A Parallel Quantum–Classical Hybrid Architecture for Image Classification
تقترح هذه الورقة بنية هجينة كمومية-كلاسيكية متوازية وفعالة في المعلمات لتصنيف الصور، تستفيد من مستخرج سمات كلاسيكي مشترك وفروع كمومية متعددة ذات استراتيجيات ترميز وتوبولوجيا تشابك متنوعة لتحقيق دقة تنافسية على مجموعات بيانات MNIST وCIFAR-10 والصور الحرارية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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
في عالم الحوسبة الحديثة، أصبحت الآلات بارعة للغاية في التعرف على الأنماط في الصور. يمكنها تحديد قطة في صورة أو رقم مكتوب بخط اليد بسرعة ودقة تتجاوز في كثير من الأحيان القدرة البشرية. يعتمد هذا النجاح على أنظمة الذكاء الاصطناعي التي تتعلم من خلال ضبط ملايين الإعدادات الداخلية الصغيرة، المعروفة باسم المعلمات (parameters)، لإيجال الإجابة الصحيحة. ومع ذلك، كلما زاد تعقيد هذه الأنظمة للتعامل مع مهام أصعب، تطلبت كميات هائلة من الذاكرة والطاقة للتشغيل، مما يخلق اختناقاً حيث يصبح الكمبيوتر ثقيلاً وبطيئاً لدرجة تجعله غير عملي. يستكشف العلماء الآن مساراً مختلفاً عبر استعارة أدوات من الفيزياء الكمومية، وهو مجال يدرس سلوك أصغر الجسيمات في الكون. وخلافاً للحواسيب القياسية التي تعالج المعلومات كنبضات بسيطة (تشغيل أو إيقاف)، يمكن للأنظمة الكمومية أن توجد في حالات متعددة في وقت واحد، مما يوفر طريقة محتملة لمعالجة المعلومات بكفاءة أكبر. ويكمن التحدي في ربط هذه الأنظمة الكمومية الهشة بالحواسيب الكلاسيكية القوية التي نستخدمها كل يوم، لإنشاء آلة هجينة تستخدم أفضل ما في العالمين لحل المشكلات دون الحاجة إلى جيش من المعالجات.
اقترح فريق من الباحثين في جامعة الإمام الحسين الشاملة في طهران طريقة جديدة لبناء مثل هذه الآلة الهجينة خصيصاً لتصنيف الصور. لا يدعي عملهم أن الحواسيب الكمومية جاهزة لاستبدال تلك الموجودة في هواتفنا أو حواسيبنا المحمولة، ولا يشيرون إلى أنها حلت بالفعل كل مشكلة في الرؤية الحاسوبية. بدلاً من ذلك، صمموا بنية محددة تعمل كمُتخذ قرار عالي الكفاءة. تخيل مصنعاً حيث ينقل حزام ناقل مواد خام؛ في هذه الحالة، المواد هي بكسلات الصورة. المرحلة الأولى من الآلة هي برنامج حاسوبي كلاسيكي تقليدي يعمل كـ "مُصنف" ماهر؛ حيث يقوم بمسح الصورة، وتحديد الأشكال والقوام الأساسية، وضغط هذه المعلومات المرئية في ملخص أصغر وأكثر قابلية للإدارة. هذه الخطوة حاسمة لأنها تقلل الكم الهائل من البيانات في الصورة إلى ميزاتها الأكثر جوهرية، مما يهيئها للمرحلة التالية.
يحدث الابتكار فيما يلي عملية الفرز الأولي. فبدلاً من تغذية البيانات الملخصة في "عقل" كلاسيكي واحد كبير ومعقد لاتخاذ القرار النهائي، قام الباحثون بتقسيم المعلومات وإرسالها عبر ثلاثة مسارات متوازية منفصلة. يقود كل مسار إلى معالج كمومي صغير ومتخصص. هذه المعالجات ليست حواسيب فائقة ضخمة، بل هي دوائر مدمجة مصممة لمعالجة البيانات بطرق فريدة. حرص الباحثون على ألا تكون هذه المسارات الثلاثة مجرد نسخ من بعضها البعض؛ بل تم جعلها مختلفة عن عمد. فالمسار الأول أعاد ترتيب ترتيب ميزات البيانات، والآخر حقن المعلومات في طبقات، بينما ربط الثالث المكونات الداخلية للدائرة بنمط متميز. ومن خلال إجبار البيانات على المرور عبر هذه المناظر الطبيعية الكمومية الثلاثة المختلفة، استطاع النظام استخراج مجموعة أغنى من الرؤى من نفس الصورة مما قد يفعله مسار واحد.
بمجرد مرور البيانات عبر هذه الفروع الكمومية الثلاثة، قام النظام بقياس النتائج ودمجها في قائمة واحدة مدمجة من الأرقام. ثم سُلمت هذه القائمة إلى مصنف نهائي بسيط للغاية—وهو وحدة اتخاذ قرار صغيرة ذات إعدادات قابلة للتعديل قليلة جداً. كان الهدف هو معرفة ما إذا كان هذا النهج المبسط يمكن أن يضاهي أداء نظام تقليدي يستخدم عقلاً أكبر بكثير وأكثر تعقيداً للخطوة النهائية. اختبر الباحثون هذا التصميم على ثلاثة أنواع مختلفة من مجموعات الصور: الأرقام المكتوبة بخط اليد، والأشياء اليومية مثل السيارات والحيوانات، والصور الحرارية التي تظهر بصمات حرارية بدلاً من الضوء المرئي. كانت النتائج مذهلة؛ ففي مهمة التعرف على الأرقام المكتوبة بخط اليد، حقق النظام الهجين دقة بلغت 98.35 بالمائة، متفوقاً بشكل طفيف على نظام كلاسيكي بالكامل استخدم نفس "المصنف" الأولي للصورة ولكنه امتلك عقلاً نهائياً أكبر بكثير.
وفي المهام الأكثر صعوبة المتعلقة بالأشياء الطبيعية والصور الحرارية، ظل النظام الهجين تنافسياً للغاية، حيث ظل ضمن نطاق ضيق من النسب المئوية من المعيار الكلاسيكي. ومع ذلك، لم يكن الاكتشاف الأكثر أهمية هو الدقة فحسب، بل الكفاءة أيضاً. فقد حقق النظام الهجين هذه النتائج باستخدام مرحلة اتخاذ قرار نهائية أصغر بشكل جذري. وفي إحدى الحالات، تطلب النظام الكلاسيدي "رأساً" نهائياً يحتوي على إعدادات قابلة للتعديل تزيد بنحو اثني عشر ضعف النسخة الهجينة. وهذا يشير إلى أنه من خلال استخدام المعالجة الكمومية المتوازية لتنويع كيفية رؤية البيانات، يمكن للنظام تركيز المعلومات الأكثر أهمية في مساحة أصغر بكثير، مما يسمح لمصنف صغير بالقيام بالعمل الثقيل.
كان الباحثون حذرين في ملاحظة أن هذه النتائج تم إنتاجها باستخدام عمليات محاكاة على حواسيب قياسية تحاكي سلوك الآلات الكمومية، وليس على أجهزة كمومية فعلية. وهذا يعني أن النتائج تثبت أن التصميم يعمل من الناحية النظرية وفي بيئة رقمية محكومة، لكنها لا تثبت بعد ميزة عملية على الأجهزة الكمومية الفيزيائية، والتي تتسم حالياً بالحساسية تجاه الضجيج والأخطاء. علاوة على ذلك، لم تدّع الدراسة أن النظام بأكمله يستخدم موارد أقل بشكل عام، بل أن المرحلة المحددة التي يتم فيها اتخاذ القرار النهائي أصبحت أكثر كفاءة. ومن خلال إبقاء الجزء الكمومي صغيراً ومتوازياً، وإبقاء طبقة القرار النهائي بسيطة، أظهر الفريق أنه من الممكن الحفاظ على أداء عالٍ مع تقليل تعقيد الخطوة النهائية بشكل كبير.
يقدم هذا العمل خارطة طريق واضحة لكيفية عمل الحوسبة الكمومية والكلاسيكية معاً في المستقبل القريب. فهو يشير إلى أننا لسنا بحاجة إلى استبدال أنظمة التعرف على الصور القوية الحالية بالكامل؛ بل يمكننا تعزيزها بمرحلة كمومية متوازية متخصصة تعمل كمجموعة متنوعة من العدسات، كل منها ينظر إلى البيانات من زاوية مختلفة قليلاً. ومن خلال الجمع بين هذه المنظورات، يمكن للنظام اتخاذ قرارات دقيقة ببصمة أخف بكثير. وتثبت الدراسة أنه مع الهيكلية الصحيحة—تقسيم العمل، وتنويع المسارات الكمومية، وإبقاء القرار النهائي بسيطاً—يمكن للآلات الهجينة أن تكون قوية وفعالة في آن واحد، مما يمهد الطريق لذكاء اصطناعي أكثر قدرة لا يتطلب موارد متزايدة بشكل أسّي ليعمل.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.