[et_pb_section fb_built =”1″ admin_label=”section” _builder_version=”4.16″ global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″ الخلفية_حجم=”الأولي” خلفية_الموضع=”top_left” خلفية_كرر=”تكرار ” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text admin_label=”Text” _builder_version=”4.16″ الخلفية_حجم=”initial” الخلفية_position=”top_left” الخلفية_repeat=”repeat” global_colors_info=”{}”]

كلاسيكي التعلم الآلي (ML) أثبتت الخوارزميات أنها أدوات قوية لمجموعة واسعة من المهام، بما في ذلك التعرف على الصور والكلام. معالجة اللغة الطبيعية (معالجة اللغة الطبيعية)، والنمذجة التنبؤية. ومع ذلك، فإن الخوارزميات التقليدية محدودة بقيود الحوسبة التقليدية وقد تواجه صعوبة في معالجة البيانات الكبيرة و مجموعات البيانات المعقدة أو تحقيق مستويات عالية من الدقة والضبط.

لننتقل إلى التعلم الآلي الكمي (QML).

تجمع لغة QML بين قوة الاحصاء الكمية باستخدام القدرات التنبؤية للتعلم الآلي للتغلب على قيود الخوارزميات التقليدية وتقديم تحسينات في الأداء. في ورقتهم البحثية "حول دور التشابك في تسريع الحوسبة الكموميةكتب ريتشارد جوزسا ونيل ليندن، من جامعة بريستول في المملكة المتحدة، أن "خوارزميات التعلم الآلي الكمومي تحمل في طياتها وعدًا بتحقيق تسارع هائل مقارنةً بنظيراتها التقليدية في مهام معينة، مثل تصنيف البيانات، واختيار الميزات، وتحليل التجميع. وعلى وجه الخصوص، فإن استخدام الخوارزميات الكمومية للتعلم الخاضع للإشراف وغير الخاضع للإشراف لديه القدرة على إحداث ثورة في مجال التعلم الآلي". الذكاء الاصطناعي".

التعلم الكمي للتعلم الآلي مقابل التعلم الآلي الكلاسيكي

زهرة لادهايقول المدير الأول لعلوم البيانات والذكاء الاصطناعي في شركة كريدنس، إن التعلم الآلي الكمي يختلف عن التعلم الآلي التقليدي في عدة جوانب رئيسية:

قد تكون خوارزميات التعلم الآلي التقليدية، التي تعتمد على تقنيات الحوسبة الكلاسيكية وتفتقر إلى هذه القدرات الكمومية، أبطأ أو أقل دقة في بعض الحالات.

رحلة QML: من البحث إلى العالم الحقيقي

بدأ البحث في مجال التعلم الآلي الكمومي في ثمانينيات القرن العشرين. وفي أواخر تسعينيات القرن العشرين وأوائل العقد الأول من القرن الحادي والعشرين، طور الباحثون تقنيات التعلم الآلي الكمومي. الشبكات العصبية لإثبات إمكانات الأنظمة الكمومية في مجال التعلم الآلي، والتي يمكن تدريبها على التعرف على الأنماط في البيانات. وقد طُبقت هذه الشبكات منذ ذلك الحين على نطاق واسع من المشكلات الواقعية.

بعد عقد من الزمن، طور الباحثون خوارزميات كمومية وأدوات برمجية لمهام التعلم الآلي. وشملت هذه الأدوات نسخًا كمومية من خوارزميات التعلم الآلي الشائعة مثل آلات المتجهات الداعمة، وأشجار القرار، والشبكات العصبية.

كان تطوير الحواسيب الكمومية عاملاً رئيسياً في نمو التعلم الآلي الكمومي. ففي العقدين الثاني والثالث من القرن الحادي والعشرين، طورت العديد من الشركات والمجموعات البحثية حواسيب كمومية قادرة على أداء مهام التعلم الآلي. وشملت هذه الحواسيب الكمومية كلاً من الحواسيب الكمومية القائمة على البوابات المنطقية و كمية التلدينبحلول العقد الثاني من القرن الحادي والعشرين، بدأ اعتماد QML على نطاق واسع في تطبيقات تشمل التعرف على الأنماط ومعالجة اللغة الطبيعية والتحسين.

يُعد اكتشاف الأدوية اليوم أحد أكثر التطبيقات الواعدة للتعلم الآلي الكمي. قد تكون عمليات اكتشاف الأدوية التقليدية بطيئة ومكلفة وغير متسقة. يتمتع التعلم الآلي الكمي بإمكانية تسريع هذه العملية. "بعد نجاحنا الأولي في إيجاد..." مرض فيروس كورونا-19 جزيء علاجيقال نيخيل مالهوترا، الرئيس العالمي لمختبر Makers Lab في شركة Tech Mahindra: "أردنا توسيع نطاق استخدامنا لتوليد جزيئات أصغر. إن توليد الشبكات التوليدية الكمومية أو الشبكات التوليدية الهجينة هو أحد الأساليب التي نجربها حاليًا للجزيئات الصغيرة. وأعتقد أن هذا من شأنه أن يُحدث نقلة نوعية في اكتشاف الأدوية، بل وحتى في ابتكار أدوية جديدة."

تُعد الأسواق المالية مجالاً آخر أظهرت فيه شركة QML إمكانات واعدة. ورقة 2021 خلصت دراسة أجراها مختبر المستقبل التابع لشركة JPMorgan للبحوث التطبيقية والهندسة إلى أن QML يمكنه أداء مهام مثل تسعير الأصول، والتنبؤ بالتقلبات، والتنبؤ بنتيجة الخيارات الغريبة، والكشف عن الاحتيال، واختيار الأسهم، واختيار صناديق التحوط، والتداول الخوارزمي، وصناعة السوق، والتنبؤ المالي، والمحاسبة والتدقيق، وتقييم المخاطر بشكل أسرع وأكثر دقة من الخوارزميات الكلاسيكية.

وعد التعلم الآلي الكمومي لعام 2023

"يُعدّ التعلّم الكمومي مجالًا واعدًا وسريع التطور، ويحمل في طياته إمكانات هائلة لإحداث تأثير كبير في قطاعات وتطبيقات متنوعة"، هذا ما صرّحت به لادها. وتتوقع لادها أن تتمكن الخوارزميات الكمومية بحلول عام 2023 من أداء بعض مهام التعلّم الآلي بسرعة ودقة أكبر، لا سيما في مهام مثل التعرّف على الصور والكلام، والتي تتطلب معالجة كميات هائلة من البيانات. كما أشارت إلى قدرة التعلّم الكمومي على معالجة مشكلات التحسين التي غالبًا ما تظهر في مهام التعلّم الآلي، والتي يصعب حلّها باستخدام الخوارزميات التقليدية. وتتوقع لادها أن تُسهم قدرة الخوارزميات الكمومية على حلّ هذه المشكلات بكفاءة أعلى في تعزيز قطاعي التمويل والخدمات اللوجستية.

الأمن السيبراني وتتوقع أن يكون للتعلم الآلي الكمومي تأثير في مجال آخر. وقالت: "من خلال تطوير خوارزميات أكثر تطوراً للكشف عن الهجمات الإلكترونية ومنعها، يمكن للتعلم الآلي الكمومي تحسين أمن الأنظمة".

بالتعمق أكثر في هذه التقنية، قال مالهوترا إنه يتوقع أن تُجرَّب غالبية خوارزميات التعلم الآلي، وخاصة تلك المتعلقة بالشبكات العصبية الاصطناعية، على الحوسبة الكمومية كخوارزميات تعلم آلي كمومي. وأضاف: "لقد شهدنا نماذج أولية مثل QNLP وQ-GAN وحتى التعلم المعزز على الدوائر الكمومية. أتوقع أن ينمو هذا التوجه في عام 2023".

لا تزال تحديات التعلم الآلي الكمي قائمة

يُعدّ التعلم الكمي للتعلم (QML) ذا أهمية بالغة لما يحمله من إمكانيات واعدة. تشير الأدلة إلى إمكانية تدريب نماذج التعلم الآلي بدقة أعلى باستخدام بيانات أقل مقارنةً بالتقنيات التقليدية الحالية. ومع ذلك، وفقًا لـ سكوت بوتشولزبصفته قائدًا عالميًا في مجال الحوسبة الكمومية وكبير مسؤولي التكنولوجيا في القطاع الحكومي والخدمات العامة في شركة ديلويت للاستشارات، فإن الإجابة على السؤالين "كم أقل؟" و"كم أسرع؟" تتغير بانتظام بسبب التحديات التالية المتعلقة بالتعلم الآلي الكمومي:

• "من حيث الأجهزة، لا تزال أقوى أجهزة الكمبيوتر الكمومية الموجودة اليوم محدودة - خاصةً عند مقارنتها بأقوى الخوادم الحالية. نتوقع أن يتغير هذا الوضع في السنوات القادمة، لأن هناك مجالًا واسعًا لتطور ونمو تكنولوجيا الحوسبة الكمومية."

• من حيث البرمجيات والخوارزميات، تعمل الحواسيب الكمومية بشكل مختلف تمامًا عن الحواسيب الحالية. ونتيجة لذلك، يسعى الباحثون إلى إيجاد أفضل السبل لتطبيق المشكلات على الحواسيب الكمومية (بل وتحديد المشكلات التي قد يكون من المفيد حلها باستخدامها). ومع تطور تطبيقات أكثر شمولية، يصبح من الأسهل على الآخرين تطبيق مشكلاتهم على الحواسيب الكمومية.

"لطالما كان QML - ولا يزال - مجالًا خصبًا للبحث العلمي. ومع تطور الأجهزة والبرمجيات، من المرجح أن تبدأ المؤسسات بتقييم استخدام QML في بيئات العمل الإنتاجية"، هكذا أضاف بوخهولز. "بما أننا ما زلنا على بُعد سنوات من امتلاك جهاز قادر على تشغيل بيئات عمل QML الإنتاجية، فإننا نواصل تطوير أحدث التقنيات في QML بالتزامن مع استمرار تحسن الأجهزة. لكنني أتوقع تقدمًا تدريجيًا في QML خلال عام 2023، أي مواصلة تحسين تقنيات توسيع نطاق البيانات وتحميلها وتشغيل النماذج."

[/ et_pb_text] [/ et_pb_column] [/ et_pb_row] [/ et_pb_section]