في عالم الذكاء الاصطناعي، تأتي الابتكارات دائماً لتعيد تشكيل المفاهيم التي نعرفها. أحدث هذه الابتكارات هو نموذج QKAN-FWP (Gated Quantum-inspired Fast Weight Programmer)، وهو نموذج متقدم في تعلم التسلسلات المستوحى من الكم. يعتمد هذا النموذج على فكرة Weight Programmers السريعة (FWPs) التي تقوم بتشفير الاعتماد الزمني عن طريق تحديث المعاملات بشكل ديناميكي، بدلاً من الاعتماد على حالات خفية متكررة. وما يميز نموذج QKAN-FWP هو دمجه بين نماذج FWP وKolmogorov-Arnold Network (QKAN) باستخدام دوائر إعادة تحميل البيانات الأحادية الكيوبت، والمعروفة بتفعيلها غير الخطية القابلة للتعلم تحت مسمى DatA Re-Uploading ActivatioN (DARUAN).

علاوة على ذلك، تم تقديم قاعدة تحديث وزن سريع محمية بواسطة متجهات، مما يعزز من استقرار تطور المعاملات، مدعومة بتحليل نظري يتناول ذاكرة نموذجها التفاعلي، وحدودها الهندسية، ومسارات تدرجها القابلة للتوازي. وقد تم تقييم النموذج الجديد عبر مجموعة متنوعة من معايير الوقت، بالإضافة إلى تجربة تعلم تعزيز MiniGrid. ومن أبرز النتائج التطبيقية له كانت في التنبؤ بدورة الشمس، حيث استطاع نموذج ذو 12.5 ألف معامل تحقيق دقة أدق من مجموعة من نماذج الشبكات العصبية التقليدية، حتى مع وجود أضعاف في عدد المعاملات، مثل نماذج LSTM وWaveNet-LSTM.

لزيادة مصداقية النموذج، تم نشر البرمجي السريع المدرب على معالجات IonQ وIBM Quantum، واستعادة دقة التنبؤ ضمن 0.1% من متوسط خطأ مربع غير الشاذ. تضع هذه النتائج نموذج QKAN-FWP المحمي بالبوابة في مكانة رائدة كنهج قابل للتوسع، ذو كفاءة في المعاملات، ومتوافق مع بيئات الكم المتوسطة الضوضاء.

هل تعتقد أن هذه التقنية ستحدث فرقًا في مستقبل الذكاء الاصطناعي؟ شاركونا آراءكم في التعليقات!