فهرست

اخبار کوانتومی – پیشنهاد یک الگوریتم کوانتومی تئوری که میانبری برای یادگیری شبکه های عصبی خاصی ارایه میدهد

عنوان خبر:  پیشنهاد یک الگوریتم کوانتومی تئوری که میانبری برای یادگیری شبکه های عصبی خاصی ارایه میدهد
ژانر/موضوع: محاسبات کوانتومی، یادگیری ماشین کوانتومی

تاریخ انتشار خبر: 31 مارس 2025
لینک خبر: The Quantum Insider


چکیده:

محققان Google Quantum AI الگوریتم کوانتومی جدیدی پیشنهاد داده‌اند که میتواند یادگیری “نورون‌های پریودیک”—یک نوع تابع مورد استفاده در یادگیری ماشین—را به‌طور نمایی سریع‌تر از روش‌های کلاسیک مبتنی بر گرادیان انجام دهد. مطالعه آن‌ها، که بر اساس مدل پرس‌وجوی آماری کوانتومی (QSQ) است، نشان میدهد که رایانه‌های کوانتومی میتوانند این توابع را، حتی زمانی که داده‌ها از توزیع‌های طبیعی مانند گاوسی و لجستیک پیروی کنند، به‌طور کارآمد بیاموزند جایی که الگوریتم‌های کلاسیک به دلیل کم‌تراکم بودن طیف فوریه در یادگیری آن‌ها دچار مشکل میشوند. این الگوریتم از تبدیل فوریه کوانتومی و الگوریتم Hallgren برای استخراج ساختارهای پریودیک استفاده کرده و چالش‌های بهینه‌سازی را دور میزند. این پیشرفت هنوز تئوری است و به حالت‌های کوانتومی خاصی نیاز دارد اما چارچوب روشنی برای برتری کوانتومی در یادگیری ماشین ارائه میدهد.


شرح کامل خبر:

یک مطالعه نظری اخیر از Google Quantum AI بررسی می‌کند که چگونه رایانه‌های کوانتومی می‌توانند برخی از انواع شبکه‌های عصبی را به‌طور نمایی سریع‌تر از روش‌های کلاسیک در شرایطی که داده‌ها از توزیع‌های طبیعی مانند گاوسی و لجستیک پیروی می‌کنند، یاد بگیرند. این تحقیق که توسط Laura Lewis، Dar Gilboa و Jarrod McClean تألیف شده است، یک الگوریتم کوانتومی ارائه می‌دهد که از روش‌های کلاسیک مبتنی بر گرادیان در یادگیری نورون‌های پریودیک – یک کلاس از توابع ریاضی پرکاربرد در یادگیری ماشین و پردازش سیگنال – عملکرد بهتری دارد. این مطالعه در حال حاضر صرفاً نظری است و ادعای برتری عملی محاسبات کوانتومی را ندارد، اما چارچوب دقیقی برای درک شرایطی که در آن محاسبات کوانتومی می‌تواند مزایای قابل‌توجهی در یادگیری ارائه دهد، فراهم می‌کند.

شبکه‌های عصبی از توابع فعال‌سازی (activation functions) برای پردازش داده‌ها استفاده می‌کنند. نورون‌های پریودیک، که شامل تبدیلات پریودیک مانند توابع کسینوسی هستند، در حوزه‌هایی مانند یادگیری ماشین فیزیک‌محور و هوش مصنوعی مولد محبوبیت زیادی پیدا کرده‌اند. با این حال، الگوریتم‌های کلاسیک، به‌ویژه روش‌های بهینه‌سازی گرادیانی، در یادگیری این توابع تحت برخی توزیع‌های داده‌ای دچار مشکل هستند.

این مشکل از پدیده‌ای به نام “پراکندگی فوریه” (Fourier Sparsity) ناشی می‌شود. به زبان ساده، توزیع‌های طبیعی داده، مانند تابع گاوسی، بیشتر انرژی خود را در فرکانس‌های پایین متمرکز می‌کنند. روش‌های یادگیری کلاسیک که به گرادیان‌ها متکی هستند، در این شرایط با یک چشم‌انداز گرادیانی مسطح روبه‌رو می‌شوند که منجر به پدیدهbarren plateau در بهینه‌سازی می‌شود. این امر سبب می‌شود یادگیری کلاسیک در مسیرهای مفید هدایت نشود و برای رسیدن به مدل دقیق، تعداد گام‌های نمایی لازم باشد.

این مطالعه از مدل کوانتومی پرس‌وجوی آماری (Quantum Statistical Query – QSQ) استفاده می‌کند که در آن الگوریتم کوانتومی به جای دسترسی مستقیم به داده‌های منفرد، می‌تواند خصوصیات آماری داده‌ها را درخواست کند. این رویکرد، به یادگیرنده کوانتومی اجازه می‌دهد با استفاده از تداخل و درهم‌تنیدگی، مؤلفه‌های فوریه را بسیار کارآمدتر از روش‌های کلاسیک پردازش کند.

محققان یک الگوریتم کوانتومی دو مرحله‌ای طراحی کردند:

  1. تشخیص دوره تناوب با تبدیل فوریه کوانتومی (QFT): الگوریتم کوانتومی با استفاده از نسخه‌ای اصلاح‌شده از تبدیل فوریه کوانتومی، ساختار پریودیک پنهان در داده‌ها را شناسایی کرده و بردار وزنی نورون پریودیک را تعیین می‌کند.
  2. تنظیم دقیق کلاسیک با روش گرادیان نزولی: پس از استخراج ساختار پریودیک، یک روش گرادیان‌محور کلاسیک، پارامترهای باقی‌مانده را برای تکمیل فرآیند یادگیری بهینه می‌کند.

این الگوریتم کوانتومی تنها به تعداد گام‌های چندجمله‌ای نیاز دارد، در حالی که یادگیرنده‌های کلاسیک به هزینه نمایی دچار می‌شوند. این امر یک مبنای نظری قوی برای برتری نمایی کوانتومی در یادگیری نورون‌های پریودیک تحت توزیع‌های طبیعی داده ارائه می‌دهد.

با وجود نتایج امیدوارکننده، این مطالعه به چندین چالش مهم اشاره می‌کند که باید پیش از اجرای عملی حل شوند:

آماده‌سازی حالت‌های کوانتومی برای یادگیری: این الگوریتم به حالت‌های کوانتومی خاصی نیاز دارد که اطلاعات مربوط به توزیع داده و تابع هدف را رمزگذاری کند. ایجاد این حالت‌ها هنوز یک چالش مهم در سخت‌افزار کوانتومی است.
گسسته‌سازی داده‌های پیوسته: رایانه‌های کوانتومی داده‌ها را به‌صورت حالت‌های گسسته پردازش می‌کنند، اما گسسته‌سازی نادرست می‌تواند ساختار پریودیک را از بین ببرد. محققان با طراحی یک روش گسسته‌سازی شبه‌پریودیک (Pseudoperiodic Discretization) این مشکل را برطرف کرده‌اند.
پردازش توزیع‌های غیر یکنواخت: الگوریتم‌های عددی کلاسیک مانند الگوریتم هالگرن (Hallgren’s Algorithm) معمولاً برای توزیع‌های یکنواخت طراحی شده‌اند. اما محققان این روش را برای توزیع‌های غیر یکنواختی مانند گاوسی و لجستیک، در صورتی که واریانس کافی باشد، توسعه داده‌اند.

این مطالعه یک پیشرفت مهم در نظریه یادگیری کوانتومی محسوب می‌شود، زیرا یکی از اولین مطالعاتی است که به جای توابع دودویی، یادگیری توابع پیوسته و با مقادیر حقیقی را بررسی می‌کند. همچنین، این تحقیق شکاف میان دو حوزه در یادگیری کوانتومی را پر می‌کند: الف) توزیع‌های یکنواخت ایده‌آل، که در آن برتری کوانتومی ثابت شده، و ب) توزیع‌های رقابتی، که در آن روش‌های کلاسیک همچنان کارآمد هستند.

این یافته‌ها نشان می‌دهند که رایانه‌های کوانتومی می‌توانند برای مسائل یادگیری شامل پریودیک‌های پنهان در توزیع‌های داده طبیعی، به‌شدت کارآمد باشند.

منابع:

[1] https://thequantuminsider.com/2025/03/31/google-researchers-say-quantum-theory-suggests-a-shortcut-for-learning-certain-neural-networks/

[2] https://arxiv.org/pdf/2503.20879




دیدگاه خود را درباره این خبر با ما به اشتراک بگذارید.

Quantum Atlas وب‌سایت

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *