتاجه لولا ذلك.
كما استكشفت الدراسة مدى حساسية هذا النظام للأخطاء. ووجدوا أن الدائرة لا تحتاج إلى أن يكون الاستعلام مثالياً لتعمل بشكل جيد؛ إذ يمكنها تحمل الأخطاء الصغيرة في التعليمات. ومع ذلك، إذا كانت التعليمات خاطئة بشكل كبير، فإن الأداء ينخفض. وهذا يشير إلى أن النظام قوي ولكنه يعتمد على الصحة العامة للتوجيه الفيزيائي. لم يدّعِ الباحثون أنهم حلوا جميع مشكلات تعلم الآلة الكمي، ولم يشيروا إلى أن هذه الطريقة تعمل مع كل أنواع البيانات. فقد اقتصر عملهم على عمليات محاكاة صغيرة النطاق وأنواع محددة من المهام الشبيهة بالرادار. ومع ذلك، فإن النتائج تقدم اتجاهاً جديداً واعداً. فهي تثبت أنه من خلال التصميم الدقيق لمدخل ثابت يعكس بنية المشكلة، يمكن للعلماء بناء نماذج كمية تكون أكثر توافقاً مع العالم الحقيقي، مما يجعلها أكثر كفاءة في التعلم من البيانات المحدودة. إن هذا النهج يسد الفجوة بين التصميم المجرد للدوائر الكمية والفيزياء الملموسة للقياسات التي من المفترض أن تعالجها.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.