← أحدث الأبحاث
⚛️ الفيزياء الكمومية

Uncertainty-aware quantum machine learning based on Dempster-Shafer theory

تقدم هذه الورقة إطاراً كمياً للتصنيف مدركاً لعدم اليقين يعتمد على نظرية دمبستر-شيفر، يُمكّن الدوائر الكمية ذات المعلمات من تعلم والتعبير عن عدم اليقين في التنبؤ عبر مجموعات من الملصقات، مما يوفر نهجاً فعالاً من حيث الموارد لدمج دمبستر-شيفر الكمي.

المؤلف الأصلي: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

نُشر 2026-11-13
📖 4 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في عالم الذكاء الاصطناعي، لا يكفي مجرد أن يعطي النموذج الإجابة الصحيحة في معظم الأحيان. تخيل سيارة ذاتية القيادة تتعرف على أحد المشاة تسع مرات من أصل عشر، لكنها تفشل في التعرف على عائق نادر وغير مألوف في المرة العاشرة. إذا لم يتمكن النظام من الإشارة إلى أنه غير متأكد، فقد تكون العواقب وخيمة. هذا هو تحدي عدم اليقين: معرفة ليس فقط ما يعتقده الكمبيوتر، بل مدى ثقته في ذلك الاعتقاد. وبينما طورت تعلم الآلة التقليدي طرقاً لقياس هذا الشك، ركز مجال تعلم الآلة الكمي الناشئ إلى حد كبير على السرعة والدقة الخام، تاركاً مسألة الموثوقية دون معالجة تذكر. ويسأل الباحثون الآن كيف يمكن بناء حواسيب كمية يمكنها الاعتراف عندما لا تعرف الإجابة، وهي قدرة أساسية لنشر هذه الأدوات القوية في مواقف العالم الحقيقي عالية المخاطر.

لقد اتخذ فريق من الباحثين خطوة كبيرة نحو حل هذه المشكلة من خلال تعليم الدوائر الكمية التعبير عن عدم اليقين باستخدام إطار رياضي يسمى نظرية "دمبستر-شيفر" (Dempster-Shafer). وخلافاً للاحتمالات القياسية، التي تخصص نسبة مئوية واحدة للاحتمالية لنتيجة محددة، تسمح هذه النظرية للنموذج بتخصيص وزن لمجموعات من الاحتمالات في وقت واحد. فكر في الأمر كفرق بين قول "أنا متأكد بنسبة 90% أنه كلب" وقول "أنا متأكد أنه إما كلب أو ذئب، لكنني لا أستطيع التمييز بينهما". هذا التمييز أمر بالغ الأهمية لأنه يفصل بين عدم اليقين الناتج عن نقص المعلومات وبين عدم اليقين الناتج عن الغموض المتأصل في البيانات نفسها. ومن خلال تطويع هذه الطريقة الكلاسيكية للأنظمة الكمية، أنشأ الباحثون نوعاً جديداً من المصنفات التي لا تخرج مجرد تنبؤ واحد، بل خريطة مهيكلة لما تعرفه وما لا تعرفه.

يتضمن جوهر عملهم دائرة كمية ذات معاملات، وهي نوع من البرامج الكمية التي يمكن تعديل إعداداتها أثناء التدريب. صمم الباحثون عملية تدريب تشجع الدائرة على توزيع "ثقتها" عبر مجموعات مختلفة من التسميات بدلاً من حصرها في إجابة واحدة محددة. عندما يتم تغذية الدائرة بصورة، فإنها تنتج حالة كمية تتوافق فيها احتمالات النتائج المختلفة مع أوزان الثقة هذه. إذا كانت المدخلات واضحة ومألوفة، فإن النموذج يركز وزنه على التسمية الصحيحة الوحيدة. ومع ذلك، إذا كانت المدخلات مربكة أو غير عادية، فإن النموذج ينشر وزنه بشكل طبيعي عبر مجموعة أكبر من التسمات المحتملة، مما يشير فعلياً إلى أنه غير متأكد. هذا السلوك ينبثق مباشرة من البيانات أثناء التدريب، ولا يتطلب أي تعديلات خارجية معقدة.

ولاختبار ما إذا كان هذا النهج فعالاً حقاً، أجرى الفريق عمليات محاكاة باستخدام مجموعات بيانات صور من العالم الحقيقي. فقد قاموا بتدريب نماذجهم الكمية على التعرف على الأرقام، ثم تحدوهم بصور لم يروها من قبل. يجب أن يحدد نظام عدم اليقين الموثوق هذه الصور غير المألوفة كصور محفوفة بالمخاطر. وأظهرت النتائج أن طريقتهم كانت فعالة للغاية في هذه المهمة؛ حيث نجحت النماذج في التمييز بين الصور المألوفة والصور الغريبة وغير العادية، مع تحديد مقاييس عدم اليقين للبيانات غير المألوفة بدقة عالية. وهذا يشير إلى أن الدوائر الكمية تعلمت كيفية التعرف على حدود معرفتها، وهي سمة حيوية لأي نظام يهدف إلى العمل بأمان في العالم الحقيقي.

كما استكشف الباحثون كيف يمكن لهذه النماذج أن تعمل معاً. ففي العديد من السيناريوهات المعقدة، قد توفر أجهزة استشعار متعددة أو أنواع مختلفة من البيانات معلومات متضاربة أو جزئية. وقد أظهر الفريق أن نماذجهم الكمية يمكنها دمج تقييماتها الفردية في استنتاج واحد أكثر موثوقية. ومن خلال دمج خرائط عدم اليقين من عدة مصنفات كمية مختلفة، يمكن للنظام الوصول إلى صورة أوضح مما يمكن لأي نموذج بمفرده تحقيقه. هذه العملية، المعروفة باسم "دمج الكتلة" (mass fusion)، أظهرت أنها تحسن الدقة الإجمالية، مما يثبت أن هذه النماذج الكمية يمكنها التعاون لتقليل الشك وشحذ التنبؤات.

وعلى الرغم من أن التجار nghiệm الحالية أجريت على حواسيب كمية محاكية وليس على أجهزة مادية، إلا أن النتائج تقدم مخططاً عملياً للمستقبل. تشير الدراسة إلى أن الآلات الكمية يمكن تدريبها لتكون صادقة بشأن حدودها، متجاوزة درجات الدقة البسيطة لتقديم تقييم أغنى وأكثر موثوقية لقراراتها. ومن خلال دمج أساليب عدم اليقين هذه، ينتقل المجال نحو أنظمة كمية ليست قوية فحسب، بل آمنة وموثوقة بما يكفي للتطبيقات الحرجة مثل القيادة الذاتية أو التشخيص الطبي. إن هذا العمل يؤسس لفكرة أن النماذج الكمية يمكنها تعلم التعبير عن كامل طيف معرفتها، من اليقين المطلق إلى الجهل التام، مما يوفر أساساً ضرورياً للجيل القادم من الآلات الذكية.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →