מחשוב היפרדימנציוני קוונטי: פרדיגמה יסודית לארכיטקטורות נוירו‑מורפיות קוונטיות

מדוע סוג מחשוב חדש זה חשוב

מחשבים נמצאים בכל מקום, ועדיין רבים מהאתגרים הקשים של היום — מפיענוח גנומים ועד מציאת תרופות חדשות — מעמיסים אפילו על המכשירים המהירים ביותר. במקביל, מחשבים קוונטיים מתחילים לעבור מסקרנות מעבדות לכלים מעשיים. מאמר זה מציג דרך לחבר בין שני הזרמים: מסגרת הנקראת מחשוב היפרדימנציוני קוונטי (QHDC), שתוכננה מלמטה מעלה כדי לאפשר לחומרה קוונטית לחשוב באופן דמוי־מוח, מבוסס תבניות.

ממספרים ארוכים לתבניות עשירות

מחשבים קלאסיים בדרך כלל ממקמים מידע כמספרים מדויקים המעובדים צעד אחר צעד. מחשוב היפרדימנציוני (HDC) בוחר נתיב שונה: הוא מייצג מידע כווקטורים ארוכי־מידות — חשבו עליהם כחיצים ענקיים בחלל — שכל חץ מקודד מושג, תמונה או אפילו משפט. פעולות פשוטות על החיצים האלה יכולות לקשר מושגים (כמו חיבור מדינה למטבע שלה), לאגד דוגמאות רבות לפרוטוטיפ, או לערבב רכיבים כדי לרשום סדר ברצף. משום שהמידע מפוזר על־פני רכיבים רבים, הייצוגים האלה מטבעם עמידים לרעש ומתאימים ללמידה מהירה ממספר מועט של דוגמאות.

נישואין בין קודים דמויי־מוח למכונות קוונטיות

המחברים מראים שהטריקים המרכזיים של HDC מתיישבים באופן מפתיע טוב עם האופן שבו מחשבים קוונטיים פועלים באופן טבעי. ב‑QHDC, כל וקטור בעל־ממדיות גבוהה ממומש כמצב קוונטי המתפשט על פני תצורות בסיס רבות של כמה קיוביטים. ערכים חיוביים ושליליים בווקטור מומרצים לפאזות קוונטיות שונות, מה שמקל על שילוב שני וקטורים באמצעות חיבור תבניות הפאזות שלהם. פעולות שמאגדות דוגמאות רבות לפרוטוטיפ מתבצעות בשגרות קוונטיות מתקדמות שמוסיפות בקפידה מצבים קוונטיים מרובים, בעוד שמידע על סדר מטופל בגרסה קוונטית של ערבול המבוססת על המרת פורייה קוונטית.

כיצד נבחנה המסגרת החדשה

כדי לצאת מעבר לתיאוריה, הצוות מימש את QHDC באמצעות תוכנת Qiskit של IBM והפעיל אותה הן בסימולציה והן על מעבד קוונטי IBM Heron בן 156 קיוביטים. הם בחנו תחילה משימת חידה מסוג קלאסי: היסק אנלוגי בצורת "ארה"ב היא ל־דולר כפי שמקסיקו היא ל־?". בעזרת גרסאות קוונטיות בלבד של פעולות HDC בסיסיות, המערכת הצליחה לשחזר נכון את "פזו" כפיסת החסר בסימולציות אידיאליות, בהתאמה לתוצאות קלאסיות. הדבר הראה שניתן לשחזר היסקים די עדינים באמצעות מצבים קוונטיים והתאבכות בלבד, למרות שמעגל מלא היה עמוק מדי להרצה אמינה על המכשירים הרעשים של היום.

להקנות למערכת קוונטית יכולת לזהות ספרות

המבחן השני שאל אם QHDC יכול ללמוד מנתונים אמיתיים: להבחין בין תמונות של הספרות הכתובות ביד 3 ו‑6 ממאגר MNIST. כדי להתאים להגבלות החומרה הנוכחית, התמונות הוקטנו לתבניות שחור‑לבן זעירות בגודל 4×4. כל תמונה קודדה למערכת קטנה של מצבי תכונה קוונטיים, ואז שולבו לפרוטוטיפ עבור כל מחלקה. מכיוון שהגרסה המלאה והשאפתנית ביותר של שלב האגירה הקוונטי הייתה דורשת מעגלים עמוקים מאוד, המחברים אימצו גישה היברידית: הם ביצעו את האגירה כסכום פשוט במרחב קלאסי, ואז קידדו מחדש את התוצאה כמצב קוונטי. שגרת קוונטית הידועה בשם מבחן הדמארד (Hadamard test) השוותה לאחר מכן את מצב כל תמונה חדשה לשני הפרוטוטיפים כדי להחליט על התווית.

ביצועים היום ותקוות למחר

על מחשב קונבנציונלי, הממיין בסגנון HDC הגיע לדיוק השווה לגישות סטנדרטיות בלמידת מכונה. בסימולציות קוונטיות אידיאליות, גרסת QHDC ההיברידית הייתה קרובה מאוד, ובו בזמן חשפה את הדילמה המרכזית: מצבים קוונטיים בעלי־ממד גבוה שיפרו הפרדת תבניות אך דרשו מעגלים עמוקים שהחומרה הנוכחית מתקשה להריץ מבלי לאבד מידע. בעת הרצה על המכשיר האמיתי של IBM, הדיוק ירד ככל שהרעש הצטבר, אך התוצאות עדיין שיקפו בבירור את ההתנהגות המיועדת — והושגו עם מאמץ אימון קטן בהרבה מאשר מודלים פופולריים של למידה קוונטית שדורשים סבבים רבים של כיוונון פרמטרים.

מה זה עשוי להעיד על גילויים עתידיים

במילים פשוטות, עבודה זו מראה שיש דרך טבעית למחשבים קוונטיים לאחסן ולתמרן תבניות עשירות דמויי‑מוח במקום רק מספרים ולוגיקה. המחברים טוענים שכאשר חומרה קוונטית תשתפר, QHDC עשוי להניע כלים מהירים ועמידים לרעש למשימות כמו התאמת רצפי גנומים, סינון ספריות כימיות עצומות או מיזוג סוגי נתונים רפואיים רבים לטביעת אצבע ייחודית למטופל. בעתה זאת, המחקר קובע שרעיונות אלה אינם רק סקרנויות מתמטיות: ניתן לתכנתם, להריצם ולמדודם על מכונות אמיתיות, ובכך להניח יסוד מעשי למחשוב נוירו‑מורפי קוונטי.

ציטוט: 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

מילות מפתח: מחשוב קוונטי, מחשוב היפרדימנציוני, אלגוריתמים נוירו‑מורפיים, למידת מכונה קוונטית, זיהוי תבניות