مرونة فائقة ضد التسميم وقابلية للنسيان في التعلم الآلي الكمّي

لماذا يهم تنظيف البيانات السيئة بالنسبة للذكاء الاصطناعي

تتعلم أنظمة الذكاء الاصطناعي الحديثة من مجموعات هائلة من الأمثلة، لكن هذه الأمثلة غالبًا ما تكون غير مثالية. بعضها يحمل تصنيفات خاطئة عن طريق الخطأ، والبعض الآخر قد يتعرض للتلاعب عمدًا. بمجرد أن تتسلل مثل هذه البيانات «المسمومة» إلى التدريب، يمكنها أن تغير سلوك النموذج بهدوء بطرق ضارة. تطرح هذه المقالة سؤالًا مفاجئًا: إذا بنينا أنظمة تعلم تعتمد على حواسب كمومية بدلًا من الحواسب الكلاسيكية، هل ستتفاعل بشكل مختلف مع البيانات السيئة — وهل يمكنها أن تنساها بسهولة أكبر عند الحاجة؟

طريقتان للتعلم من معلومات فوضوية

يقارن المؤلفون بين نوعين من الشبكات العصبية المدربة على نفس المهام. إحداهما شبكة كلاسيكية مألوفة، عبارة عن طبقات من الوصلات الموزونة تعمل على حاسوب عادي. والأخرى شبكة عصبية كمومية تستخدم الكيوبتات وبوابات كمومية لمعالجة المعلومات في حالة تراكب. يُطلب من كلاهما حل نوعين من مشاكل التصنيف: تمييز الأرقام المكتوبة يدويًا في مجموعة بيانات MNIST، والتمييز بين طورين للمادة في نموذج فيزياء كمومية. في كل حالة، يلوّث الباحثون عمدًا جزءًا من بيانات التدريب، إما عن طريق قلب التصنيفات على بعض الأمثلة أو عن طريق استبدال ميزات الإدخال بضوضاء عشوائية، ثم يراقبون كيف يتعامل كل نموذج مع ذلك.

عندما تكذب التصنيفات، تظل النماذج الكمومية ثابتة

تظهر الفرق الأكثر وضوحًا عندما تُقلَب التصنيفات. تسعى الشبكة الكلاسيكية إلى تلبية كل مثال تدريبي، بما في ذلك المتناقضات، وتلوِّي تدريجيًا حدود قرارها الداخلية لتتناسب معها. يتدهور أداؤها على بيانات جديدة غير مرئية تدريجيًا مع زيادة نسبة التصنيفات الفاسدة. بالمقابل، تُظهر الشبكة الكمومية هضبة متماسكة: عبر نطاق واسع من مستويات الضوضاء، تظل قادرة على تصنيف بيانات التحقق النظيفة بشكل جيد، متجاهلة عمليًا الشواذ ذات التصنيفات الخاطئة. فقط عندما تصبح التصنيفات الملوَّثة مهيمنة — تقريبًا عند النقطة التي تكون فيها نصف التصنيفات خاطئة — ينهار أداؤها فجأة، في تغيير حاد يشبه انتقالًا طوريًا. يشير هذا السلوك إلى أن المتعلّم الكمومي يفضل أبسط وأنقى نمط في البيانات ويتعامل مع التناقضات المبعثرة كاضطرابات غير ذات صلة حتى تطغى على الإشارة الحقيقية.

نسيان التدريب السيئ أسهل على النماذج الكمومية

بعيدًا عن مقاومة الفساد، يدرس المؤلفون «نسيان الآلة»: مدى كفاءة إجبار نموذج مدرَّب على نسيان تأثير بيانات سيئة دون البدء من الصفر. يستكشفون عدة استراتيجيات، مثل إعادة التدريب على الجزء النظيف فقط من البيانات، أو الضبط الدقيق انطلاقًا من النموذج المسموم، أو دفع تنبؤات النموذج صراحة بعيدًا عما تعلّمته على الجزء السيئ، واستخدام خطوات.gradient تتراجع عن تأثير تلك الأمثلة. بالنسبة إلى الشبكة الكلاسيكية، تتخلف كل الأساليب التقريبية الفعالة عن إعادة التدريب الكامل، مما يدل على أن تمثيلها الداخلي قد تصلب حول العينات المسمومة. تتصرف الشبكة الكمومية بشكل مختلف. حتى بدءًا من حالة مُسمَّمة، يمكن توجيهها بواسطة أساليب نسيان تقريبية لتطابق أو تتجاوز أداء إعادة التدريب المكلفة خلال نفس نافذة الزمن. هذا يظهر أن تمثيلها المتعلم أكثر مرونة — منظمًا بما يكفي ليكون مفيدًا، ولكنه قابل للتصحيح بسهولة.

المشهد الخفي وراء المرونة والليونة

لتفسير هذه السلوكيات المتباينة، ينظر المؤلفون إلى «مشهد الخسارة»، سطح عالي الأبعاد يقيس مدى ملاءمة النموذج للبيانات عند كل إعداد لمعاييره. من المعروف أن التعميم الجيد يرتبط بالوديان العريضة والمسطحة في هذا المشهد، بينما غالبًا ما يقابل الإفراط في التخصيص الهش قيعان حادة وضيقة. من خلال تحليل كيفية تغير انحناء هذا المشهد عند تسميم البيانات، يجدون أن الشبكات الكلاسيكية تتعرض لتموج دراماتيكي: تصبح منطقة كانت مسطحة حول الحل شديدة الحدة بينما يحفظ النموذج النقاط ذات التصنيفات الخاطئة. الهروب من هذا الوادي الحاد أثناء النسيان صعب، وهذا يفسر عناد الذكريات الكلاسيكية. تحافظ الشبكات الكمومية، من ناحية أخرى، تقريبًا على نفس الانحناء اللطيف حتى بعد التسميم. مناظرها الخسارية مستقرة بنيويًا، محكومة برياضيات العمليات الكمومية، مما يمنع تكوّن قيعان حادة للغاية ويقود التعلم بشكل طبيعي نحو حلول ناعمة وقابلة للتعميم.

ماذا يعني هذا لمستقبل الذكاء الاصطناعي الموثوق

لغير المتخصص، الخلاصة هي أن التعلم الآلي الكمومي ليس مجرد مسألة سرعة أو أجهزة غريبة. في هذه التجارب، تتصرف النماذج الكمومية أشبه بمحررين حريصين بدلًا من كتَّاب مدمنين على الشطب: تلتقطان الخط الرئيسي في البيانات الفوضوية، تقاومان التأثير من بضعة أمثلة سيئة، ويمكن استدراجهما إلى نسيان التأثيرات الضارة دون إعادة بنائهما من الصفر. هذا الجمع بين المقاومة للتسميم والاستعداد للنسيان يوحي بنوع جديد من الأفضلية الكمومية — واحدة متجذرة في الاعتمادية والسلامة أكثر من القدرة الحاسوبية الخالصة — مشيرًا إلى أن أنظمة الذكاء الاصطناعي المعززة بالكم قد تكون شركاء أفضل في مشهد معلومات ضوضائي ومتغير دائمًا.

الاستشهاد: Chen, YQ., Zhang, SX. Superior resilience to poisoning and amenability to unlearning in quantum machine learning. Nat Commun 17, 3716 (2026). https://doi.org/10.1038/s41467-026-70420-4

الكلمات المفتاحية: التعلم الآلي الكمّي, تسميم البيانات, نسيان الآلة, ذكاء اصطناعي قوي, مشهد الخسارة