Quantum neuroplastic learning for time-series processing

في المشهد الواسع للحوسبة، هناك رغبة متزايدة في بناء آلات لا تتعلم فقط من خلال معالجة الأرقام، بل من خلال تكييف بنيتها ذاتها مع تدفق المعلومات، تماماً كما يفعل الدماغ البشري. لعقود من الزمن، درس العلماء كيف تتغير الأدمغة البيولوجية بمرور الوقت. وهم يعلمون أنه عندما نتعلم مهارة جديدة، فإن الروابط بين خلايانا العصبية، التي تسمى المشابك، لا تكتفي بالتقوي أو الضعف فحسب؛ بل يمكنها تكوين روابط جديدة، وإزالة روابط قديمة، وإعادة تنظيم الشبكة بأكملها. تُعرف هذه القدرة على إعادة توصيل نفسها مادياً باسم "اللدونة العصبية"، وهي أساس الذاكرة طويلة الأمد. وبينما تعد الحواسيب الحديثة سريعة للغاية، إلا أنها تعتمد عادةً على بنيات ثابتة يجب إعادة برمجتها من الصفر للتعامل مع مهام جديدة. وقد بدأت الحوسبة الكمومية، وهو مجال يستخدم قوانين الفيزياء الغريبة لمعالجة المعلومات بطرق لا تستطيع الحواسيب التقليدية القيام بها، في استكشاف أفكار مماثلة مؤخاً. ويبحث الباحثون في كيفية جعل هذه الأنظمة الكمومية الهشة أكثر قدرة على التكيف، آملين في إنشاء آلات يمكنها تذكر الأنماط المعقدة والتكيف مع البيئات المتغيرة دون الحاجة إلى عملية إصلاح شاملة.

لقد اتخذ باحث في المعهد الملكي للتكنولوجيا (KTH) في ستوكهولم خطوة كبيرة نحو هذا الهدف من خلال تقديم طريقة تسمى "التعلم العصبي الكمومي اللدن". فبدلاً من معاملة الحاسوب الكمومي كآلة ثابتة ذات مجموعة محددة من القواعد، صمم نظاماً يمكنه إعادة تنظيم اتصالاته الداخلية بناءً على التجربة. تخيل الحاسوب الكمومي كمجموعة صغيرة من الجسيمات، أو الكيوبتات (qubits)، التي تتفاعل مع بعضها البعض. في التعلم الكمومي التقليدي، يتم إعداد هذه الجسيمات مرة واحدة، ويحاول الحاسوب التعلم من خلال ضبط المخرج النهائي فقط، تاركاً الشبكة الأساسية دون تغيير. ومع ذلك، فإن النهج الجديد يسمح للشبكة نفسها بالتغير. وكما قد يقوم الدماغ بتقليم الروابط غير المستخدمة أو صياغة مسارات جديدة لتخزين ذاكرة ما، يقوم هذا النظام بترشيح تغييرات محلية صغيرة لكيفية ارتباط الكيوبتات ببعضها. إنه يختبر هذه التغييرات مقابل بيانات جديدة، وإذا ثبت أن تعديلاً معيناً يحسن الأداء، فإن النظام يحتفظ به. تحدث هذه العملية ببطء وتأنٍ، حيث يقوم النظام باستمرار بتقييم ما إذا كان الاتصال الجديد يستحق التكلفة.

اختبر الباحث هذه الفكرة بطريقتين متميزتين، أولاً من خلال عمليات محاكاة حاسوبية مفصلة، ثم على معالج كمومي حقيقي. في عمليات المحاكاة، طبق الطريقة على مهام تتطلب تذكر المعلومات بمرور الوقت، مثل استرجاع تسلسل من المدخلات من الماضي البعيد أو التنبؤ بالرقم التالي في سلسلة معقدة غير خطية. ووجدوا أنه بينما عانت الأنظمة الكمومية الثابتة في تذكر الأشياء لأكثر من بضع خطوات، طورت المنظومة التي تعيد التنظيم قدرة رائعة على الاحتفاظ بالمعلومات لفترات أطول بكثير. لقد نجحت بفعالية في نقل سعتها الذاكرية، مما سمح لها بالتمسك بالبيانات القديمة مع الاستمرار في معالجة المدخلات الجديدة. وكان هذا صحيحاً بشكل خاص للمهام التي تتطلب استدعاءً طويل الأمد، حيث فشلت الأنظمة الثابتة تماماً. لم يتعلم النظام اللدن بسرعة أكبر فحسب، بل تعلم نوعاً مختلفاً من الذاكرة، ذاكرة يمكن أن تستمر عبر العديد من التحديات المختلفة دون نسيان ما تعلمته سابقاً.

ولرؤية ما إذا كانت هذه النتائج ستصمد في العالم الحقيقي، نقلوا عملهم إلى معالج كمومي فيزيائي موجود في شركة IBM، وهو آلة تستخدم الدوائر فائقة التوصيل لإنشاء الكيوبتات. أخذوا تهيئة تم تحسينها في عمليات المحاكاة الخاصة بهم وجمدوها، مما يعني أنهم أوقفوا عملية التعلم وقاموا بتشغيل المهمة ببساطة. طلبوا من الآلة أداء مهمة اتصال تُعرف باسم "تساوي القنوات" (channel equalization)، والتي تتضمن تنظيف إشارة مشوهة لاستعادة الرسالة الأصلية. في هذا الاختبار، قلل التكوين المعاد تنظيمه معدل الخطأ بشكل كبير، حيث انخفضت الأخطاء من ما يقرب من عشرة بالمائة إلى ما يزيد قليلاً عن اثنين بالمائة. كانت هذه النتيجة أفضل من نظام قياسي تم ضبطه بعناية وتم إعطاؤه نفس القدر من الوقت لإيجاد إعداد جيد. أثبت النجاح على الأجهزة الفيزيائية أن الدروس المستفادة في المحاكاة يمكن أن تنتقل إلى جهاز حقيقي مليء بالضجيج، مما يثبت أن قدرة النظام على إعادة توصيل نفسه ليست مجرد مفهوم نظري بل ميزة عملية.

استكشفت الدراسة أيضاً كيف يتصرف أسلوب التعلم هذا عندما تتغير المهمة. في سلسلة من التجارب، طُلب من النظام التبديل بين ستة عشر تحدياً مختلفاً للذاكرة والتنبؤ على التوالي. وعلى عكس النظام الثابت الذي قد يعاني للتكيف مع متطلبات جديدة، استمر المتعلم العصبي الكمومي اللدن في ضبط بنيته الداخلية لكل مهمة جديدة. حافظ على قدرته على التعلم، مما أظهر أن التغييرات التي أجراها لم تكن مجرد إصلاحات مؤقتة، بل تحسينات مستقرة سمحت له بالتعامل مع مجموعة متنوعة من المشكلات. وأشار الباحث إلى أن الفوائد كانت أكثر وضوحاً عندما تتطلب المهام من النظام الاحتفاظ بالمعلومات لفترات طويلة أو معالجة أنماط معقدة غير خطية. وفي هذه السيناريوهات الصعبة، وفرت القدرة على إعادة تنظيم الروابط الفيزيائية للخزان الكمومي ميزة واضحة على الأنظمة التي تظل ثابتة.

بينما تبدو النتائج واعدة، يحرص الباحث على الإشارة إلى القيود التي تحيط بعملهم. فقد أُجريت التجارب على أنظمة صغيرة نسبياً تحتوي على عدد قليل من الكيوبتات، كما تطلبت عملية التعلم نفسها عدداً كبيراً من عمليات المحاكاة الحاسوبية للعثور على التكوين الصحيح. كما أُجري الاختبار الفيزيائي على نوع معين من المعالجات الكمومية، ولم يظهر النظام بعد القدرة على تذكر المهام السابقة إلى الأبد دون بعض الفقدان في الأداء. ومع ذلك، تظل النتيجة الجوهرية قوية: من خلال السماح لنظام كمومي بإعادة توصيل روابطه مادياً استجابةً للأداء، فمن الممكن تعزيز ذاكرته وقدرته على التكيف. يشير هذا النهج إلى مسار جديد لبناء آلات كمومية ليست مجرد حواسيب سريعة، بل متعلمات مرنة قادرة على تطوير بنيتها الخاصة لتلبية متطلبات العالم من حولها.