التغلب على حدود تحليل الأبعاد في نماذج الانتشار المتقطعة عبر تعلم التوزيع المشترك الكمومي

لماذا هذه اللمسة الجديدة على الذكاء الاصطناعي والكم مهمة

تستطيع أنظمة الذكاء الاصطناعي الحديثة توليد نصوص وصور وبيانات أخرى بكفاءة ملحوظة، لكنها لا تزال تواجه صعوبات عندما تكون أجزاء كثيرة من البيانات مترابطة بقوة. تُظهر هذه الورقة أن فئة رئيسية من نماذج التوليد، المسماة نماذج الانتشار المتقطعة، تملك قيداً جوهرياً: مع ازدياد بُعد البيانات وزيادة الترابط بينها، يمكن أن تتسع الأخطاء بسرعة. يقترح المؤلفون نهجاً جديداً يستخدم الحواسيب الكمومية لتعلّم هذه العلاقات المعقدة بصورة أوفى، مما قد يؤدي إلى نماذج توليدية أسرع وأكثر مرونة من التقنيات الكلاسيكية الحالية.

متى يؤدي تفكيك الأشياء إلى تدمير ما يهم

تعمل النماذج الكلاسيكية للانتشار المتقطع عن طريق إتلاف البيانات تدريجياً بالضوضاء ثم تعلّم عكس هذه العملية خطوة بخطوة لتوليد عينات جديدة. للحفاظ على سهولة الحسابات، تتعامل هذه النماذج مع كل بُعد—مثل كل بكسل في صورة أو كل رمز في تسلسل—كما لو أنه يتغير بشكل مستقل. هذا "التحليل الى عوامل" يتجنب انفجار التعقيد الأُسّي، لكنه كذلك يتجاهل الترابطات بين الأبعاد. يحلل المؤلفون سيناريو الحالة الأسوأ حيث يرتبط كل جزء من البيانات بقوة بكل جزء آخر. يبرهنون أنه، بالنسبة لمثل هذه البيانات، يمكن أن ينمو الفرق بين التوزيع الحقيقي وما يمكن أن تتعلمه نموذجٌ محلّل إلى عاملٍ متناسب تقريباً مع عدد الأبعاد. بعبارة أخرى، مع ازدياد حجم البيانات وتعقّن بنيتها، قد تفشل نماذج الانتشار المتقطعة الكلاسيكية أساسياً في التقاط كيفية اعتماد قطع المعلومات على بعضها البعض.

استخدام الحالات الكمومية للحفاظ على الترابطات

النموذج المقترح، نموذج انتشار إزالة الضوضاء المتقطع الكمومي (QD3PM)، يتعامل مع هذه المشكلة عن طريق تمثيل البيانات كحالات كمومية بدلاً من متغيرات كلاسيكية منفصلة. في نظام كمومي، تعيش مجموعة من القيوبتات بطبيعتها في فضاء مُركب كبير حيث تُخزّن التراكيب المشتركة والترابطات معاً. يشفر QD3PM البيانات المتقطعة في هذا الفضاء، ويطبق عملية "انتشار" مُتحكم بها تضيف ضوضاء عبر قنوات كمومية، ثم يتعلّم عكس هذه العملية بدائرة كمومية قابلة للتدريب. والأهم أن النموذج يعمل على الحالة المشتركة الكاملة، لذا تُحفظ التبعية المتبادلة بين الأبعاد طوال عمليات الانتشار وإزالة الضوضاء. باستخدام نسخة من قاعدة بايز مُكيَّفة للنظرية الكمومية، يستنتج المؤلفون كيفية حساب الحالة الكمومية "البعدية" الدقيقة التي يجب أن توجه التدريب، ويصممون دوائر تنفّذ هذا التحديث فعلياً.

من العديد من الخطوات البطيئة إلى قفزة كمومية واحدة

عادةً ما تحتاج نماذج الانتشار التقليدية إلى عدة جولات من إزالة الضوضاء التدريجية لتحويل الضوضاء النقية إلى عينة واقعية، مما يجعلها مُكلفة حسابياً. يصف المؤلفون QD3PM أولاً بهذه الطريقة التكرارية المألوفة، ثم يوضّحون كيف يمكن تدريب نفس الدوائر الكمومية للقفز مباشرة من الضوضاء إلى البيانات النظيفة في خطوة واحدة. يفعلون ذلك عبر جعل الدائرة الكمومية تتعلم توزيع البيانات الأصلية المشروط على مُدخلٍ ضوضائي، ثم تركيب هذا التحويل المتعلّم بعناية مع قواعد الانتشار والتحديث الكمومية. وبفضل خصائص العمليات والقياسات الكمومية، يعتمد العيّن النهائي فقط على عناصر قطرية معينة من الحالة الكمومية، مما يسمح بتبسيط الإجراء دون تغيير النتائج المرصودة. ينتج عن ذلك مولداً ذو طلقة واحدة قد يكون، من الناحية المبدئية، أسرع بكثير من الانتشار الكلاسيكي متعدد الخطوات مع الاستمرار في نمذجة التوزيع المشترك الكامل.

ملء الفراغات دون البدء من جديد

ميزة عملية لـ QD3PM هي كيفية تعامله الطبيعي مع المهام الشرطية مثل التصحيح—ملء أجزاء مفقودة من صورة اعتماداً على المنطقة المرئية. بما أن النموذج يصف التوزيع المشترك الكامل على كل الأبعاد، يمكن للمؤلفين الاشتراط على القيم المعروفة ببساطة عن طريق إعادة تعيين تلك الأجزاء من البيانات مراراً خلال خطوات إزالة الضوضاء مع السماح للأجزاء المجهولة بالتغيّر. هذا يوجّه عملية العينة بلطف نحو التوزيع الشرطي الصحيح، دون تغيير الدائرة أو إعادة تدريبها. في محاكاة على مجموعات بيانات تركيبية تتضمن أنماطاً هيكلية عالية مثل "الأعمدة والخطوط"، لم يقتصر QD3PM على ملاءمة التوزيع الكلي بدقة أكبر من كلٍ من نماذج الانتشار الكلاسيكية والنماذج الكمومية المعتمدة على التحليل إلى عوامل، بل أدى أيضاً أداءً قوياً في ظل مستويات ضوضاء أجهزة كمومية واقعية وتعامُل جيد مع التوليد الشرطي.

ماذا تعني النتائج للمستقبل

عموماً، تُظهر التحليل والتجارب أن معاملة الأبعاد بشكل مستقل تمثل عنق زجاجة جدي لنماذج الانتشار المتقطع عندما تكون البيانات مترابطة بقوة. باستخدام حالات كمومية لتعلّم التوزيعات المشتركة مباشرة بدلاً من ذلك، يتجنب QD3PM هذا القيد ويمكنه، من الناحية النظرية، مطابقة التوزيعات الهدف المعقّدة تماماً في حالات لا تستطيع فيها الطرق الكلاسيكية المحللة تحقيق ذلك. كما يبيّن العمل كيف أن النماذج التوليدية الكمومية قد تقدم ليس فقط قوة تعبيرية خام، بل أيضاً فوائد عملية مثل أخذ عيّنات سريعة بطلقة واحدة واستدلال شرطي مرن دون إعادة تدريب. وعلى رغم أن العروض الحالية محدودة بأنظمة صغيرة نسبياً يمكن محاكاتها على حواسيب كلاسيكية، فإن الإطار يوفر خارطة طريق ملموسة لكيفية أن تُحسّن الأجهزة الكمومية الناشئة يوماً ما الآليات الأساسية للذكاء الاصطناعي التوليدي.

الاستشهاد: Chen, C., Zhao, Q., Zhou, M. et al. Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning. npj Quantum Inf 12, 49 (2026). https://doi.org/10.1038/s41534-026-01188-0

الكلمات المفتاحية: نماذج التوليد الكمومية, نماذج الانتشار, تعلم التوزيع المشترك, الترابطات عالية الأبعاد, التوليد الشرطي