نهج مستقر قائم على القطر لشبكات عصبية كمومية متكررة لتحديد الأنظمة غير الخطية

تعليم الآلات فهم الأنظمة المعقدة

كثير من الأنظمة التي تشكل حياتنا — من المحركات الكهربائية في الأجهزة إلى تدفق الهواء المضطرب وحتى بعض العمليات الطبية — تتصرف بطرق معقدة وغير خطية. هذا يعني أن تغييرات صغيرة في المدخلات قد تفضي إلى استجابات كبيرة أو فوضوية بشكل مفاجئ. التنبؤ بهذه الأنظمة والتحكم بها أمر صعب لكنه ضروري للكفاءة والسلامة وتوفير الطاقة. تقدم هذه الورقة نوعًا جديدًا من آليات التعلم يجمع بين أفكار من الحوسبة الكمومية والشبكات العصبية ونظرية الاستقرار لنمذجة هذه السلوكيات الصعبة بدقة وموثوقية أكبر.

لماذا النماذج التقليدية تقصر

أدوات النمذجة التقليدية تفترض غالبًا أن السببية والتأثير منظمة وتتناسب، وهذا ينجح مع الأنظمة البسيطة أو القريبة من الخطية. لكن العديد من الأنظمة الحقيقية تمتلك ذاكرة وتغذية راجعة وحدودًا تجعل سلوكها شديد اللاخطية. الشبكات العصبية الكلاسيكية ساعدت، لكنها تحمل أيضًا مشكلاتها. الشبكات التغذوية الأمامية، حيث تنتقل المعلومات في اتجاه واحد فقط، جيدة في المهام الثابتة لكنها تكافح عندما تكون الإشارات السابقة مهمة. الشبكات المتكررة، التي تعيد تغذية المعلومات لنفسها لتكوين ذاكرة، يمكنها التقاط السلوك المتغير مع الزمن لكنها عادة ما تكون صعبة التدريب وعرضة لعدم الاستقرار ومكلفة حسابيًا عندما تتواصل كل خلية عصبية مع كل الخلايا الأخرى.

دمج أفكار كمومية مع حلقات بسيطة

يقترح المؤلفون شبكة عصبية كمومية متكررة قطرية مع استقرار ليابونوف، مختصرة DRQNN-LS. في جوهرها، تبدو هذه الشبكة كطبقة ثلاثية مألوفة: مدخلات، طبقة خفية، ومخرجات. لكن تبديلين يجعلانها مميزة. أولًا، تتصرف الوحدات الخفية مثل بتات كمومية مبسطة، توصف حالاتِها الداخلية باستخدام كميات شبيهة بالطور بدلاً من أرقام بسيطة. هذه التمثيلات المقتبسة من الكم تتيح لكل وحدة ترميز معلومات أغنى وبطريقة مضغوطة، مما يحسّن قدرة الشبكة على تقارب العلاقات المعقدة. ثانيًا، بدل شبكة من روابط تغذية راجعة متشابكة، كل خلية خفية تعيد تغذية نفسها فقط. هذا التكرار «القطري» يحفظ الذاكرة اللازمة لتتبع الأنماط المتغيرة زمنياً مع تقليل كبير في عدد الاتصالات التي يجب ضبطها.

الحفاظ على استقرار التعلم وتحت السيطرة

تحدٍ كبير في تدريب أي شبكة متكررة هو الحفاظ على استقرار التعلم: إذا تغيرت الأوزان بحدة شديدة قد تنفجر مخرجات النموذج أو تتذبذب؛ وإذا تغيرت ببطء شديد يستغرق التدريب وقتًا طويلاً وقد يتعثر. هنا يعتمد المؤلفون على نظرية استقرار ليابونوف، وهي إطار رياضي طُور أصلاً لتحليل سلامة الأنظمة الفيزيائية. ينشئون دالة خاصة تشبه الطاقة تجمع بين خطأ النمذجة وحجم معلمات الشبكة. من خلال استنتاج كيف تتغير هذه الدالة مع الزمن بعناية، يحصلون على قواعد تلقائية لتحديث أوزان الشبكة والمعلمات الداخلية بحيث يمكن للطاقة الكلية أن تتناقص فقط. هذا يؤدي إلى معدلات تعلم تكيفية تتسارع أو تبطئ تلقائيًا، مما يضمن التقارب دون ضبط يدوي دقيق.

وضع الشبكة الجديدة على المحك

لإظهار أن DRQNN-LS أكثر من فكرة أنيقة على الورق، يختبرها المؤلفون على ثلاث مهام مختلفة جدًا. أولًا، ينمذجون نظامًا رياضيًا غير خطي ذو سلوك معروف، للتحقق من مدى قرب الشبكة من تتبع مخرجاته. ثانيًا، يتعاملون مع خريطة هينون الفوضوية، معيار كلاسيكي حيث تغييرات صغيرة في الشروط الابتدائية قد تولد مسارات مختلفة تمامًا. ثالثًا، يطبقون الطريقة على بيانات حقيقية من محرك تيار مستمر صغير، جهاز عملي ومضطرب لا تُعرف تفاصيله الداخلية بالكامل. في كل حالة يقارنون النهج الجديد مع عدة نماذج عصبية موجودة، بما في ذلك الشبكات المتكررة القطرية الكلاسيكية والإصدارات المقتبسة من الكم الأقدم المدربة بقواعد انحدار أبسط.

دقة وصمود وتحمل للضوضاء أفضل

عبر الأمثلة الثلاثة، تنتج DRQNN-LS باستمرار أخطاء تنبؤ أقل وملاءمة أفضل للإشارات الحقيقية مقارنة بالأساليب المنافسة، حتى عندما تُفسد البيانات عمدًا بضوضاء كبيرة. بينما يتطلب النموذج الجديد مزيدًا من الحساب في كل خطوة — لأنه يتتبع حالات متكررة مستوحاة من الكم ويقيّم تحديثات مبنية على ليابونوف — تظل أوقات التشغيل صغيرة بما يكفي للاستخدام في الزمن الحقيقي على المعالجات الحديثة. تشير النتائج إلى أن الجمع بين بنية متكررة مبسطة، حالات خلايا على شكل كمّي، وتعلم مضمون رياضيًا مستقر يوفر أداة قوية وعملية لفهم والتنبؤ بالديناميكيات غير الخطية في العالم الحقيقي.

ماذا يعني ذلك للمستقبل

لغير المتخصصين، الخلاصة أننا نتعلم بناء نماذج رقمية توأم أكثر ذكاءً وموثوقية للأنظمة الفيزيائية المعقدة. تقدم DRQNN-LS وسيلة لتمكين الآلة من تعلم سلوك عملية معقدة مباشرة من البيانات مع ضمان ألا «ينهار» تعلمها أو يتوه بشكل غير متوقع. قد يكون هذا المزيج من المرونة والاستقرار ذا قيمة في مجالات تتراوح من التحكم الصناعي والروبوتات إلى نظم الطاقة وربما حتى نمذجة الأحياء أو الطب، حيث السلوك غير الخطي والقياسات الملوثة بالضوضاء هما القاعدة.

الاستشهاد: Khalil, H., Elshazly, O. & Shaheen, O. Stable approach based diagonal recurrent quantum neural networks for identification of nonlinear systems. Sci Rep 16, 8274 (2026). https://doi.org/10.1038/s41598-026-37973-2

الكلمات المفتاحية: تحديد النظام غير الخطي, شبكة عصبية كمومية, شبكة عصبية متكررة, استقرار ليابونوف, نمذجة ديناميكيات فوضوية