Comment on "Supervised Learning with Quantum Hamiltonian Embeddings" (arXiv:2610.26833)
تنتقد هذه الورقة حداثة وجدوى الحوسبة لـ "التعلم الخاضع للإشراف باستخدام تضمينات هاميلتونيان الكمية" من خلال سياقها ضمن تطورات تعلم الآلة المعرفي الكمي (QCML) السابقة، وتحدي الادعاء القائل بترميز مجموعة بيانات كاملة في حالة أرضية واحدة.
المؤلف الأصلي:Alexander G. Abanov, Luca Candelori, Kharen Musaelian
في مجال الذكاء الاصطناعي سريع التطور، يبحث الباحثون باستمرار عن طرق لجعل الآلات تتعلم بشكل أسرع وأكثر كفاءة. ويتضمن أحد المسارات الواعدة استعارة أدوات من الفيزياء الكمومية، وهو فرع العلم الذي يصف كيفية سلوك أصغر الجسيمات في الكون. وتتمثل فكرة مركزية في هذا النهج في التعامل مع البيانات ليس فقط كأرقام على الشاشة، بل كحالات فيزيائية داخل نظام ما. تخيل مشهداً حيث تقابل كل قطعة معلومات ممكنة موقعاً محدداً، ويكون الهدف من التعلم هو العثور على أدنى نقطة وأكثرها استقراراً في ذلك المشهد. هذا المفهوم، المعروف باسم الحالة الأرضية، ظل لفترة طويلة حلماً نظرياً للعلماء الذين يأملون في حل مشكلات التصنيف المعقدة التي تثقل كاهل الحواسيب التقليدية. والسؤال الذي يحرك العمل الأخير هو ما إذا كان تشفير البيانات في هذه الحالات الكمومية يقدم ميزة حقيقية على الطرق الكلاسيكية، أم أنه مجرد طريقة مختلفة للقيام بنفس الرياضيات القديمة.
تتناول ورقة بحثية حديثة أعدها باحثون من شركة "Qognitive, Inc" وجامعة "Stony Brook" ادعاءً محدداً قدمته دراسة أجراها "مولتيني" وزملاؤه بخصوص "التعلم الخاضع للإشراف باستخدام التضمينات الهاميلتونية الكمومية". ويجادل مؤلفو الورقة الجديدة بأن الفكرة الجوهرية المتمثلة في تشفير البيانات في نظام كمومي لم تكن جديدة. حيث يشيرون إلى أن منظمتهم قد طورت سابقاً طريقة تسمى "QCML"، أو "تعلم الآلة الإدراكي الكمومي"، والتي تعتمد على نفس المبدأ الأساسي المتمثل في رسم خرائط البيانات إلى حالات فيزيائية. وفي الواقع، يذكر فريق "Qognitive" أنهم شاركوا هذا المفهوم، جنباً إلى جنب مع الكود البرمجي اللازم، مع مؤلفي ورقة "مولتيني" خلال تعاون شمل باحثين من شركة "IBM". كما يشيرون إلى أنهم قد نجحوا بالفعل في تشغيل نسختهم من مهمة تعلم الآلة هذه على معالج كمومي من "IBM"، مما أثبت أن النهج الأساسي كان قيد الممارسة بالفعل.
ويتعلق الاختلاف المحدد الذي سلطت الورقة الجديدة الضوء عليه بكيفية تنظيم البيانات داخل النظام الكمومي. ففي طريقة "QCML" السابقة، يتم تخصيص إعداد فيزيائي فريد لكل قطعة منفردة من البيانات، مما يخلق حالة متميزة لكل عنصر على حدة. أما الورقة الجديدة فتقترح استراتيجية مختلفة حيث يتم حشد جميع البيانات في إعداد فيزيائي واحد مشترك. ويقترح مؤلفو النقد أن هذه الطالة الجديدة قد توفر بعض السرعة الحسابية، لكنها تغير طبيعة العمل بشكل جوهري بطريقة قد لا تكون ضرورية. ويجادلون بأن الجزء الكمومي من العملية يصبح في الغالب تجميلياً؛ فمن وجهة نظرهم، يتم التعامل مع المعلومات المحددة لكل نقطة بيانات بواسطة مجموعة من الدورات، بينما تعمل الحالة المشتركة كخلفية عامة.
ويوضح الباحثون أنه إذا تم إزالة الخلفية المشترة تماماً، يمكن تعديل الدورات المحددة للقيام بنفس المهمة تماماً. وهذا يعني أن الآلات الكمومية المعقدة المستخدمة لإنشاء الحالة المشترة قد تكون غير ضرورية. وتخلص الورقة إلى أن مؤلفي الدراسة الأصلية لم يثبتوا أن طريقتهم في تعلم الحالة المشترة والدورات أفضل من مجرد تعلم التأثير المشترك لكليهما مباشرة. وإذا كان النهج الأخير يعمل بنفس الكفاءة، فهذا يشرح أن الحوسبة الكمومية بأكملها يمكن استبدالها بحساب كلاسيكي أبسط، مما يجعل الجانب الكمومي من التجربة زخرفياً بدلاً من كونه أساسياً.
بناءً على النص المقدم، إليك ملخص تقني مفصل للوثيقة.
ملاحظة بشأن المادة المصدرية: النص المقدم ليس ورقة بحثية تعرض نتائج تجريبية جديدة أو منهجية مبتكرة. بل هو تعليق (أو رسالة) من تأليف ألكسندر جي. أبانوف، لوكا كانديلوري، وخارين موسايليان من شركة Qognitive، موجه إلى مؤلفي ورقة بعنوان "التعلم الخاضع للإشراف باستخدام تضمينات هاميلتونيان الكمية" (arXiv:2610.26833). ينتقد النص الذي كتبه هؤلاء المؤلفون ادعاءات الجدة والأهمية التقنية الواردة في الورقة المشار إليها.
بيان المشكلة
يتناول التعليق الادعاء بالجدة في الورقة المشار إليها [1]، والتي تقترح نهجاً للتعلم الآلي حيث يتم ترميز البيانات كحالة أرضية لهاميلتونيان (Hamiltonian) مُعامل ببيانات تلك المدخلات. يجادل مؤلفو هذا التعليق بأن هذا المفهوم الجوهري ليس جديداً، حيث تم تقديمه وتطويره مسبقاً من قبل شركة Qognitive تحت إطار تعلم الآلة المعرفي الكمي (QCML).
المنهجية والنقد التقني
يستعرض التعليق التمايزات والنقود التقنية التالية فيما يتعلق بالمنهية:
الأعمال السابقة (QCML): يؤكد التعليق أن فكرة ترميز البيانات كحالة أرضية لهاميلتونيان مُعامل تم تقديمها لأول مرة من قبل Qognitive. وقد تمت مشاركة هذا الإطار مع مؤلفي الورقة المشار إليها (IBM) وشكل أساساً لنشر مشترك [5] حيث تم تنفيذ QCML بنجاح على معالج Heron من IBM لغرض التصنيف الثنائي. كما تضمنت قاعدة الأكواد البرمجية المشتركة خوارزميات الانتشار العكسي (backpropagation) مطابقة لتلك المستخدمة في الورقة المشار إليها.
التعديل المحدد: يقر التعليق بأن الورقة المشار إليها تقدم تعديلاً محدداً: وهو ترميز مجموعة البيانات بأكملها في هاميلتونيان واحد وحالة أرضية واحدة. في المقابل، يقوم إطار عمل QCML بترميز كل نقطة بيانات بهاميلتونيان خاص بها، مما ينتج عنه حالة متميزة لكل نقطة بيانات. ويشير المؤلفون إلى أن الترميز لكل نقطة بيانات يُعتبر أمراً جوهرياً في منهجية QCML.
حجة "الزينة" (Ornamental): يتحدى التعليق ضرورة النهج المتبع في الورقة المشار إليها. ويجادل بأنه إذا كانت الحالة الأرضية ∣ψ(α)⟩ تمثل دوراناً لقاعدة مشتركة لجميع نقاط البيانات، وكانت المعلومات الخاصة بالبيانات تُرمّز عبر دورانات تعتمد على البيانات U(x,α)، فإن الحوسبة الكمية قد تكون زائدة عن الحاجة.
يقترح المؤلفون أنه يمكن تعريف دوران V(α) بحيث يكون V(α)∣0n⟩=∣ψ(α)⟩.
ويقترحون أنه يمكن استبدال ∣ψ(α)⟩ بالحالة الصفرية القياسية ∣0n⟩، ويمكن استبدال الدوران U(x,α) بدوران مركب U~(x,α)=V(α)U(x,α).
خلاصة النقد: يرى التعليق أن تعلم ∣ψ(α)⟩ و U(x,α) بشكل منفصل لا يقدم أي ميزة مثبتة على تعلم العملية المركبة U~(x,α) مباشرة، وهو ما من شأنه أن يلغي الحاجة إلى الحوسبة الكمية تماماً.
الادعاءات والمساهمات الرئيسية للتعليق
أولوية المفهوم: يزعم المؤلفون أن الفكرة التأسيسية للورقة المشار إليها قدمتها Qognitive كـ QCML، بناءً على مفاهيم من العلوم المعرفية.
تاريخ التعاون: يسلط التعليق الضوء على تاريخ من التعاون بين Qognitive وIBM، بما في ذلك مشاركة قواعد الأكواد البرمجية والتنفيذ المشترك لـ QCML على أجهزة IBM.
مناقشة نهج "الهاميلتونيان الواحد": يذكر المؤلفون أن فكرة ترميز مجموعة البيانات بأكملها في هاميلتونيان واحد تمت مناقشتها باستفاضة خلال جلسات التعاون بين Qognitive وIBM، مع الإشارة تحديداً إلى جلسة عمل في 17 مايو 2024.
الشك في الميزة الكمية: يخلص التعليق إلى أن التعديل المقترح في الورقة المشار إليه (حالة أرضية واحدة لجميع البيانات) قد يجعل الحوسبة الكمية "زينة بالكامل" بدلاً من توفير ميزة حوسبية.
النتائج والأهمية
لا توجد نتائج تجريبية جديدة: لا يقدم النص أي بيانات تجريبية جديدة، أو اختبارات قياسية، أو تداعيات مستقبلية.
الأهمية: تكمن أهمية هذا المستند في تحديه للجدة والأهمية التقنية للورقة المشار إليها. فهو يؤكد أن العمل المشار إليه يبني على مفاهيم QCML الراسخة دون تمييز مساهماته بشكل كافٍ أو إثبات سبب تفوق بنية "الحالة الأرضية الواحدة" المقترحة على الأساليب الحالية أو البدائل الكلاسيكية.
إخلاء مسؤولية: يعكس هذا الملخص الحجج والادعاءات الواردة في نص التعليق المقدم. وهو لا يتحقق من الدقة العلمية للادعاءات مقابل الورقة المشار إليها [1]، ولكنه يلخص الموقف الذي اتخذه مؤلفو هذا التعليق.