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
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.
ملخص تقني: التعلم الآلي الكمي المدرك لعدم اليقين بناءً على نظرية دمبستر-شافر
بيان المشكلة بينما تم إحراز تقدم كبير في توصيف القدرة التعبيرية والأداء المتوسط (مثل الدقة) لنماذج التعلم الآلي الكمي (QML)، إلا أن هناك نقصاً ملحوظاً في الأبحاث المتعلقة بموثوقية التنبؤات الفردية. تفشل المقاييس القياسية في تحديد كمية عدم اليقين، وهو أمر بالغ الأهمية للتطبيقات عالية المخاطر مثل القيادة الذاتية حيث يجب على النموذج التعرف على المدخلات الغامضة أو الحالات النادرة. إن طرق تحديد كمية عدم اليقين (UQ) الموجودة في التعلم الآلي الكلاسيكي، مثل الشبكات العصبية البايزية أو أساليب المجموعات (ensembles)، لا تنتقل بشكل طبيعي إلى بنية الدوائر الكمية ذات المعلمات (PQCs). علاوة على ذلك، فإن الطرق القائمة على نظرية دمبستر-شافر (DST)، والتي توفر طريقة منهجية لتمثيل عدم اليقين من خلال التعيينات لمجموعات من النتائج بدلاً من مجرد تسميات مفردة، لم يتم دمجها بفعالية في أطر عمل التعلم الآلي الكمي، لا سيال فيما يتعلق بالتعامل الفعال مع دالات الكتلة التي تتوسع أسياً مع عدد الفئات.
المنهجية يقترح المؤلفون إطار عمل يدمج نظرية دمبستر-شافر في الدوائر الكمية ذات المعلمات لمهام التصنيف متعدد الفئات. وتتضمن المنهجية الجوهرية ما يلي:
الترميز الكمي لدالات الكتلة:
يتم استخدام دائرة كمية ذات معلمات (PQC) بعدد n من الكيوبتات، حيث يقابل كل كيوبت فئة في مجموعة التسميات Y={1,…,n}.
تقوم الدائرة بإعداد حالة كمية ρ(x,ϑ) بناءً على المدخل x والمعلمات ϑ.
تُفسر احتمالات حالات الأساس الحسابي ∣i⟩ كـ تعيينات كتلة دمبستر-شافرm(S) للمجموعات الجزئية S⊆Y. وتحديداً، تمثل الحالة الأساسية ∣i⟩ ذات التمثيل الثنائي i المجموعة الجزئية Si={k∈Y∣ik=1}، وتكون الكتلة m(Si)=Tr(ρ∣i⟩⟨i∣).
يسمح هذا الترميز للحالة الكمية بتمثيل توزيعات الاحتمالات المعممة فوق مجموعات من التسميات بشكل طبيعي.
استراتيجية التدريب:
يكيف المؤلفون استراتيجية تدريب كلاسيكية لنظرية دمبستر-شافر [25] لتناسب الدوائر الكمية ذات المعلمات. بدلاً من تعلم دالة الكتلة الكاملة مباشرة (والتي تكون ضخمة أسياً)، يقوم النموذج بالتنبؤ بـ المعقولات الفرديةpk=p({k}).
تُعرف دالة الخسارة كما يلي: L(p^,p)=λ∥p^−p∥22−(1−λ)p⋅log(p^) حيث p^ هي المعقولات الفردية المتوقعة و p هي القيم المستهدفة المستمدة من التسمية الحقيقية.
يعمل حد الخطأ التربيعي على معاقبة التعيينات الخاطئة للفئات، بينما يشجع حد الإنتروبيا المتقاطعة (cross-entropy) على تحقيق معقولية عالية للفئة الصحيحة. يتحكم المعلم الفائق (hyperparameter) λ في المقايضة بين التنبؤات المحددة والتوزيع الموزع لعدم اليقين.
والأهم من ذلك، أن دالة الخسارة تعتمد فقط على المعقولات الفردية، والتي يمكن تقديرها بكفاءة عبر قياسات محلية على الحالة الكمية (تتوسع حدودياً مع عدد الكيوبتات).
المعالجة اللاحقة والدمج:
يتم اشتقاق عدة مقاييس لعدم اليقين من دالة الكتلة المتعلمة دون إعادة بناء المتجه ذي الأبعاد 2n.
مجموع المعقولات الفردية:σp=∑pk.
حجم المجموعة الاعتقادية الفردية: حجم التوزيعات الاحتمالية المتوافقة مع المعتقدات والمعقولات المتعلمة.
متوسط الفجوة لكل فئة: متوسط الفرق بين المعقولية والاعتقاد (pk−bk).
يدعم إطار العمل دمج الكتلة، حيث يجمع الأدلة من مصنفات مستقلة متعددة. ويشير المؤلفون إلى أنه بينما يكون الدمج الكلاسيكي لمتجهات الكتلة الكاملة مكلفاً حوسبياً، فإن العمل الحديث [27] يسمح بإجراء دمج نظرية دمبستر-شافر مباشرة على دالات الكتلة المرمزة كمياً باستخدام موارد حدودية. يوفر هذا الإطار آلية التدريب اللازمة لتوليد هذه الحالات الكمية بشكل طبيعي.
النتائج الرئيسية تقدم الورقة تجارب عددية على أنظمة كمية محاكية باستخدام مجموعات بيانات MNIST و CIFAR10:
التحكم في عدم اليقين: نجح تغيير المعلم الفائق λ في إزاحة توزيع الكتلة. تؤدي قيم λ المنخفضة إلى تخصيص الكتلة لمجموعات أكبر (عدم يقين أعلى)، بينما تركز قيم λ المرتفلة الكتلة على الحالات الفردية (تنبؤات محددة).
تحليل التشتت (Sparsity): يبحث المؤلفون فيما إذا كانت دالات الكتلة المتعلمة تظل متفرقة (مركزة على مجموعات قليلة) عندما لا تكون الخسارة صفراً تماماً. وجدوا أنه بينما يظل التشتت قائماً في الحد المثالي للمعقولات الثنائية، فإن عدد المجموعات الجزئية المطلوبة لتغطية كسر ثابت من الكتلة (kτ) ينمو مع عدد الكيوبتات وخطأ التدريب. وهذا يشير إلى أن إعادة البناء الدقيقة لمتجه الكتلة الكامل قد تكون غير عملية للأنظمة الكبيرة، مما يعزز الحاجة إلى طرق المعالجة اللاحقة التي تعتمد فقط على إحصاءات الحالات الفردية.
الكشف عن البيانات خارج التوزيع (O.O.D.): حققت مقاييس عدم اليقين المقترحة (تحديداً مجموع المعقولية الفردية وفجوة المعقولية-الاعتقاد) درجات AUROC بلغت 0.83 و 0.82 على التوالي لـ MNIST مقابل FashionMNIST، مما مكنها من التمييز بفعالية بين العينات داخل التوزيع وخارجه.
دمج الكتلة: في تجربة حيث تم تدريب أربعة مصنفات على أجزاء منفصلة من صور MNIST، أدى دمج دالات الكتلة الخاصة بها باستخدام قاعدة دمبستر التباينية إلى دقة تصنيف أعلى باستمرار من أي نموذج فردي أو من متوسطهم. وهذا يثبت القدرة على تجميع الأدلة المتكاملة.
الأهمية والادعاءات تدعي الورقة أنها تمثل خطوة نحو تمكين النماذج الكمية من التعبير عن عدم اليقين بشأن تنبؤاتها، مما يوسع تقييم التعلم الآلي الكمي إلى ما وراء مقاييس الأداء المتوسط.
المساهمة النظرية: تؤسس الورقة لارتباط مباشر بين دالات كتلة نظرية دمبستر-شافر واحتمالات الحالات الأساسية الكمية، مما يوفر طريقة منهجية لتمثيل عدم اليقين المعرفي (epistemic) والآلي (aleatoric) في التعلم الآلي الكمي.
الفائدة العملية: توفر استراتيجية تدريب فعالة في عدد الكيوبتات، مما يتجنب الحاجة إلى التمثيل الصريح أو التعامل مع متجهات كتلة ضخمة أسياً أثناء التدريب.
القابلية للتوسع: من خلال التركيز على إحصاءات الحالات الفردية للتدريب والمعالجة اللاحقة، يظل إطار العمل فعالاً حتى عندما تكون دالة الكتلة الأساسية معرفة على عدد هائل أسياً من المجموعات الجزئية.
التكامل مع الدمج الكمي: يكمل إطار العمل خوارزميات الدمج الكمي الموجودة [27] من خلال توفير آلية طبيعية لإعداد الحالات المرمزة كمياً للكتلة المطلوبة، مما يتيح دمج دمستر-شافر الكمي الفعال.
يبقى المؤلفون متواضعين بشأن ادعاءاتهم، مشيرين إلى أن التجارب العددية هي تجارب إثبات مفهوم على أنظمة محاكة. كما يقرون بأن قابلية تحديد دالة الكتلة المتعلمة ليست فريدة بالنسبة للمعقولات غير الثنائية، وأن تشتت دالة الكتلة يتدهور مع حجم النظام وخطأ التدريب، مما يستلي زمناً لمزيد من البحث في طرق التنظيم (regularization) وطرق إعادة البناء الفعالة.