الحوسبة الكمومية فائقة الأبعاد: نموذج أساسي للهندسات العصبية الكمومية

لماذا تهم هذه الفئة الجديدة من الحوسبة

تنتشر الحواسيب في كل مكان، ومع ذلك تظل العديد من أصعب مشكلات اليوم — من فك شفرات الجينومات إلى اكتشاف أدوية جديدة — عبئاً حتى على أسرع الآلات. في الوقت نفسه، بدأت الحواسيب الكمومية تنتقل من فضول مختبري إلى أدوات عملية. تقدم هذه الورقة طريقة لربط هذين المسارين: إطار عمل يُسمى الحوسبة الكمومية فائقة الأبعاد (QHDC)، مصمم من الأساس لتمكين الأجهزة الكمومية من التفكير بطريقة شبيهة بالمخ تعتمد على الأنماط.

من الأعداد الطويلة إلى الأنماط الغنية

تعامل الحواسيب التقليدية عادةً مع المعلومات كأعداد دقيقة تُعالَج خطوة بخطوة. تتبع الحوسبة فائقة الأبعاد نهجاً مختلفاً: تمثل المعلومات كمتجهات طويلة جداً — فكر فيها كسهام عملاقة في الفضاء — حيث يشفر كل سهم مفهوماً أو صورةً أو حتى جملة. يمكن لعمليات بسيطة على هذه الأسهم ربط المفاهيم معاً (مثل ربط بلد بعملته)، أو تجميع أمثلة كثيرة في نموذج تمثيلي واحد، أو خلط المكوّنات لتسجيل الترتيب في سلسلة. وبما أن المعلومات موزعة عبر مكونات عديدة، فإن هذه التمثيلات متينة بطبيعتها ضد الضوضاء ومناسبة للتعلّم السريع من أمثلة قليلة.

دمج الرموز الشبيهة بالمخ مع الآلات الكمومية

يُظهر المؤلفون أن الحيل الأساسية في الحوسبة فائقة الأبعاد تتوافق بشكل مفاجئ مع طريقة عمل الحواسيب الكمومية بطبيعتها. في QHDC، يتم تجسيد كل متجه عالي الأبعاد كحالة كمومية منتشرة عبر العديد من التراكيب الأساسية لبضع بتّات كمومية. تُحوّل القيم الموجبة والسالبة في المتجه إلى طور كمومي مختلف، مما يسهل على الجهاز دمج متجهين عن طريق تراكب أنماط الأطوار الخاصة بهما. تُنجَز عمليات تجميع أمثلة كثيرة في نموذج واحد عبر روتينات كمومية متقدمة تجمع بعناية حالات كمومية متعددة، بينما تُعالَج معلومات الترتيب بواسطة نسخة كمومية من الخلط تعتمد على تحويل فورييه الكمومي.

كيف وضعوا الإطار الجديد قيد الاختبار

للتقدم أبعد من النظرية، نفّذ الفريق QHDC باستخدام برنامج Qiskit من IBM وشغّله في المحاكاة وعلى معالج كمومي من نوع IBM Heron يضم 156 بتّاً كمومياً. اختبروا أولاً مهمة على غرار الألغاز التقليدية: الاستدلال القياسي بصيغة «الولايات المتحدة بالنسبة للدولار كما المكسيك بالنسبة إلى ؟». باستخدام نسخ كمومية فقط من عمليات HDC الأساسية، استعاد النظام «بيزو» كالإجابة المفقودة في المحاكاة المثالية، موافِقاً النتائج التقليدية. هذا أظهر أن استدلالاً دقيقاً يمكن إعادة إنتاجه باستخدام حالات كمومية والتداخل وحدهما، رغم أن الدارة الكاملة كانت عميقة جداً لتعمل بشكل موثوق على أجهزة اليوم الصاخبة.

تعليم نظام كمومي تمييز الأرقام

السؤال الثاني كان ما إذا كان QHDC يستطيع أن يتعلم من بيانات حقيقية: تمييز صور الأرقام المكتوبة يدوياً 3 و6 من مجموعة بيانات MNIST. ليتناسب مع قيود الأجهزة الحالية، صغّروا الصور إلى أنماط أبيض وأسود صغيرة بمقاس 4×4. شُفرت كل صورة إلى مجموعة صغيرة من حالات الميزات الكمومية، ثم جُمعت لتكوين نموذج تمثيلي لكل فئة. وبما أن النسخة الكمومية الكاملة الأكثر طموحاً لخطوة التجميع هذه كانت ستتطلب دوائر عميقة للغاية، اعتمد المؤلفون نهجاً هجيناً: أجروا التجميع كجمع بسيط في الفضاء الكلاسيكي، ثم أعادوا تشفير النتيجة كحالة كمومية. اختبرت روتينة كمومية معروفة باسم اختبار هادامارد بعد ذلك حالة كل صورة جديدة مقابل النموذجين لتقرير العلامة.

الأداء اليوم وآمال الغد

على حاسوب تقليدي، حقق هذا المصنّف على طراز HDC دقة مشابهة لنهج التعلّم الآلي القياسية. في محاكيات كمومية مثالية، اقتربت النسخة الهجينة من QHDC كثيراً، كما كشفت عن مقايضة رئيسية: إن الحالات الكمومية الأعلى بعداً حسنت فصل الأنماط لكنها تطلبت دوائر أعمق تكافح الأجهزة الحالية لتشغيلها دون فقدان المعلومات. عند التنفيذ على جهاز IBM الفعلي، انخفضت الدقة مع تراكم الضوضاء، لكن النتائج ظلّت تعكس السلوك المقصود بوضوح — وفعلت ذلك مع جهد تدريب أقل بكثير من نماذج التعلّم الآلي الكمومية الشعبية التي تتطلّب جولات عديدة من ضبط المعاملات.

ماذا قد يعني هذا للاكتشافات المستقبلية

بصيغة مبسطة، تُظهر هذه الدراسة أن هناك طريقة طبيعية للحواسيب الكمومية لتخزين ومعالجة أنماط غنية شبيهة بالمخ بدلاً من الأرقام والمنطق فقط. يجادل المؤلفون بأنه مع تحسّن الأجهزة الكمومية، يمكن أن يزود QHDC أدوات سريعة ومقاومة للضوضاء لمهام مثل مطابقة تسلسلات الجينوم، أو فحص مكتبات كيميائية ضخمة، أو دمج أنواع عديدة من البيانات الطبية في بصمة مخصّصة لكل مريض. في الوقت الحالي، تؤسس الدراسة بأن هذه الأفكار ليست مجرد فضول رياضي: بل يمكن برمجتها وتشغيلها وقياسها على آلات حقيقية، ممهِّدةً قاعدة عملية للحوسبة العصبية الكمومية.

الاستشهاد: Cumbo, F., Li, RH., Raubenolt, B. et al. Quantum hyperdimensional computing: a foundational paradigm for quantum neuromorphic architectures. npj Unconv. Comput. 3, 21 (2026). https://doi.org/10.1038/s44335-026-00064-6

الكلمات المفتاحية: الحوسبة الكمومية, الحوسبة فائقة الأبعاد, خوارزميات عصبية الشكل, التعلّم الآلي الكمومي, التعرّف على الأنماط