أخبار ar.wedoany.com، أعلنت شركة WiMi لتكنولوجيا الهولوغرام السحابية (WiMi) عن تقنيتها الأساسية في الشبكات العصبية الالتفافية الكمومية الهجينة، وقدمت وطبقت مخططًا للالتفاف النووي الكمي (QKC) مناسبًا لأجهزة الكمومية متوسطة الحجم المزعجة الحالية (NISQ)، مما يوفر مسارًا عمليًا لهندسة نماذج التصنيف المحسّنة بالصور الكمومية.
لا يتمثل الهدف الأساسي لهذه التقنية في تضمين الدوائر الكمومية مباشرة في الشبكات العصبية التقليدية، بل إعادة التفكير في طريقة حساب استخراج الميزات وتقليل الأبعاد من خلال التركيز على عمليات الالتفاف المكثفة حسابيًا. أوضحت WiMi أن طبقات الالتفاف التقليدية تعتمد على النوافذ المنزلقة والجمع الخطي الموزون لاستخراج الميزات المحلية، بينما تتميز الحوسبة الكمومية بخصائص تمثيل فضاء هيلبرت عالي الأبعاد والتوازي الكمومي. إذا أمكن تعيين كتل الصور المحلية كحالات كمومية وتحقيق مزج الميزات من خلال التطور المتشابك المتحكم به، فقد يكون من الممكن الحصول على قدرة استخراج ميزات مكافئة أو حتى أكثر تعبيرًا مع عدد أقل من المعلمات.
أشارت WiMi إلى أن طريقة التجميع (Pooling) التي اقترحتها هي في جوهرها آلية لإعادة توزيع المعلومات واختيارها، يمكنها تحقيق ضغط الأبعاد دون التخلص الصريح من المعلومات، مما يخفف العبء الحسابي على الدوائر الكمومية والشبكات التقليدية اللاحقة.
فيما يتعلق بهندسة النظام الشاملة، يعتمد نموذج QCNN الهجين هذا تصميمًا هرميًا تعاونيًا بين الحوسبة التقليدية والكمومية. تتولى الشبكة العصبية التقليدية مهام التطبيع الأولي للبيانات المدخلة، وضبط الأبعاد، واتخاذ القرار النهائي للتصنيف، بينما تُدمج طبقات الالتفاف الكمومية في مواقع استخراج الميزات الرئيسية، لتعمل كوحدات تسريع كمومية. يسمح هذا التصميم للنموذج بالاستفادة الكاملة من أدوات سلسلة أدوات التعلم العميق التقليدية الناضجة، مع إدخال المزايا الكمومية في عقد الحوسبة الرئيسية، متجنبًا مشكلات قابلية التوسع للنماذج الكمومية الكاملة في ظل ظروف الأجهزة الحالية.
من الناحية التقنية، أكملت WiMi، بالاعتماد على إطار تطوير الحوسبة الكمومية Qiskit، التنفيذ الهندسي الكامل بدءًا من بناء الدوائر الكمومية، والتدريب البارامتري، وصولًا إلى التكامل مع أطر التعلم العميق التقليدية. تم تغليف طبقة الالتفاف الكمومية كواجهة وحدة قابلة لإعادة الاستخدام، يمكن تضمينها مباشرة في سير عمل التدريب الحالي للتعلم العميق. تعتمد عملية التدريب استراتيجية تحسين هجينة: تُستخدم خوارزمية الانتشار العكسي التقليدية لتحديث معلمات الشبكة التقليدية، وتُستخدم قاعدة انزياح المعلمة (Parameter Shift Rule) لتقدير تدرج الدائرة الكمومية، مما يحقق تدريبًا مشتركًا من البداية إلى النهاية. يعالج هذا المسار تحديات انتشار التدرج بين المكونات الكمومية والتقليدية.
في مرحلة التجارب، اختارت WiMi مجموعة بيانات MNIST للأرقام المكتوبة بخط اليد كمهمة أساسية، وأجرت تقييمًا منهجيًا لنموذج QCNN الهجين. أظهرت النتائج أنه في ظل ظروف انخفاض كبير في عدد المعلمات مقارنة بنماذج CNN التقليدية، لا يزال النموذج الهجين قادرًا على تحقيق دقة تصنيف مكافئة للنماذج التقليدية. والأهم من ذلك، أنه بعد استبدال بعض طبقات الالتفاف التقليدية بطبقات الالتفاف الكمومية، تم التحكم بفعالية في حجم المعلمات والتعقيد الحسابي للنموذج، مع الحفاظ على أداء تقارب مستقر، مما يشير إلى الجدوى العملية للالتفاف النووي الكمي في المهام الواقعية.
من خلال تحليل الحالات الكمومية الوسيطة ونتائج القياس، تحققت WiMi من فعالية آلية التجميع الكمومي القائمة على التشابك في عملية تقليل الأبعاد. أظهرت التجارب أن التجميع الكمومي لم يضغط أبعاد الميزات فحسب، بل احتفظ أيضًا بمعلومات التمييز الرئيسية اللازمة لمهمة التصنيف. يوفر هذا الاكتشاف نقطة دخول جديدة لأبحاث قابلية تفسير الشبكات العصبية الكمومية، ويمهد الطريق للتوسع إلى مجموعات بيانات ومهام أكثر تعقيدًا.
تمثل تقنية الشبكة العصبية الالتفافية الكمومية الهجينة هذه خطوة مهمة لشركة WiMi نحو هدفها الاستراتيجي طويل المدى المتمثل في الذكاء الاصطناعي المعزز بالكم القابل للنشر. من خلال التأكيد على العمق المنخفض، والطابع المعياري، والتوافق العالي مع النظام البيئي الحالي للذكاء الاصطناعي، توفر هذه التقنية مسارًا واقعيًا للحوسبة الكمومية للانتقال من المختبر إلى التطبيق العملي. صرحت WiMi أنها ستستكشف في المستقبل إمكانات تطبيق هذه البنية على الصور عالية الدقة، والبيانات متعددة القنوات، ومهام الإدراك الأخرى، وستواصل تحسين تصميم الدوائر بالتزامن مع تطور الأجهزة الكمومية.
يمثل إصدار تقنية الالتفاف النووي الكمي للشبكات العصبية الهجينة من WiMi خطوة مهمة للتعلم الآلي الكمومي من إثبات المفهوم نحو التنفيذ الهندسي، مما يُظهر القيمة العملية للحوسبة الكمومية في مهام التعرف على الصور الحقيقية، ويوفر أفكارًا تصميمية واضحة لبناء أنظمة حوسبة تعاونية كمومية-تقليدية. مع التحسين المستمر لأداء الأجهزة الكمومية ونضوج أدوات التطوير، من المتوقع أن يلعب إطار QCNN الهجين الذي بنته WiMi دورًا في تطبيقات أوسع للذكاء الاصطناعي، ليصبح جزءًا مهمًا من تقنيات الحوسبة الذكية من الجيل التالي.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com
