بنية هجينة بمكوّن كمّي تحسّن تصنيف الصور بنسبة 50%
في يوليو 2026 نشر علماء على arXiv نظامًا هجينًا لتصنيف الصور يجمع بين الحوسبة الكمّية والشبكات العصبية الكلاسيكية عبر بنية mixture of experts. وعلى مجموعتَي الاختبار MNIST وFashion-MNIST حقّق النظام خفضًا في الأخطاء بنسبة 50% مقارنةً باستخدام كل خبير على حدة. وتبقى الأعباء الإضافية على GPU معتدلة، ما يجعل هذا النهج بديلًا عمليًا للمخططات الكلاسيكية.
معالج بواسطة الذكاء الاصطناعي من arXiv cs.LG؛ بتحرير Hamidun News
في يوليو 2026 عرض باحثون على arXiv نظامًا هجينًا لتصنيف الصور، يدمج مكوّنًا كمّيًا وآخر كلاسيكيًا عبر بنية mixture of experts. وبحسب نتائج الاختبار على مجموعتَي MNIST وFashion-MNIST، خفّض النظام نسبة الأخطاء إلى النصف تقريبًا، وأظهر أن المقاربات المستوحاة من الحوسبة الكمّية تتجاوز حدود البحث النظري.
كيف يعمل النظام الهجين
ينقسم النظام إلى جزأين. يرمّز الجزء الكمّي الصورة عبر amplitude encoding، ويطبّق عمليات الالتفاف (convolution) من خلال تحويلات أحادية (unitary) محلية، ثم يعالج البيانات بواسطة عدة خبراء بمعاملات مختلفة. ويجري استخراج السمات باستخدام quantum stabiliser codes. بعد ذلك يجمع الجزء الكلاسيكي مخرجات جميع الخبراء عبر شبكة عصبية متصلة بالكامل للوصول إلى التصنيف النهائي.
- يستخدم الجزء الكمّي amplitude encoding لتحويل بيانات البكسلات
- تضم البنية عدة خبراء، يعالج كل منهم الصورة بمعاملات مختلفة
- يدمج الجزء الكلاسيكي مخرجات جميع الخبراء في التنبؤ النهائي
- تحقّق خفض في الأخطاء بنحو 50% على MNIST وFashion-MNIST
- تبقى الأعباء الإضافية على GPU مقبولة للتطبيق العملي على محطات العمل الحديثة
النتائج والجدوى العملية
أظهر التحليل المشترك للخبراء نتائج أفضل من عمل كل خبير منفردًا. ويؤكد المؤلفون أن الأعباء الإضافية لاستراتيجيتهم المستوحاة من الحوسبة الكمّية معتدلة على محطات العمل المزوّدة بـ GPU، ما يجعل النهج بديلًا عمليًا للمخططات الكلاسيكية القائمة. كما يشير الباحثون إلى أن الجزء الكمّي من الإطار يمكن تنفيذه على معالج كمّي حقيقي، حين تتوافر معدات من هذا النوع.
ماذا يعني ذلك
تُظهر الدراسة أن البنى الهجينة الكمّية-الكلاسيكية القائمة على mixture of experts بدأت تنتقل من المختبرات إلى التطبيقات العملية. وبفضل الأعباء الإضافية المعتدلة، يعمل النهج اليوم على الحواسيب الكلاسيكية، وقد يحقّق مزايا كبيرة مع تطوّر المعالجات الكمّية.
الأسئلة الشائعة
ما المقصود بـ mixture of experts في هذه الدراسة؟
يجري تدريب عدة خبراء — وهم هنا مكوّنات كمّية — على البيانات نفسها بمعاملات مختلفة. يعالج كل خبير الصورة بشكل مستقل، ثم تدمج شبكة عصبية كلاسيكية تنبؤاتهم في النتيجة النهائية.
على أي مجموعات بيانات اختُبر النظام؟
استخدم الباحثون MNIST (أرقام مكتوبة بخط اليد بحجم 28×28 بكسل) وFashion-MNIST (صور ملابس بالحجم نفسه)، وهما مجموعتان مرجعيتان قياسيتان لمهام تصنيف الصور.
متى يمكن استخدام ذلك على حواسيب كمّية حقيقية؟
تم تكييف البنية بالفعل للتشغيل على المعالجات الكمّية، لكن ذلك يتطلب تطوير المعدات المناسبة. وفي الوقت الحالي يظل النظام عمليًا للاستخدام على محطات العمل المزوّدة بـ GPU الكلاسيكية.
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.