QKAN: רשתות קולמוגורוב‑ארנולד קוונטיות עם יישומים בלמידת מכונה ובהכנת מצבים רב‑משתיים

מוחות קוונטיים לתבניות מורכבות

רבים מהאתגרים הקשים של היום — מתחומי חקר חומרים אקזוטיים ועד ניתוח נתונים בממדים גבוהים — כוללים תבניות שקשה ללכוד בעזרת מחשבים ורשתות עצביות רגילות. מאמר זה מציג סוג חדש של "מוח קוונטי", שנקרא רשת קולמוגורוב‑ארנולד קוונטית (QKAN), שנועד לפעול על מחשבים קוונטיים עמידים לשגיאות בעתיד. QKAN שואפת לעבד מערכי נתונים קוונטיים עצומים ואפילו לבנות מצבים קוונטיים מורכבים ביעילות גבוהה יותר משיטות קלאסיות, ובכך לפתוח מסלולים חדשים ללמידה מכונה קוונטית וסימולציה קוונטית.

מרעיון מתמטי קלאסי לארכיטקטורה קוונטית

העבודה נשענת על תובנה מתמטית הידועה כהצגת קולמוגורוב‑ארנולד: מבחינה עקרונית, כל פונקציה חלקה של משתנים רבים ניתנת להרכבה מתוך חלקים פשוטים של משתנה יחיד וסכימות. רשתות "קולמוגורוב‑ארנולד" (KAN) עדכניות מיישמות רעיון זה בעיצוב רשת עצבית קלאסי שמקשר ביחד פונקציות הפעלה חד‑ממדיות רבות במקום להסתמך בעיקר על מכפלות מטריצות. KAN הראו פוטנציאל בבעיות מדעיות שבהן הנוסחאות הבסיסיות הן בעלות מבנה וניתנות לפרשנות. המחברים לוקחים את התבנית הרעיונית הזאת ושואלים: האם ניתן לבנות גרסה טהורה‑קווונטית החיה בשפת המעגלים הקוונטיים?

להפוך מטריצות קוונטיות לנוירונים

ב‑QKAN, נשאי המידע הבסיסיים אינם מספרים רגילים אלא הערכים העצמיים של מטריצות קוונטיות מיוחדות. מטריצות אלה מאוחסנות בתוך אופרטורים יוניטריים גדולים באמצעות תחבולה סטנדרטית הנקראת חסימת קידוד (block‑encoding). טכניקה עוצמתית המכונה המרת ערכי סינגולר קוונטית מאפשרת למעגל להחיל פונקציות פולינומיות מותאמות על אותם ערכים עצמיים, ובכך לשמש כתפקידי הפעלה ברשת עצבית. על‑ידי סידור פעולות אלה בשכבה אחת או בכמה שכבות מועטות, QKAN יכולה לפעול בו‑זמנית על מרחב קלטים אקספוננציאלי גדול — דבר שרשתות קלאסיות אינן יכולות להשיג במשאבים מקבילים כאשר הקלטים עצמם הם קוונטיים.

רשת קוונטית רחבה אך רדודה

המחברים מראים כי QKAN מממשת באופן טבעי ארכיטקטורה של "רחבה ושטוחה". אם מכשיר קוונטי יכול לחסום‑לקוד ביעילות קלט ממדי N — לדוגמה מצב קוונטי שהוכן על‑ידי אלגוריתם אחר או המילטוניאן המתאר מערכת פיזיקלית — אז שכבת QKAN יכולה ליישם טרנספורמציות מאד רחבות תוך עלות עיבוד פולילוגריתמית ב‑N. צבירה של שכבות רבות כואבת, כי עומק המעגל גדל בערך באופן מעריכי עם מספר השכבות ושגיאות קטנות מצטברות. כתוצאה מכך, QKAN עדיפה לשימוש עם מספר מועט של שכבות, כשהיא מחליפה עומק בפרלליזם קיצוני ברוחב. המאמר מנתח כיצד לפרמטר רשתות אלה באמצעות מעגלים קוונטיים, כיצד לאמן אותן באמצעות אסטרטגיות מבוססות גרדיאנט, וכיצד לקרוא פלטים מממד נמוך ביעילות.

הכנת מצבים קוונטיים כמקרה שימוש

מעבר למשימות למידה, אותו מבנה משמש גם ככלי להכנת מצבים קוונטיים מורכבים. המחברים מתמקדים במשפחה של דוגמאות חשובות: התפלגויות גאוסיות רב‑משתיות המתפרסות על רשת נקודות רגילה. הם מעצבים QKAN דו‑שכבתי שמחשב ראשית את מרחק הריבוע של כל נקודת רשת מהמוצא באמצעות טרנספורמציות פולינומיות פשוטות, ואז מיישם התכנסות פולינומיאלית שנבחרה בקפידה כדי לחקות את דעיכת האקספוננט של גאוסיאן. כאשר טרנספורמציה זו בחסימת‑קידוד מוחלת על הסופרפוזיציה האחידה וממוגנת (amplified), התוצאה היא מצב קוונטי שהאמפליטודות שלו עוקבות בקירוב אחר הפרופיל הגאוסיאני בממד גבוה. הניתוח מספק גבולות מפורשים על מספר השערים הקוונטיים והקובטים הנוספים הנצרכים.

הזדמנויות ומגבלות ללמידה קוונטית

ללא‑מומחה, המסקנה המרכזית היא ש‑QKAN מציעה שפה מובנית חדשה לאלגוריתמים קוונטיים שמשלבת רעיונות מרשתות עצביות שניתנות לפרשנות עם כלים מתקדמים של אלגברה ליניארית קוונטית. היא יכולה, מבחינה עקרונית, לחשב פונקציות מורכבות של נתונים קוונטיים ולהרכיב נופים סטטיסטיים רב‑משתיים במספר צעדים קטן יותר משיטות קלאסיות ידועות, בתנאי שקיימות קירובים פולינומיאליים מתאימים וחסימות‑קידוד יעילות. במקביל, QKAN אינה פתרון אוניברסלי שמכניס הכל במקום אחד: עומקה חייב להישאר קטן, ביצועיה תלוים בבסיסים פולינומיאליים טובים, והיא יורשת שאלות פתוחות מרשתות KAN קלאסיות לגבי מתי ארכיטקטורה מסוג זה עדיפה באמת. עם זאת, QKAN מרחיבה את ארגז הכלים של למידת מכונה קוונטית והכנת מצבים, ומצביעה לעבר דגמים קוונטיים שהם גם רבי‑עוצמה וגם בעלי מבנה שקוף.

ציטוט: Ivashkov, P., Huang, PW., Koor, K. et al. QKAN: quantum Kolmogorov-Arnold networks with applications in machine learning and multivariate state preparation. npj Quantum Inf 12, 73 (2026). https://doi.org/10.1038/s41534-026-01202-5

מילות מפתח: למידת מכונה קוונטית, רשתות קולמוגורוב‑ארנולד, רשתות עצביות קוונטיות, הכנת מצבים קוונטיים, המרת ערכי סינגולר קוונטית