حوسبة الحقول الفيزيائية فائقة الكفاءة عبر تشفير الشبكات ذات القيم المركبة

لماذا يهم تصغير النماذج الذكية

العديد من التقنيات الخفية حولنا — شبكات الاتصالات اللاسلكية، وأجهزة التصوير الطبي، وشاشات الهولوجرام — تعتمد على الموجات. إن محاكاة هذه الموجات والتحكم بها بدقة أمر حاسم، لكن تنفيذ ذلك باستخدام أدوات الذكاء الاصطناعي الحالية قد يكون بطيئًا ويستهلك طاقة كبيرة. تُظهر هذه الدراسة كيفية تصغير وتسريع فئة خاصة من نماذج الذكاء الاصطناعي التي تتعامل مباشرة مع معلومات الموجة بشكل كبير، دون التضحية بالتفاصيل الدقيقة اللازمة لصور حادة وإشارات موثوقة.

الموجات، الأعداد، والتركيب الكامن

الضوء والصوت والموجات اللاسلكية تحمل جميعها قطعتين من المعلومات: شدتها وكيف تتوافق قممها في الزمان والمكان. يجمع الرياضيون هذين العنصرين على شكل "أعداد مركبة"، التي تصف بصورة طبيعية أنماطًا مثل التداخل والاهتزاز. تستفيد الشبكات العصبية ذات القيم المركبة من ذلك عبر العمل مباشرة على هذين المقدارين المزدوجين، مما يجعلها أدوات قوية لمهام تتراوح من توليد الهولوجرام إلى تحليل الرادار والصوتيات. لكن ثمة مشكلة: تشغيل مثل هذه النماذج بدقة عددية كاملة مكلف من حيث الذاكرة والحساب والطاقة، مما يقيد استخدامها في الأجهزة المحمولة والأنظمة الزمن الحقيقي.

لماذا تخلّ الطرق التقليدية بمعلومات الموجة

طريقة شائعة لتقليص نماذج الذكاء الاصطناعي تُسمى التقليل الكمي — تخزين كل وزن وتنشيط باستخدام عدد قليل من البتات بدلًا من الأعداد الدقيقة الكاملة. بالنسبة للشبكات ذات القيم الحقيقية العادية، تعمل هذه الطريقة جيدًا. ومع ذلك، تتعامل معظم الطرق الحالية مع الجزئين الحقيقي والتخييلي للأعداد المركبة كما لو كانا قناتين غير مرتبطتين. هذا يتجاهل الترابط الوثيق بين الشدة والطور في الأنظمة الموجية. النتيجة أن أخطاء التقريب في كل جزء لا تعود أو تتطابق، ما يشوّه العلاقات الطورية الحساسة التي تحدد كيف تضيف الموجات أو تلغي بعضها البعض. عمليًا، قد يضيف ذلك ضوضاء غير فيزيائية، ويطمس صور الهولوجرام، ويُضعف أداء أنظمة مثل رادار الفتحة الاصطناعية.

طريقة أذكى لتقريب الموجات المركبة

يقترح المؤلفون استراتيجية جديدة تحافظ على وعي نصفي كل عدد مركب ببعضهما أثناء الضغط. إطارهم يقوم بتقليل دقة المكونات الحقيقية والتخيلية بشكل مشترك بحيث تُشكّل أخطاء التقريب لتحافظ على كل من حجم واتجاه القيمة المركبة المجمعة. كما يقدمون مخططًا تكيفيًا يقرر، طبقة بطبقة، عدد البتات المطلوبة فعليًا. الطبقات التي تتصل مباشرة بالحقول الموجية الفيزيائية تحتفظ بدقة أعلى، بينما يمكن للطبقات الأعمق التي تعمل على ميزات أكثر تجريدًا استخدام عدد أقل من البتات بأمان. تتضمن عملية التدريب مرحلتين: أولًا تُتعلم نمط عرض البتات المثالي عبر الشبكة، ثم يُعاد تدريب النموذج باستخدام هذه الاختيارات لاستعادة الدقة.

هولوجرامات أكثر وضوحًا بتكلفة جزئية

لاختبار فكرتهم، يبني الفريق شبكة ذات بتات منخفضة للغاية للهولوجرام المولد حاسوبيًا، وهو تطبيق حساس للغاية يمكن أن تتسبب فيه أخطاء عددية طفيفة في ضوضاء وتشوّهات. تصميمهم يتضمن مولد طور، ووحدة لتحويل الحقول الموجية المركبة إلى هولوجرامات قائمة على الطور فقط، ومقوّم يقلل من حلقات التذبذب الناتجة عن نماذج بصرية غير كاملة. مدرّبة بدالة خسارة تقيم حقل الضوء المنتشر، وليس مجرد فروق البكسل، فإن النظام يعاقب مباشرة الأخطاء التي ستكون مهمة في إعداد بصري حقيقي. بالمقارنة مع شبكة هولوجرام رائدة تُدعى HoloNet، ينتج النموذج الجديد إعادة إنشاء بجودة أعلى — حوالي 4 ديسيبل أفضل في معيار جودة الصورة القياسي — مع تقليل الحسابات بنحو 99 بالمئة تقريبًا واستخدام الذاكرة بما يقارب ثلاثة أوامر من الحجم. تؤكد التجارب البصرية مع هولوجرامات ثنائية وثلاثية الأبعاد أن النموذج المضغوط لا يزال يقدم صورًا نظيفة ومقللة للنبش في المختبر.

أبعد من الهولوجرام: الصوت واللاسلكي والرادار

الفوائد لا تقتصر على البصريات. يختبر المؤلفون شبكاتهم المركبة قليلة الدقة على ثلاث مهام موجية أخرى: التعرف على المتحدثين من إشارات صوتية، وتصنيف أوضاع التعديل اللاسلكي، وتحديد الأهداف في بيانات رادار الفتحة الاصطناعية. في كل حالة، يحقق النموذج المركب المكمّم دقة قريبة من، أو أفضل من، الخطوط المرجعية ذات الدقة الكاملة، بينما يقلل عدد العمليات البيتية واحتياجات الذاكرة بنحو 80–90 بالمئة. على كل من معالجات سطح المكتب وهاتف أندرويد ذكي، يوفر النهج تسريعات كبيرة مقارنة بشبكات الهولوجرام السابقة، مبيّنًا أن نماذج الذكاء الاصطناعي المعقدة القائمة على الموجات يمكنها أن تعمل بكفاءة عند الحافة بدلًا من الاعتماد على مراكز بيانات قوية فقط.

ماذا يعني هذا لتقنيات الموجة المستقبلية

بإعطاء الاحترام للبنية الخاصة للأعداد المركبة بدلًا من معاملة أجزائها بشكل منفصل، يقدم هذا العمل وصفة عملية لبناء أدوات ذكاء اصطناعي خفيفة وفعالة تظل مخلصة لفيزياء الموجات. يسمح مخطط التقليل المقترح للشبكات ذات القيم المركبة بالحفاظ على معلومات الطور الدقيقة التي تدعم هولوجرامات حادة، وصوتًا نقيًا، وروابط لاسلكية موثوقة، وصور رادارية دقيقة، مع تقليل بصمتها الحسابية بشكل كبير. ونتيجة لذلك، تصبح الحوسبة عالية الدقة للحقول الفيزيائية أكثر توافقًا مع الأجهزة المحمولة والأنظمة المدمجة، فاتحة الباب أمام شاشات هولوجرافية محمولة، ومستشعرات أذكى، وأجهزة علمية موفرة للطاقة تعتمد كلها على الموجات.

الاستشهاد: Geng, Z., Li, Z., Zhou, M. et al. Ultra-efficient physical field computing by complex-valued network quantization. Nat Commun 17, 3762 (2026). https://doi.org/10.1038/s41467-026-70319-0

الكلمات المفتاحية: الشبكات العصبية ذات القيم المركبة, تقليل دقة النماذج, الصور الهولوجرافية المولدة حاسوبيًا, معالجة الإشارات الموجية, الذكاء الاصطناعي عند الحافة