تدريب التفاعلات المعلمية في شبكة عصبية كمية بوسونية تماثلية باستخدام قياس أساس فووك

التعلّم الذكي بالموجات الكمومية

تعمل أنظمة الذكاء الاصطناعي الحديثة عبر شبكات عصبية مبنية من ترانزستورات وبرمجيات رقمية. تستكشف هذه الدراسة نوعًا مختلفًا تمامًا من الأجهزة، مبنيًا من حقول كهرومغناطيسية مهتزة صغيرة تخضع لقوانين الفيزياء الكمومية، وكيف يمكن تدريبه للتعرّف على أنماط في البيانات. توضح الدراسة كيفية تصميم وتدريب مثل هذه الشبكة العصبية الكمومية بطريقة عملية، بحيث قد تساعد في نهاية المطاف على معالجة المعلومات مباشرة داخل آلات كمية مستقبلية.

نوع جديد من الدماغ الكمومي

يركّز المؤلفون على أنظمة مكوَّنة من إثارات شبيهة بالضوء تُسمّى بوسونات، مخزنة في مرافقات ميكروويف أو بصرية. يمكن لتلك المرافقات تبادل الطاقة وخلق أزواج من الجسيمات عند دفعها بإشارات خارجية. بذاتها، تُوصف هذه التفاعلات بمعادلات خطية عادةً ما تكون بسيطة جدًا لأداء تعلم قوي. الخدعة الأساسية هنا هي الحفاظ على التطور الفيزيائي خطيًا مع قراءة النظام باستخدام عدّ الفوتونات، الذي يولّد استجابات غير خطية بطبيعته. من خلال اختيار دقيق لكيفية دفع وربط المرافقات، يتصرّف الجهاز الكمومي مثل شبكة عصبية تماثلية تَحوّل البيانات المدخلة إلى ميزات ناتجة مفيدة.

ترك المهمة الصعبة للكمبيوتر الكلاسيكي

يعتمد تدريب الشبكات العصبية التقليدية على التغذية العكسية، وهي طريقة تضبط المعاملات بكفاءة عبر تتبّع متجهات الانحدار لدالة الخسارة. تطبيق هذه الفكرة مباشرة على نظام كمي كبير مستحيل عادةً، لأن محاكاة ديناميكياته الكاملة تصبح سريعًا غير قابلة للتتبع. الابتكار في هذا العمل هو استغلال البنية الخاصة لما يُسمّى الحالات الغاوسية، حيث يمكن وصف تطور القيم المتوسطة والتقلبات بشكل مُضغوط. سيؤدي العتاد الكمومي خطوة التقدّم الأمامي، مطوّرًا الحقول الفيزيائية، بينما يُستخدم نموذج كلاسيكي لنفس الديناميكيات الغاوسية، السهل محاكاته، لحساب المتجهات. تتيح هذه الاستراتيجية الهجينة تدريبًا شاملًا لقوى الدفع الفيزيائية والتوصيلات دون الحاجة لاستخراج معلومات المتجهات من الجهاز الكمومي نفسه.

تعليم الجهاز التعرّف على الأنماط

لاختبار منهجهم، يحاكي الباحثون عدة مهام تعلم متزايدة الصعوبة. أولًا، يطلبون من شبكة صغيرة مكوّنة من مرافقتين التمييز بين إشارات جيبية ومربعة مقدّمة كسلاسل زمنية قصيرة. بقياس احتمال أن تحتوي إحدى المرافقات على صفر فوتون بعد كل إدخال فحسب، وباستخدام تدريب قائم على المتجهات على المعاملات الفيزيائية، يصل النموذج إلى تصنيف مثالي. مقارنةً بنسخة "الخزان" غير المدربة من نفس العتاد، التي تستخدم قراءات إخراج كثيرة، يحتاج الشبكة المدربة إلى كميات قياس أقل بكثير والعديد من اللقطات التجريبية الأقل لتحقيق نفس الدقة.

إيجاد أفضل طريقة لإدخال البيانات

تدرس المجموعة بعد ذلك مسألة صعبة كلاسيكية حيث يجب تخصيص نقاط لأحد لولبين متداخلين في المستوي. تتطلب هذه المهمة لاغية غير خطية قوية. باستخدام أربعة مرافقات مترابطة، يقارنون عدة طرق لترميز الإحداثيين المدخلين الفيزيائيين في عناصر التحكم الفيزيائية، مثل سعة أو طور نغمات الدفع وعملية التوصيل المختلفة. يجدون أن تضمين البيانات في قوة أو طور تفاعل خاص يولّد أزواجًا من الفوتونات له تأثير قوي بشكل خاص، ما يمكّن من تصنيف مثالي مع قراءة احتمال فوتون واحد فقط. تتطلب خيارات الترميز الأخرى قراءات مُخرَجية أكثر بكثير، أو لا تصل أبدًا إلى دقة كاملة. يُظهر هذا أن طريقة كتابة البيانات في الجهاز الكمومي تشكّل بشدة اللاخطية الفعلية له.

من الأرقام المكتوبة يدويًا إلى الأجهزة المستقبلية

أخيرًا، يتناول المؤلفون مهمة صغيرة للتعرّف على الصور تتضمن أرقامًا مكتوبة يدويًا مُمثلة بشبكات 8 × 8 بكسل. باستخدام ستة مرافقات وعدة عمليات خلق أزواج، يدخلون البكسلات على مدى عدة شرائح زمنية، وهي استراتيجية مشابهة لتقديم نفس الدارة الكمومية مرارًا ببيانات جديدة. بعد تدريب بعض مئات المعاملات الفيزيائية والكلاسيكية، يصنّف النموذج أرقامًا غير مرئية بدقة تزيد على 97 بالمئة أثناء قياس مجموعة متواضعة فقط من نتائج عدّ الفوتونات. بالمقابل، عندما يُستخدم نفس العتاد كخزان غير مدرّب، يتشبع الأداء عند مستوى أدنى بكثير حتى مع مزيد من القياسات، ممّا يبرز فائدة تحسين التفاعلات الفيزيائية.

لماذا يهم هذا للتكنولوجيا الكمومية

تُظهر الدراسة أن الشبكات المبنية من أوضاع بوسونية ذات تطور خطي، مجتمعة مع عدّ فوتونات غير خطي، يمكن أن تكون معبرة وقابلة للتدريب باستخدام أدوات الانحدار المألوفة. بينما يعتمد العمل الحالي على المحاكاة الكلاسيكية لتوجيه التدريب ولذلك يقتصر في الحجم، فإن المكوّنات الأساسية تتوافق جيدًا مع منصات موصلة فائقة وفوتونية موجودة تدعم بالفعل توصيلات معيارية قابلة للضبط. يفتح هذا طريقًا واقعياً نحو عتاد كمومي لا يعالج المعلومات بطريقة كمية فحسب، بل يمكن تدريبه أيضًا مثل شبكاتنا العصبية الحالية، مما يمكّنها من العمل كمنافذ ذكية لمستشعرات ومعالجات كمية مستقبلية.

الاستشهاد: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

الكلمات المفتاحية: الشبكات العصبية الكمومية, الأوضاع البوسونية, الديناميكيات الغاوسية, عدّ الفوتونات, التعلم الآلي الكمي