علماء بكين يكشفون عن شبكة عصبية بصرية تغير قواعد اللعبة، مما يحدث ثورة في تدريب الذكاء الاصطناعي

في تطور رائد، كشف باحثون من معهد بكين للتكنولوجيا، بقيادة البروفيسور شيانغ دونغ تشانغ، عن نوع جديد من الشبكات العصبية البصرية (ONN) يُظهر تسارعاً كمياً ملحوظاً. 

يستفيد هذا الابتكار من الارتباطات البصرية الكلاسيكية لتعزيز القوة الحسابية للشبكات العصبية البصرية بشكل كبير. ونُشر هذا الإنجاز في مجلة Light Science & Application، ويمثل خطوة كبيرة نحو تلبية الطلب المتزايد باستمرار على نماذج التعلم الآلي الفعالة مع التخفيف من قيود موارد الحوسبة.

تعزيز كفاءة الذكاء الاصطناعي باستخدام الشبكات العصبية البصرية والكمية.

أحدثت تقنيات الذكاء الاصطناعي (AI)، ولا سيما خوارزميات التعلم الآلي، تقدماً هائلاً في السنوات الأخيرة، مما مكن من تحقيق قدرات غير مسبوقة في مهام مثل التعرف على الصور، ومعالجة اللغة الطبيعية، وكشف الأجسام.

ومع ذلك، تأتي هذه التطورات بتكلفة – فهي تتطلب موارد حوسبية كبيرة. تقترب الحالة الحالية للقوة الحوسبية من حدودها، مما يستلزم تقليل تكاليف التدريب وتحسين كفاءة تدريب نماذج التعلم الآلي.

ركّز الباحثون جهودهم على مسارين رئيسيين لمعالجة هذا التحدي: الشبكات العصبية البصرية (ONNs) والشبكات العصبية الكمية. تستخدم الشبكات العصبية البصرية تقنيات متقدمة للتحكم البصري لتنفيذ خوارزميات التعلم الآلي في معالجة المعلومات البصرية الكلاسيكية. 

تتمتع هذه الشبكات بمزايا عديدة، بما في ذلك استهلاك منخفض للطاقة، وتداخل ضئيل، وزمن انتقال منخفض للإرسال. ومع ذلك، تفتقر الشبكات العصبية البصرية التقليدية إلى التسريع الخوارزمي، مما يعني أنها لا تظهر سرعات تقارب النموذج الأسرع.

من ناحية أخرى، هي خوارزميات شبكات عصبية تستند إلى نظرية الحوسبة الكمية. أظهرت الدراسات الحديثة أن الشبكات العصبية الكمية يمكنها تحقيق تسريع خوارزمي بسبب الارتباطات الكمية. لسوء الحظ، يتم عرقلة التطبيقات العملية للشبكات العصبية الكمية بسبب القيود التقنية، مما يجعل نشرها على نطاق واسع أمراً صعباً.

شبكات الشبكات العصبية الالتفافية البصرية المترابطة

يتضمن الاختراق المقدم في الورقة البحثية الأخيرة تطوير شبكة عصبية بصرية جديدة تحاكي التسارع الخوارزمي المرئي في الشبكات العصبية الكمية. يتم تحقيق هذا الإنجاز المذهل من خلال إدخال الارتباطات البصرية الكلاسيكية كحاملات للمعلومات. تتيح هذه الارتباطات معالجة المعلومات بشكل يشبه الحوسبة الكمية، وهو مفهوم تم إثباته سابقاً من قبل فريق البحث نفسه.

طور الباحثون عمليات الالتفاف والتجميع على الحالة البصرية المترابطة، مما أدى إلى إنشاء شبكة عصبية التفافية بصرية مترابطة. تُظهر هذه الشبكة العصبية البصرية تدريباً متسارعاً على مجموعات بيانات محددة ويمكن تطبيقها لتحديد خصائص الحالات الكمية تحت مبادئ التشفير المحددة. وقد فتح هذا الاختراق الأبواب أمام الشبكات العصبية البصرية المعززة خوارزمياً، مما يعد بفوائد في عصر معالجة البيانات الضخمة.

هيكل الشبكة العصبية الالتفافية البصرية المترابطة

تتكون الشبكة العصبية الالتفافية البصرية المترابطة من أربعة مكونات رئيسية: مصدر الضوء المترابط، والالتفاف، والتجميع، والكشف. يتم إجراء المعالجة الأساسية بواسطة أقسام الالتفاف والتجميع. 

تختلف هذه المكونات عن تلك الموجودة في الشبكات العصبية الالتفافية الكلاسيكية لأنها تتعامل مع ارتباط الحالات البصرية وتنتج حالات مترابطة أبسط من خلال دمج الحزم.

يشرح العلماء الذين يقودون البحث: "في الواقع، يؤدي هذان الجزءان العمليات المشابهة للأبواب الكمية في الشبكات العصبية الالتفافية الكمية. يتكون جزء الالتفاف في شبكتنا من عمليات وحدوية على الحالة البصرية المترابطة، مما يشبه العمليات الوحدوية على فضاء هيلبرت للكيوبتات. 

جزء التجميع الذي نعتبره يعادل قياس كيوبتات جزئية للحصول على فضاء فرعي من هيلبرت. هذا يؤدي إلى انخفاض أسي في أبعاد البيانات، مما يساهم في تقارب أسرع لدالة الخسارة عند تعلم مجموعات بيانات محددة."

بالإضافة إلى ذلك، يوثق الباحثون التشابه بين شبكتهم العصبية الالتفافية البصرية المترابطة والشبكات العصبية الالتفافية الكمية من خلال إجراء تحديد الطور الطوبولوجي للحالات الكمية. تدعم كل من النتائج النظرية والتجريبية هذا التوثيق.

بديل فعال من حيث التكلفة للشبكات العصبية الكمية

تشير نتائج هذا البحث إلى إمكانية مثيرة – تحقيق خصائص الشبكات العصبية الكمية بطريقة أكثر فعالية من حيث التكلفة. بينما تقدم الشبكات العصبية الكمية مزايا محتملة، فإن تنفيذها العملي يتطلب دوائر كمية معقدة تحتوي على العديد من البوابات متعددة الكيوبتات وقياسات معقدة. 

هذه الدوائر حساسة للغاية للاضطرابات البيئية، مما يجعل استقرارها وتصحيح الأخطاء تحدياً كبيراً.

تقدم الشبكات العصبية البصرية المترابطة التي تم تقديمها في هذه الدراسة بديلاً جذاباً. فهي تتميز بسهولة ترتيب العناصر ولديها متطلبات بيئية منخفضة في التجارب. 

نظراً للنمو الأسي للبيانات ونقص الموارد للحوسبة عالية الجودة، يوفر هذا النهج حلاً فعالاً من حيث التكلفة وعالي الأداء له تطبيقات واسعة عبر مجالات بحث علوم البيانات المختلفة.