← أحدث الأبحاث
⚛️ الفيزياء الكمومية

Restoring quantum neural network trainability through reusable calibration

تقدم هذه الورقة إطار عمل لتخفيف الأخطاء يحافظ على البنية ويعزز قابلية التدريب للشبكات العصبية الكمومية تحت تأثير ضوضاء الأجهزة، وذلك من خلال إعادة استخدام معايرة واحدة لدائرة مرجعية لبناء مقدرات منتظمة للملاحظات والمشتقات، مما يؤدي إلى تحسين التقارب والأداء دون الحاجة إلى تكرار المعايرة عند كل خطوة تدريب.

المؤلف الأصلي: Ruizhe Shen, Xianquan Yan, Kenji Kawaguchi, Ching Hua Lee

نُشر 2026-11-18
📖 5 دقيقة قراءة🧠 قراءة متعمّقة

المؤلف الأصلي: Ruizhe Shen, Xianquan Yan, Kenji Kawaguchi, Ching Hua Lee

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 السعي لبناء آلات تتعلم من البيانات، يستكشف العلماء أفقاً تتراجع فيه قواعد الفيزياء الكلاسيكية لتفسح المجال للمنطق الغريب لعالم الكم. وفي قلب هذا الجهد تكمن الشبكات العصبية الكمومية، وهي أنظمة مصممة لإيجاد الأنماط في المعلومات عبر التحكم في الجسيمات مثل الإلكترونات أو الفوتونات. هذه الآلات لا تكتفي بمجرد معالجة الأرقام؛ بل توجه تعلمها من خلال قياس خصائص محددة للحالة الكمومية، تُعرف بالملاحظات (observables)، وتعديل إعداداتها الداخلية بناءً على ما تكشفه تلك القياسات. ومع ذلك، ظل هناك عائق مستمر يهدد بتعطيل هذا التقدم: الهشاشة المفرطة للأنظمة الكمومية. ففي العالم الحقيقي، يمكن حتى لأدنى تداخل من البيئة — كالحرارة أو الاهتزاز أو الضوضاء الكهرومغناطيسية — أن يشوه الإشارات التي تحتاجها الآلة للتعلم. تعمل هذه الضوضاء مثل الضباب، حيث تطمس الرابط بين إعدادات الآلة والنتائج التي تنتجها، مما يجعل من المستحيل غالباً على النظام التمييز بين الحل الجيد والحل السيئ. وبدون وسيلة لتبديد هذا الضباب، يظل وعد التعلم الكمومي حبيس النظرية، غير قادر على العمل بشكل موثوق على الأجهزة غير المثالية الموجودة حالياً.

لقد طور فريق من الباحثين في جامعة سنغافورة الوطنية طريقة عملية لاختراق هذه الضوضاء، مما يسمح للشبكات العصبية الكمومية بالتعلم بفعالية حتى على أجهزتهم غير المثالية اليوم. يركز نهجهم على نوع محدد من الخطأ يحدث أثناء تنفيذ الدائرة الكمومية نفسها، وليس فقط عند قراءة النتيجة النهائية. وبدلاً من محاولة إصلاح كل مصدر صغير للخطأ بشكل فردي أو تشغيل عمليات تصحيح معقدة ومستهلكة للوقت في كل خطوة من خطوات عملية التعلم، ابتكر الفريق استراتيجية تعتمد على معايرة واحدة قابلة لإعادة الاستخدام. فقد أدركوا أنه إذا تمكنوا من رسم خريطة توضح كيف تقوم بنية دائرة كمومية معينة بتشويه المعلومات، فيمكنهم تطبيق تلك الخريطة نفسها لتصحيح البيانات طوال جلسة التدريب بأكملها.

قام الباحثون ببناء دائرة مرجعية تحاكي بدقة نفس بنية وعمق واتصالات الآلة التي أرادوا تدريبها، لكنهم برمجوها لتؤدي مهمة بسيطة: وهي ترك بيانات المدخلات دون تغيير تماماً. ومن خلال تشغيل هذه الدائرة المرجعية مرات عديدة مع مدخلات أولية مختلفة، قاموا بقياس كيفية قيام الأجهزة بتشويه المعلومات بدقة. أنتجت هذه العملية خريطة مفصلة للضوضاء، استخدموها لبناء أداة رياضية قادرة على عكس هذا التشويه. والأهم من ذلك، أن هذه الأداة صُممت لتكون قابلة لإعادة الاستخدام؛ فبمجرد إنشاء الخريطة، يمكن تطبيقها على دائرة التعلم الفعلية في كل مرة تعالج فيها بيانات جديدة، دون الحاجة إلى إعادة حسابها أو إعادة قياسها مع تعديل الآلة لإعداداتها الداخلية. ويمثل هذا تحولاً كبيراً عن الطرق السابقة التي كانت تتطلب غالباً إعادة معايرة النظام عند كل خطوة أو إجراء اختبارات إضافية مكلفة تبطئ عملية التعلم.

لاختبار فكرتهم، أجرى الفريق أولاً عمليات محاكاة واسعة النطاق على حاسوب يحاكي سلوك الأجهزة الكمومية الصاخبة (المليئة بالضوضاء). وقد وضعوا مهمة تصنيف حيث كان على الآلة فرز البيانات إلى فئات مختلفة، وهو اختبار شائع لخوارزميات التعلم. وفي هذه المحاكاة، عانت الآلة غير المصححة والمشوبة بالضوضاء من أجل التحسن، حيث استقر منحنى التعلم الخاص بها نتيجة لتعطل الإشارات التي تحتاج لاتباعها بسبب الضوضاء. وفي المقابل، تعلمت الآلة التي تستخدم المعايرة القابلة لإعادة الاستخدام بشكل أسرع بكثير، حيث طابق أداؤها عن كثب نظاماً مثالياً خالياً من الضوضاء. لاحظ الباحثون أن التصحيح استعاد حدة مشهد التعلم، مما سمح للآلة برؤية الفروق بين الإعدادات الجيدة والسيئة بوضوح. وترجم هذا الوضوح إلى مسار أكثر حدة ومباشرة نحو الحل الأمثل، مما مكن النظام من الوصول إلى نتيجة عالية الدقة في عدد خطوات أقل بكثير من النسخة غير المصححة.

ثم نقل الفريق طريقتهم إلى العالم الحقيقي، واختبروها على معالج كمومي فعلي مقدم من شركة IBM. وهنا، كانت التحديات أكثر إلحاحاً والضوضاء أكثر عدم قابلية للتنبؤ. قاموا بتشغيل حلقة تحسين مبسطة، حيث طلبوا من الأجهزة ضبط إعداداتها لتقليل قيمة خطأ معينة. وحتى في هذه البيئة الواقعية، أثبتت المعايرة فعاليتها؛ إذ وصل النظام المصحح إلى قيمة خطأ أقل بكثير من النظام غير المصحح، مما أثبت أن الطريقة يمكنها الصمود أمام قسوة الأجهزة الفيزيائية. وأظهرت النتائج أن الآلة يمكنها الحفاظ على قدرتها على التعلم رغم وجود ضوضاء الأجهزة، مما يؤكد أن الاستراتيجية لم تكن مجرد تمرين نظري، بل أداة قابلة للتطبيق العملي.

ولعل الجانب الأكثر إثارة في هذا العمل هو قدرته على التوسع. فقد بنى الباحثون شبكة كمومية نمطية مكونة من خمس وعشرين قناة مستقلة، تحتوي كل منها على أربعة كيوبتات (qubits)، بإجمالي مائة كيوبت. وفي النهج التقليدي، تتطلب معايرة مثل هذا النظام الضخم قدراً هائلاً من الوقت والموارد، كما هو متوقع عند الحاجة إلى معايرة فريدة لكل جزء من أجزاء الآلة. ومع ذلك، ولأن القنوات تشترك في نفس البنية وخصائص الضوضاء، تمكن الفريق من استخدام خريطة المعايرة الواحدة التي أنشأوها لكتلة صغيرة واحدة وتطبيقها على جميع القنوات الخمس والعشرين. سمح هذا الإعادة في الاستخدام بتصحيح ميزات النظام الكامل المكون من مائة كيوبت دون زيادة تكلفة المعايرة. وكانت النتيجة نظاماً يعمل بشكل أفضل بكثير من النسخة غير المصححة، مستعيداً جزءاً كبيراً من الدقة التي فقدت بسبب الضوضاء.

تشير النتائج إلى أن الطريق نحو تعلم الآلة الكمومي لا يتطلب بالضرورة انتظار أجهزة مثالية خالية من الأخطاء. بدلاً من ذلك، من خلال فهم ورسم خرائط للطرق المحددة التي تشوه بها الأجهزة الحالية المعلومات، يمكن للباحثين بناء أدوات لتصحيح هذه الأخطاء بكفاءة وتكرار. وتوضح الدراسة أن الحفاظ على بنية الدائرة أثناء المعايرة يسمح بتصحيح مستقر يصمد حتى مع تعلم الآلة وتغيرها. يقدم هذا النهج وسيلة عملية لتحسين أداء التعلم الكمومي اليوم، محولاً الآلات الصاخبة وغير المثالية إلى متعلمين أكفاء دون الحاجة إلى إعادة معايرة مستمرة ومستهلكة للموارد. إن هذا العمل يؤسس لفكرة أنه مع نوع المعايرة الصحيح، يمكن رفع ضباب الضوضاء، وكشف الإشارات الواضحة اللازمة لتتمكن الحواسيب الكمومية من التعلم حقاً.

غارق في أبحاث مجالك؟

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

جرّب Digest →