إعادة تفكير في التعلم المستمر الكمي: كيف يمكن للمعرفة الكمية أن توازن بين المراحل المتعاقبة؟

في عالم الذكاء الاصطناعي المتسارع التطور، يحمل التعلم المستمر الكمي (Quantum Continual Learning) آمالًا كبيرة لتدريب النماذج الكمية على مهام متتابعة دون فقدان المعرفة المكتسبة سابقًا. إلا أن النماذج الكمية المتغيرة (Variational Quantum Classifiers - VQCs) تواجه تحديًا كبيرًا يتمثل في النسيان الكارثي عند الانتقال من توزيع مهمة إلى آخر.

لذلك، نعرض في هذا المقال طريقة جديدة تُعرف باسم «دمج الأوزان الكمية المرنة» (Quantum Elastic Weight Consolidation - QEWC). تعتمد هذه الطريقة الجديدة على معلومات فيشر الكمية (Quantum Fisher Information - QFI) كوسيلة تنظيمية تساعد في تقليل النسيان. على عكس الطرق التقليدية التي تعتمد على معلومات فيشر الكلاسيكية (Classical Fisher Information - CFI)، والتي تقيس أهمية المعلمات بناءً على إحصاءات الخرج المعتمدة على القياسات، يأخذ QEWC في اعتباره الحساسية الجوهرية لحالة الكم المرخصة.

تعطي لنا هذه الطريقة رؤية هندسية معلوماتية حيث تُحدد المعلمات المهمة بواسطة استجابة محلية لفردية حالة الكم. قمنا بتقييم QEWC على نماذج VQC المدربة على مهام تصنيف ثنائية متتابعة، بما في ذلك تصنيف الصور الكلاسيكية ومهام تصنيف مرحلات الكم. أظهرت المحاكاة أن التدريب المتتالي بدون تنظيم يؤدي إلى نسيان شديد، بينما تحسين كل من CFI و QEWC يعزز الاحتفاظ بالمعرفة السابقة.

علاوة على ذلك، تكشف التحليلات الميكانيكية أن الطريقتين تفرضان هندسات تنظيمية مختلفة: حيث تعمل CFI بشكل انتقائي على الاتجاهات الحساسة للقياسات، بينما تفرض QFI قيدًا هندسيًا أكثر كثافة عبر فضاء المعلمات. تحت الضوضاء المشتتة، تكون قيم CFI ضعيفة تمامًا بسبب التدهور في إحصاءات القياس، بينما تحافظ QFI على هيكل حساسية أكثر استقرارًا للحالة الكمية المعطلة.

تحدد هذه النتائج QEWC كنهج مدفوع فيزيائيًا لدراسة وتقليل النسيان في التعلم المستمر الكمي من خلال هندسة حالة الكم، مما يفتح أفقًا جديدًا للتطبيقات المستقبلية في هذا المجال الرائع.