بكين ، 24 يونيو/حزيران 2026 /PRNewswire/ -- أكملت شركة WiMi Hologram Cloud Inc. (المدرجة في بورصة ناسداك تحت الرمز: WIMI) ("WIMI" أو "الشركة")، وهي شركة عالمية رائدة في مجال تكنولوجيا الواقع المعزز بتقنية الهولوغرام ("AR")، اختبارات معيارية منهجية على شبكات عصبية كمومية تلافيفية ذات معلمات كاملة. وقد اقترح فريق البحث التابع لها نموذجًا لشبكة عصبية كمومية مستوحى من الشبكات العصبية التلافيفية الكلاسيكية. ويعتمد هذا النموذج، طوال عملية الحساب بأكملها، على تفاعلات ثنائية الكيوبت فقط. ولا يقتصر الأمر على الحفاظ على بساطة بنية الشبكة فحسب، بل إنه يقلل بشكل كبير من صعوبة تنفيذ الدوائر الكمومية، مما يرسخ أساسًا حاسمًا لنشره العملي على أجهزة الكمبيوتر الكمومية متوسطة الحجم ذات التشويش العالي في المستقبل.

على عكس شبكات التعلم العميق التقليدية، تعتمد الشبكات العصبية الالتفافية الكلاسيكية عمومًا على عدد هائل من المعاملات وهياكل هرمية معقدة لاستخلاص الميزات. فعلى سبيل المثال، في مهام تصنيف الصور، تقوم الطبقات الالتفافية بمسح الصور المدخلة باستمرار لاستخلاص الميزات المحلية، ثم تقوم طبقات التجميع بضغط أبعاد الميزات، وأخيرًا تقوم الطبقات المتصلة بالكامل بتوليد قرارات التصنيف. ورغم النجاح الملحوظ الذي حققته هذه البنية، إلا أن تكاليف التدريب والاستدلال تتزايد بشكل كبير مع توسع نطاق النموذج.

يرى فريق البحث في معهد WIMI أن الحوسبة الكمومية قادرة بطبيعتها على معالجة فضاءات الميزات عالية الأبعاد. إذ يمكن لنظام كمومي يتكون من n كيوبت تمثيل فضاء حالة ثنائي الأبعاد في آنٍ واحد، مما يُمكّنه من معالجة مهام التعرف على الأنماط المعقدة بعدد أقل بكثير من المعاملات مقارنةً بالخوارزميات التقليدية. وقد دفعت هذه الميزة المحتملة فريق البحث إلى إعادة النظر في تنفيذ الشبكات العصبية الالتفافية، ومحاولة بناء بنى شبكات عصبية كمومية التفافية باستخدام عمليات البوابات الكمومية.

لهذا الغرض، صممت WIMI بنية شبكة عصبية تلافيفية كمومية (QCNN) ذات معلمات كاملة. تتألف الشبكة بشكل أساسي من طبقة ترميز بيانات كمومية، وطبقة تلافيفية كمومية، وطبقة تجميع كمومية، وطبقة ضغط ميزات، وطبقة تصنيف كمومية. وبخلاف العديد من الشبكات الكمومية المعقدة المبنية على عمليات البوابات متعددة الكيوبتات، يعتمد هذا النموذج على تفاعلات ثنائية الكيوبتات كوحدة حسابية أساسية، مما يتحكم بفعالية في عمق الدائرة ويقلل من تراكم التشويش.

في مرحلة إدخال البيانات، تخضع الصور الكلاسيكية الخام أولاً لوحدات معالجة مسبقة لتقليل الأبعاد وتطبيعها. ونظرًا للعدد المحدود من الكيوبتات التي تدعمها أجهزة الحوسبة الكمومية الحالية، يحتاج الباحثون إلى تحويل بيانات الصور عالية الأبعاد إلى فضاء كيوبتات محدود. ولمعالجة هذا التحدي، بحثت مبادرة WIMI في استراتيجيات متعددة لمعالجة البيانات الكلاسيكية، بما في ذلك تحليل المكونات الرئيسية، واختيار الميزات، وتقنيات ضغط الصور، لضمان تكيف بيانات الإدخال مع قيود موارد الحوسبة الكمومية مع الحفاظ على المعلومات الأساسية.

بعد انتهاء المعالجة المسبقة، تنتقل البيانات إلى مرحلة التشفير الكمومي. يُعد التشفير الكمومي حجر الزاوية في التعلم الآلي الكمومي، حيث يحوّل البيانات الكلاسيكية إلى تمثيلات الحالة الكمومية. وقد قارن معهد WIMI بشكل منهجي مجموعة من مخططات التشفير الكمومي، مثل تشفير الزاوية، وتشفير السعة، وطرق التشفير الهجينة. وتُظهر النتائج التجريبية أن استراتيجيات التشفير المختلفة تُحدد بشكل مباشر قدرة الشبكة على التمثيل وكفاءة التدريب. يستفيد تشفير الزاوية من بوابات الدوران لرسم خريطة البيانات في فضاء معلمات الحالات الكمومية، ويتميز بسهولة التنفيذ ومقاومة عالية للضوضاء. في المقابل، يُمكن لتشفير السعة التعبير عن بيانات ذات أبعاد أعلى باستخدام عدد أقل من الكيوبتات، ولكنه يتميز بتعقيد تنفيذي أعلى نسبيًا.

بعد ترميز البيانات في حالات كمومية، تُنفذ الشبكة عمليات الالتفاف الكمومي. تستخلص الشبكات العصبية الالتفافية التقليدية الميزات عن طريق تحريك نواة الالتفاف على مناطق محلية، بينما تُنفذ شبكة QCNN الالتفاف عبر بوابات ثنائية الكيوبت ذات معلمات. وقد أنشأ معهد WIMI سلسلة من مصفوفات البوابات الكمومية القابلة للتدريب، والتي تُنشئ ارتباطات بين الميزات المختلفة من خلال التشابك الكمومي. وبما أن الحالات الكمومية يمكن أن توجد كتراكبات لحالات متعددة في آنٍ واحد، فإن الشبكة قادرة على معالجة العديد من تركيبات الميزات المحتملة بالتوازي ضمن عملية حسابية واحدة، مما يوفر استخلاصًا أكثر كفاءة للميزات مقارنةً بطرق الالتفاف التقليدية.

ومن الجدير بالذكر أن النموذج يتبع مبدأ تصميم مُعَلم بالكامل. فبينما تُثبَّت بعض معلمات البوابات الكمومية في الشبكات العصبية الكمومية التقليدية، يسمح التصميم الذي اقترحته WIMI بتحديث جميع معلمات البوابات الكمومية الرئيسية أثناء التدريب. يُعزز هذا التصميم بشكل كبير قدرة النموذج على التعبير، مما يُمكّنه من تعلم أنماط توزيع البيانات المعقدة.

بعد عملية الالتفاف الكمومي، تدخل الشبكة مرحلة التجميع الكمومي. تعمل طبقات التجميع التقليدية على تقليل أبعاد الميزات من خلال التجميع الأقصى أو التجميع المتوسط، بينما يقوم التجميع الكمومي بفحص المعلومات الصحيحة عبر القياس، وإعادة بناء التشابك، وضغط الحالة الكمومية. ومن خلال تقليل عدد الكيوبتات المستخدمة في الحساب تدريجيًا، تُقلل الشبكة من التعقيد الحسابي اللاحق مع الحفاظ على معلومات الميزات الأساسية.

من منظور معالجة المعلومات، تعكس هذه الآلية عملية تجريد الميزات في التعلم العميق التقليدي. فمع تعمق طبقات الشبكة، تتحول الميزات منخفضة المستوى، بما في ذلك الحواف والنسيج والأشكال في الصور المدخلة، تدريجياً إلى تمثيلات دلالية مجردة عالية المستوى، مما يدعم مهمة التصنيف النهائية.

اختبرت WIMI العديد من تكوينات QCNN التي تغطي بنى دوائر كمومية متنوعة ذات معلمات متعددة، وأنظمة ترميز بيانات، ودوال خسارة، ومجموعات خوارزميات تحسين. تُظهر النتائج التجريبية أن QCNN يحقق أداءً تصنيفيًا متميزًا في معظم سيناريوهات الاختبار. والأهم من ذلك، أنه حتى مع عدد أقل بكثير من المعلمات مقارنةً بالشبكات العصبية الالتفافية التقليدية، فإن QCNN يُضاهي أو حتى يتجاوز دقة تصنيف الشبكات العصبية الالتفافية التقليدية. تُثبت هذه النتيجة أن الشبكات العصبية الكمومية تُوفر كفاءة أعلى في استخدام المعلمات؛ بمعنى آخر، يمكن للنماذج الكمومية تعلم خصائص بيانات أكثر ثراءً باستخدام عدد أقل من المعلمات القابلة للتدريب، وبالتالي تحقيق أداء عام فائق.

يُعزى هذا التفوق التنافسي، وفقًا لتحليل إضافي أجرته WIMI، إلى قدرة تمثيل الميزات عالية الأبعاد التي يوفرها التشابك الكمومي. ففي الشبكات العصبية التقليدية، يكون تبادل المعلومات بين الخلايا العصبية مقيدًا ببنية الاتصال، بينما يُنشئ التشابك الكمومي ارتباطات غير تقليدية بين عدة كيوبتات، مما يُعزز قدرة الشبكة على التمثيل في ظل موارد حاسوبية محدودة. ولتحسين استقرار التدريب، استكشف فريق البحث بدقة سير عمل التحسين. غالبًا ما يُعاني تدريب الشبكات العصبية الكمومية من تلاشي التدرجات ومناطق المعلمات المسطحة، وهي مشكلة تُعرف بظاهرة الهضبة القاحلة. ولحل هذه المشكلة، قيّم الفريق مُحسِّنات متنوعة، بما في ذلك التدرج العشوائي، ومُحسِّن آدم، وخوارزميات التحسين الخاصة بالكم، وحلل كيفية تأثير دوال التكلفة المختلفة على تدريب النموذج.

تؤكد النتائج التجريبية أن استراتيجيات تهيئة المعلمات المصممة جيدًا ومسارات التحسين الفعّالة تُسهّل عملية التدريب، مما يسمح للشبكة بالتقارب بثبات خلال عدد أقل من دورات التدريب. يُقدّم هذا البحث خبرة عملية قيّمة لتدريب الشبكات العصبية الكمومية واسعة النطاق في المستقبل.

من المتوقع، مع التطور المستمر لتقنيات الحوسبة الكمومية، أن تصبح الشبكات العصبية الالتفافية الكمومية مكونًا أساسيًا للحوسبة الذكية من الجيل القادم. فمن تجارب تصنيف البيانات الكلاسيكية الحالية إلى تطبيقات الذكاء الاصطناعي واسعة النطاق في سيناريوهات مستقبلية معقدة، تُظهر الشبكات العصبية الالتفافية الكمومية إمكانات هائلة لإعادة تشكيل مسار تطور التعلم الآلي. ولا يقتصر بحث معهد WIMI على تطوير الجانب النظري للتعلم الآلي الكمومي فحسب، بل يتعداه إلى ابتكار مسارات تقنية رائدة لتطوير أنظمة ذكاء اصطناعي جديدة فعالة، ذات معلمات قليلة، وأداء عالٍ، مما يرسخ أساسًا متينًا لظهور عصر الذكاء الكمومي.

حول سحابة الهولوغرام من WiMi

تركز شركة WiMi Hologram Cloud Inc. (المدرجة في بورصة ناسداك تحت الرمز: WiMi) على خدمات الحوسبة السحابية ثلاثية الأبعاد، مع التركيز بشكل أساسي على مجالات احترافية مثل شاشات العرض الرأسية ثلاثية الأبعاد بتقنية الواقع المعزز داخل المركبات، وتقنية LiDAR النبضية ثلاثية الأبعاد، وأجهزة التصوير المجسم المثبتة على الرأس، وأشباه الموصلات ثلاثية الأبعاد، وبرمجيات الحوسبة السحابية ثلاثية الأبعاد، وأنظمة الملاحة ثلاثية الأبعاد للسيارات، وأجهزة الواقع المعزز/الواقع الافتراضي ثلاثية الأبعاد بتقنية الميتافيرس، وبرمجيات الحوسبة السحابية ثلاثية الأبعاد بتقنية الميتافيرس. وتغطي الشركة جوانب متعددة من تقنيات الواقع المعزز ثلاثية الأبعاد، بما في ذلك تقنية الواقع المعزز ثلاثية الأبعاد داخل المركبات، وتقنية LiDAR النبضية ثلاثية الأبعاد، وتقنية أشباه الموصلات البصرية ثلاثية الأبعاد، وتطوير البرمجيات ثلاثية الأبعاد، وتقنية الإعلان الافتراضي ثلاثي الأبعاد بتقنية الواقع المعزز، وتقنية الترفيه الافتراضي ثلاثي الأبعاد بتقنية الواقع المعزز، وتقنية الدفع بتقنية الواقع المعزز ثلاثية الأبعاد، والاتصالات الافتراضية التفاعلية ثلاثية الأبعاد، وتقنية الواقع المعزز ثلاثية الأبعاد بتقنية الميتافيرس، وخدمات الحوسبة السحابية الافتراضية بتقنية الميتافيرس. تُعد WiMi مزودًا شاملاً لحلول تقنية الحوسبة السحابية ثلاثية الأبعاد. لمزيد من المعلومات، يُرجى زيارة الموقع الإلكتروني http://ir.wimiar.com .

إخلاء مسؤولية الترجمة

النسخة الأصلية لهذا الإعلان هي النسخة الرسمية المعتمدة والوحيدة الملزمة قانونًا. في حال وجود أي تناقضات أو اختلافات في المعنى بين الترجمة الصينية والنسخة الأصلية، تُعتمد النسخة الأصلية. لا تقدم شركة WiMi Hologram Cloud Inc. والمؤسسات والأفراد التابعون لها أي ضمانات بشأن النسخة المترجمة، ولا تتحمل أي مسؤولية عن أي خسائر مباشرة أو غير مباشرة ناتجة عن أخطاء الترجمة.

للاطلاع على المحتوى الأصلي: https://www.prnewswire.com/news-releases/wimi-develops-quantum-convolutional-neural-network-model-for-classical-data-classification-302809230.html

المصدر: شركة WiMi Hologram Cloud Inc.