Quantum machine learning geospatial time-series by seasonal encoding
تُثبت هذه الورقة أن استخدام ترميزات موسمية تكيفية مدركة للبنية، بدلاً من الطرق القياسية القائمة على القيم، يُمكّن نماذج تعلم الآلة الكمي من التقاط الأنماط الزمنية في البيانات السلاسل الزمنية الجيومكانية بفعالية والحفاظ على دقة التنبؤ مع زيادة عمق الدائرة، بل وتتفوق أو تضاهي الطرق الكلاسيكية في عمليات المحاكاة الضوضائية.
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
إن التنبؤ بمستقبل طقس كوكبنا هو مهمة اعتمدت لفترة طويلة على رصد الأنماط في الماضي. فقد أمضى العلماء عقوداً في بناء أدوات لتتبع كيفية تغير هطول الأمطار، ودرجة الحرارة، وغيرها من الإشارات البيئية بمرور الوقت، آملين في توقع حالات الجفاف أو الفيضانات قبل وقوعها. هذه الإشارات نادراً ما تكون عشوائية؛ فهي غالباً ما تتبع إيقاعاً، ترتفع وتنخفض مع المواسم بطريقة تتكرر عاماً بعد عام، وإن لم يكن ذلك بدقة تامة. وفي السنوات الأخيرة، ظهر مجال جديد يسمى "تعلم الآلة الكمي"، وهو يقدم طريقة مختلفة لمعالجة المعلومات. فبدلاً من استخدام البتات القياسية للحواسيب الكلاسيكية، تستخدم هذه الأنظمة الحالات الكمية، التي يمكن أن توجد في تركيبات معقدة، لتمثيل البيانات. والأمل يكمن في أنه من خلال رسم خرائط للبيانات من العالم الحقيقي إلى هذه الحالات الكمية، قد تتمكن الحواسيب من إيجاد أنماط قد تكون خفية جداً بالنسبة للطرق التقليدية. ومع ذلك، فإن مجرد إضافة المزيد من الطبقات إلى هذه الدوائر الكمية لا يجعلها أكثر ذكاءً بشكل تلقائي. بل في الواقع، يمكن أن يؤدي جعل هذه النماذج أكثر عمقاً أحياناً إلى إرباكها، مما يتسبب في فقدانها للأنماط ذاتها التي تحاول تعلمها.
لقد وضع فريق من الباحثين هدفاً لحل هذا اللغز من خلال التركيز على نوع محدد من البيانات: سجلات هطول الأمطار الشهرية من منطقة معرضة للجفاف في شرق أفريقيا. أرادوا فهم سبب فشل بعض النماذج الكمية كلما زاد حجمها، وما إذا كانت طريقة معينة لتغذية البيانات في الآلة يمكن أن تعالج هذه المشكلة. وكشفت تحقيقاتهم أن الطريقة التي تُترجم بها البيانات إلى اللغة الكمية هي التي تهم، أكثر من الحجم الإجمالي للآلة. ووجدوا أنه إذا قمت ببساطة بتغذية الأرقام الخام لهطول الأمطار في النظام، فإن النموذج يسوء في التنبؤ بالمستقبل كلما أضفت المزيد من طبقات المعالجة. ولكن إذا علمت الآلة التعرف على وقت السنة جنباً إلى جنب مع كمية المطر، فإنها تظل حادة ودقيقة، حتى مع زيادة تعقيد النموذج. يشير هذا الاكتشاف إلى أنه لكي تتمكن الحواسيب الكمية حقاً من التعلم من البيانات القائمة على الوقت، يجب تزويدها بالتقويم كدليل، وليس مجرد الأرقام.
اختبر الباحثون أفكارهم باستخدام مجموعة بيانات من هطول الأمطار الشهري في ناباك، أوغندا، وهي منطقة تعد فيها الأمطار حيوية للزراعة ولكنها متغيرة للغاية. لقد أخذوا نافذة من بيانات هطول الأمطار لمدة أربعة عشر شهراً وطلبوا من الكمبيوتر التنبؤ بهطول الأمطار للشهر التالي. وللقيام بذلك، بنوا نظاماً هجيناً يجمع بين كمبيوتر كلاسيكي ودائرة كمية. يعمل الجزء الكمي من النظام عن طريق أخذ بيانات المدخلات وتشفيرها في حالة عدة بتات كمية، أو "كيوبتات". عملية التشفير هذه تشبه ترجمة جملة من الإنجليزية إلى لغة أخرى؛ حيث تحدد طريقة الترجمة المختارة مدى الحفاظ على المعنى. جرب الفريق عدة طرق مختلفة للترجمة، أو التشفير. كانت الطريقتان الأولان بسيطتين: حيث قاما برسم كمية المطر مباشرة على الكيوبتات، متجاهلين التاريخ تماماً. وكانت الطرق الثلاث الأخرى أكثر تطوراً؛ حيث قاما برسم كمية المطر على إحداثي واحد، ووقت السنة على إحداثي مختلف، مما منح الآلة إحساساً بالموسمية.
ولرؤية كيف صمدت هذه الطرق، بنى الباحثون نماذج ذات أعماق متفاوتة، بمعنى أنهم أضافوا المزيد من طبقات خطوات المعالجة، تتراوح من طبقة واحدة إلى ست طبقات. في محاكاة مثالية خالية من الضوضاء، انهارت الطرق البسيطة التي تجاهلت التاريخ بسرعة. فكلما زاد عمق النماذج، فقدت قدرتها على التعرف على العلاقة بين الشهر الحالي ونفس الشهر في السنوات السابقة. أصبحت التنبؤات مضطربة، وفشل النموذج في التقاط الإيقاع الموسمي للأمطار. في المقابل، ظلت النماذج التي تضمنت شهر السنة بشكل صريح مستقرة؛ حيث حافظت على الهيكل الموسمي، وحافظت على العلاقة بين نقاط البيانات مع نمو النموذج في العمق. وكان النهج الأكثر نجاحاً هو نهج تكيفي، حيث سُمح للنموذج بتعديل كيفية تمثيله للمواسم قليلاً أثناء التدريب، بدلاً من الالتزام بخريطة ثابتة ومحددة مسبقاً. حافظ هذا النموذج المرن على دقته وقدرته على تتبع توقيت الأمطار عبر جميع الأعماق المختلفة التي تم اختبارها.
تحقق الفريق أيضاً مما إذا كانت هذه النتائج ستصمد في أجهزة الكمبيوتر الكمية الحقيقية، والتي تتسم حالياً بالضوضاء والتعرض للأخطاء. قاموا بمحاكاة تأثيرات ضوضاء الأجهزة ووجدوا أن ميزة التشفير الموسمي استمرت، على الأقل في النماذج ذات عدد الطبقات الضحلة إلى المتوسطة. فالنماذج التي فهمت المواسم تفوقت لا تزال على تلك التي لم تفهمها. ومع ذلك، عندما أصبحت النماذج عميقة جداً، بدأت الضوضاء الناتجة عن الأجهزة تطغى على فوائد التشفير، وعانت جميع النماذج للحفاظ على الدقة. يشير هذا إلى أنه بينما تعتبر استراتيجية التشفيد قوية، إلا أنها يجب أن تقترن بأجهزة هادئة بما يكفي للسماح للطبقات الأعمق بالعمل. وحتى مع هذه القيود، كان أداء أفضل النماذج الكمية يضاهي النماذج الكلاسيكية الراسخة، مثل النماذج الإحصائية والشبكات العصبية الاصطناعية، والتي تعد المعيار الحالي للتنبؤ بالطقس.
يكمن جوهر هذا الاكتشاف في كيفية رؤية الآلة الكمية للبيانات. فعندما نظر الباحثون عن كثب في رياضيات النظام، وجدوا أن عمق الدائرة يغير هندسة الفضاء الذي تعيش فيه البيانات. بالنسبة لعمليات التشفير البسيطة، أدت إضافة المزيد من الطبقات إلى تشويه هذا الفضاء بطريقة جعلت من الصعب التمييز بين شهر ممطر وشهر جاف، أو بين أمطار هذا العام وأمطار العام الماضي. أما التشفيرات الموسمية، فقد رتبت البيانات بطريقة تحترم الدورة الطبيعية للسنة. ومن خلال رسم الشهر لاتجاه محدد في الفضاء الكمي، استطاع النموذج الحفاظ على الأنماط الموسمية متميزة، حتى مع إضافة التعقيد عبر الطبقات. سمح هذا للآلة بتعلم الإيقاع الأساسي للمناخ دون أن تضيع في ضوضاء البيانات.
لا يدعي هذا العمل أن الحواسيب الكمية قد حلت بالفعل مشكلة التنبؤ بالطقس أو أنها متفوقة على الحواسيب الكلاسيكية في كل شيء. بدلاً من ذلك، فإنه يقدم درساً حاسماً لمستقبل هذه التكنولوجيا. فهو يوضح أن مجرد جعل النماذج الكمية أكبر ليس هو الحل. ولجعلها تعمل بشكل أفضل، خاصة للبيانات التي تتغير بمرور الوقت، يجب أن نصممها لتفهم هيكل العالم الذي تدرسه. ومن خلال بناء معرفة المواسم مباشرة في طريقة تقديم البيانات، أنشأ الباحثون نموذجاً أكثر قوة وموثوقية. يمكن تطبيق هذا النهج على أنواع أخرى من البيانات القائمة على الوقت، من تتبع انتشار الأمراض إلى مراقبة أنماط حركة المرور، مما يشير إلى أن المفتاح لإطلاق العنان لإمكانات تعلم الآلة الكمي قد يكمن في تعليم الآلة أن ترى العالم كما هو في الحقيقة: مكان مليء بالأنماط المتكررة والدورات الموسمية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.