في تطور رائد، كشف باحثون من معهد بكين للتكنولوجيا، بقيادة البروفيسور شيانغدونغ تشانغ، عن نوع جديد من الشبكات العصبية البصرية (ONN) التي تُظهر "تسريعًا كميًا" ملحوظًا
تستفيد هذه التقنية المبتكرة من الارتباطات البصرية classicلتعزيز القدرة الحسابية لشبكات الألياف الضوئية بشكل ملحوظ. وقد نُشر هذا الإنجاز في مجلة "علوم وتطبيقات الضوء"، ويمثل خطوة كبيرة نحو تلبية الطلب المتزايد باستمرار على نماذج التعلم الآلي الفعالة مع التخفيف من قيود الموارد الحسابية.
تعزيز كفاءة الذكاء الاصطناعي باستخدام الشبكات العصبية البصرية والكمية.
لقد حققت تقنيات الذكاء الاصطناعي ، dent في مهام مثل التعرف على الصور ومعالجة اللغة الطبيعية واكتشاف الأشياء.
إلا أن هذه التطورات تأتي بتكلفة باهظة، إذ تتطلب موارد حاسوبية هائلة. وقد اقتربت القدرة الحاسوبية الحالية من حدودها القصوى، مما يستلزم خفض تكاليف التدريب وتحسين كفاءة تدريب نماذج التعلم الآلي.
ركز الباحثون جهودهم على مسارين رئيسيين لمواجهة هذا التحدي: الشبكات العصبية الضوئية والشبكات العصبية الكمومية. تستخدم الشبكات العصبية الضوئية تقنيات معالجة ضوئية متقدمة لتنفيذ خوارزميات التعلم الآلي في معالجة المعلومات الضوئية classic .
تتميز هذه الشبكات بعدة مزايا، منها انخفاض استهلاك الطاقة، والحد الأدنى من التشويش المتبادل، وانخفاض زمن استجابة الإرسال. مع ذلك، تفتقر شبكات الشبكات الضوئية التقليدية إلى تسريع الخوارزميات، مما يعني أنها لا تُظهر سرعات تقارب أسرع للنماذج.
من جهة أخرى، تُعدّ الشبكات العصبية الكمومية خوارزميات شبكات عصبية تستند إلى نظرية الحوسبة الكمومية. وقد أظهرت دراسات حديثة أن هذه الشبكات قادرة على تحقيق تسريع خوارزمي بفضل الارتباطات الكمومية. مع ذلك، فإن التطبيقات العملية للشبكات العصبية الكمومية تعاني من قيود تقنية، مما يجعل نشرها على نطاق واسع أمرًا صعبًا.
يتمثل الإنجاز الملحوظ الذي عُرض في الورقة البحثية الأخيرة في تطوير شبكة عصبية بصرية مبتكرة تحاكي التسارع الخوارزمي الذي يُلاحظ في الشبكات العصبية الكمومية. وقد تحقق هذا الإنجاز بفضل استخدام الارتباطات البصرية classicكناقلات للمعلومات. تُمكّن هذه الارتباطات من معالجة المعلومات بطريقة تُشبه الحوسبة الكمومية، وهو مفهوم سبق أن أثبته نفس الفريق البحثي.
طوّر الباحثون عمليات الالتفاف والتجميع على الحالة البصرية المترابطة، مما أدى إلى إنشاء شبكة عصبية بصرية التفافية مترابطة. تُظهر هذه الشبكة العصبية البصرية سرعة تدريب مُسرّعة على مجموعات بيانات مُحددة، ويمكن تطبيقهاdentخصائص الحالات الكمومية وفقًا لمبادئ ترميز مُحددة. وقد فتح هذا الإنجاز آفاقًا جديدة للشبكات العصبية البصرية المُحسّنة خوارزميًا، مُبشّرًا بفوائد جمّة في عصر معالجة البيانات الضخمة.
تتألف الشبكة العصبية الالتفافية البصرية المترابطة من أربعة مكونات رئيسية: مصدر الضوء المترابط، والالتفاف، والتجميع، والكشف. وتُجرى المعالجة الأساسية بواسطة قسمي الالتفاف والتجميع.
تختلف هذه المكونات عن تلك الموجودة في الشبكات العصبية الالتفافية classicلأنها تتلاعب بارتباط الحالات البصرية وتولد حالات مترابطة أبسط من خلال دمج الحزم.
يشرح العلماء الذين يقودون البحث قائلين: "يقوم هذان الجزءان في الواقع بعمليات مماثلة للبوابات الكمومية في الشبكات العصبية الالتفافية الكمومية. يتكون جزء الالتفاف في شبكتنا من عمليات وحدوية على الحالة البصرية المترابطة، على غرار العمليات الوحدوية على فضاء هيلبرت للكيوبتات.".
إن جزء التجميع الذي نأخذه في الاعتبار يعادل قياس الكيوبتات الجزئية للحصول على فضاء هيلبرت الفرعي. ويؤدي هذا إلى انخفاض أُسّي في بُعد البيانات، مما يُسهم في تسريع تقارب دالة الخسارة عند تعلم مجموعات بيانات محددة
بالإضافة إلى ذلك، يؤكد الباحثون التشابه بين شبكتهم العصبية البصرية الالتفافية المترابطة والشبكات العصبية الكمومية الالتفافية من خلال إجراءdentالطور الطوبولوجي للحالات الكمومية. وتدعم النتائج النظرية والتجريبية هذا التأكيد.
بديل فعال من حيث التكلفة للشبكات العصبية الكمومية
تشير نتائج هذا البحث إلى إمكانية واعدة، ألا وهي تحقيق خصائص الشبكات العصبية الكمومية بطريقة أكثر فعالية من حيث التكلفة. ورغم ما توفره هذه الشبكات من مزايا محتملة، إلا أن تطبيقها العملي يتطلب دوائر كمومية معقدة ذات بوابات متعددة الكيوبتات وقياسات دقيقة.
تُعد هذه الدوائر شديدة التأثر بالاضطرابات البيئية، مما يجعل استقرارها وتصحيح أخطائها تحديًا كبيرًا.
تُقدّم الشبكات العصبية البصرية المترابطة التي عُرضت في هذه الدراسة بديلاًtrac. فهي تتميز بسهولة ترتيب عناصرها وانخفاض متطلباتها البيئية في التجارب.
بالنظر إلى النمو الهائل للبيانات وندرة الموارد اللازمة للحوسبة عالية الجودة، فإن هذا النهج يوفر حلاً فعالاً من حيث التكلفة وعالي الأداء مع تطبيقات واسعة النطاق في مختلف مجالات أبحاث علوم البيانات.
