רשתות עצביות קוואנטיות דיאגונליות חוזרות בגישה יציבה לזיהוי מערכות לא-ליניאריות

להדריך מכונות להבין מערכות מבולגנות

הרבה מהמערכות שמעצבות את חיינו — ממנועים חשמליים במכשירים ועד זרימת אוויר טורבולנטית ואף תהליכים רפואיים מסוימים — מתנהגות באופן מורכב ולא-ליניארי. כלומר שינויים קטנים בקלטים שלהם עלולים לגרום לתגובות מפתיעות או כאוטיות. חיזוי ושליטה על מערכות כאלה קשים אך חיוניים ליעילות, לבטיחות ולחיסכון באנרגיה. מאמר זה מציג סוג חדש של מכונת למידה המשלבת רעיונות ממחשוב קוואנטי, מרשתות עצביות ותורת היציבות כדי לדמות התנהגויות קשות אלה באופן מדויק ואמין יותר.

מדוע מודלים רגילים אינם מספיקים

כלי המידול המסורתיים נוטים להניח שסיבה ותוצאה מסודרות ופרופורציונליות, וזה עובד היטב עבור מערכות פשוטות או מקורבות ליניאריות. אבל רבות מהמערכות האמיתיות כוללות זיכרון, משוב וספים שהופכים את התנהגותן למאוד לא-ליניארית. רשתות עצביות קלאסיות סייעו, אך גם הן מביאות אתגרים משלהן. רשתות פורוורד, שבהן המידע זורם בכיוון אחד בלבד, טובות למשימות סטטיות אך מתקשות כאשר האותות הקודמים חשובים. רשתות חוזרות, שמחזירות מידע לעצמן כדי ליצור זיכרון, מסוגלות ללכוד התנהגות משתנה בזמן אך נוטות להיות קשות לאימון, רגישות לאי-יציבות וכבדות חישובית כאשר כל נוירון מתקשר עם כל האחרים.

שילוב רעיונות קוואנטיים עם לולאות פשוטות

החוקרים מציעים רשת עצבית קוואנטית חוזרת דיאגונלית עם יציבות לפי ליָפוֹנוב, בקיצור DRQNN-LS. בבסיסה, הרשת עדיין נראית כרשת תלת-שכבתית מוכרת: כניסות, שכבה נסתרת ופלט. אבל שני שינויים הופכים אותה למיוחדת. ראשית, היחידות הנסתרות מתנהגות כמו ביטים קוואנטיים מפושטים, שמצבן הפנימי מתואר בעזרת כמויות דמויות פאזה במקום מספרים פשוטים. ייצוג בהשראת קוואנטי זה מאפשר לכל יחידה לקודד מידע עשיר יותר בצורה קומפקטית, ומשפר את יכולת הרשת לאפיין קשרים מורכבים. שנית, במקום שְזִרְזֶר משוב מסובך, כל נוירון נסתר מחזיר מידע רק לעצמו. חזרה דיאגונלית זו שומרת על הזיכרון הנדרש לעקוב אחרי דפוסים משתנים בזמן תוך צמצום דרסטי במספר הקשרים שיש לכוון.

שמירת הלמידה יציבה ובשליטה

אתגר מרכזי באימון כל רשת חוזרת הוא לשמור על יציבות הלמידה: אם המשקלים משתנים בתוקף רב מדי, הפלט של המודל עלול להתפרץ או להתנדנד; אם הם משתנים לאט מדי, האימון נמשך לנצח ועלול להיתקע. כאן המחברים נשענים על תורת היציבות של ליָפוֹנוב, מסגרת מתמטית שפותחה במקור לניתוח בטיחות של מערכות פיזיקליות. הם בונים פונקציה מיוחדת בדמוּת אנרגיה שמשלבת את שגיאת הדימוי וגודל הפרמטרים של הרשת. בעזרת גזירה מדוקדקת של אופן השינוי של פונקציה זו בזמן, הם מקבלים כללים אוטומטיים לעדכון המשקלים והפרמטרים הפנימיים כך שה"אנרגיה" הכוללת רק תרד. זה מניב קצבי למידה אדפטיביים שמאיצים או מאטים מעצמם, ומבטיחים התכנסות ללא כיוונון ידני.

בחינת הרשת החדשה בתנאים אמיתיים

כדי להראות ש-DRQNN-LS הוא יותר מרעיון יפה על הנייר, החוקרים בודקים אותו בשלוש משימות שונות מאוד. ראשית, הם מדמים מערכת לא-ליניארית מתמטית בעלת התנהגות ידועה, ובודקים כמה קרוב הרשת יכולה לעקוב אחרי הפלט שלה. שנית, הם מתמודדים עם מפה כאוטית קלאסית — מפת הנון — שבה שינויים זעירים בתנאי ההתחלה יכולים לייצר מסלולים שונים מאוד. שלישית, הם מיישמים את השיטה על נתוני אמת ממנוע זרם ישר קטן, מכשיר רעשני ומעשי שהמבנה הפנימי שלו אינו ידוע במלואו. בכל מקרה הם משווים את הגישה החדשה למספר מודלים עצביים קיימים, כולל רשתות חוזרות דיאגונליות קלאסיות וגרסאות קודמות בהשראת קוואנטי שאומנו עם חוקים גרדיאנטיים פשוטים יותר.

דיוק משופר, עמידות וסובלנות לרעש

בכל שלושת הדוגמאות, DRQNN-LS מייצרת בעקביות שגיאות חיזוי נמוכות יותר והתאמה טובה יותר לאותות האמיתיים בהשוואה לשיטות המתחרות, אפילו כאשר הנתונים מזוהמים במכוון ברעש משמעותי. בעוד שהמודל החדש דורש מעט יותר חישוב לכל שלב — כי הוא עוקב אחרי מצבי-נוירון בהשראת קוואנטי ומעריך את העדכון המבוסס על ליָפוֹנוב — זמני הריצה נשארים מספיק קטנים לשימוש בזמן אמת על מעבדים מודרניים. התוצאות מרמזות כי שילוב של מבנה חוזר מפושט, מצבים נוירוניים בסגנון קוואנטי ולמידה עם ערובה מתמטית ליציבות מביא כלי חזק ומעשי להבנה וחיזוי דינמיקות לא-ליניאריות בעולם האמיתי.

מה זה אומר לעתיד

בעבור הקוראים שאינם מומחים, המסקנה היא שאנו לומדים לבנות תאומים דיגיטליים חכמים ואמינים יותר של מערכות פיזיקליות מבולגנות. DRQNN-LS מציע דרך לאפשר למכונה ללמוד את התנהגותו של תהליך מורכב ישירות מנתונים תוך הבטחה שלמידתו לא "תתפוצץ" או תסטה באופן בלתי צפוי. השילוב הזה של גמישות ויציבות עשוי להיות בעל ערך בתחומים כמו בקרה תעשייתית ורובוטיקה, מערכות כוח ואפילו דימוי ביולוגי או רפואי, שם התנהגות לא-ליניארית ומדידות רועשות הן דבר שבשגרה.

ציטוט: 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

מילות מפתח: זיהוי מערכות לא-ליניאריות, רשת עצבית קוואנטית, רשת עצבית חוזרת, יציבות לפי ליָפוֹנוב, דימוי דינמיקה כאוטית