تُعدّ محاولة فهم ديناميات الأنظمة الكمية الكبيرة تحديًا علميًا عظيمًا، وذلك يعود إلى لعنة الأبعاد (Curse of Dimensionality) التي تعيق التقدم. ولكن، هنا يبرز التعلم الإحصائي كأحد الحلول الواعدة عبر بروتوكولات الشبكات العصبية (Neural Networks) والظلال الكلاسيكية (Classical Shadows).

ومع ذلك، فإن كل من هذين المنهجين يواجهان قيودًا كبيرة، إذ أن بروتوكولات الشبكات العصبية تتطلب قواعد بناء مجموعات بيانات ذات علاقة معقدة، مما يؤدي إلى زيادة المتطلبات الحاسوبية لجمع البيانات عند معالجة مهام مختلفة. بينما تفتقر الظلال الكلاسيكية إلى القدرة على استخلاص المعرفة من البيانات السابقة لتعزيز جهود التعلم اللاحقة.

في هذه الدراسة، نقدم مفهوماً جديداً في التعلم القائم على البيانات (Data-Centric Learning) يجمع بين نقاط القوة لكلا الطريقتين، مما أدي إلى تطوير نظام التعلم الكمي (Quantum System Learning) بشكل يلبي احتياجات العصر.

يستند نهجنا الجديد إلى قاعدة موحدة لبناء مجموعات البيانات، حيث يجمع بين الظلال الكلاسيكية وغيرها من المعلومات التي يمكن الحصول عليها بسهولة حول الأنظمة الكمية. لتوضيح فكرتنا، نقدم نظام ShadowNet الذي يتم تنفيذه تحت آليتين: الشبكات التلافيفية (Convolutional) وآليات الانتباه (Attention Mechanisms).

هذا النظام يُظهر كفاءته في معالجة مهمتين محوريتين وهما: تمثيل الحالة الكمية (Quantum State Tomography) وتقدير الدقة المباشر (Direct Fidelity Estimation). من خلال محاكاة عددية على ما يصل إلى 60 كيوبت، نؤكد فعالية اقتراحنا ونسلط الضوء على كيفية تقدم ShadowNet في الظلال الكلاسيكية مع نسخ حالة محدودة.

تقدم هذه الدراسة بوضوح كيف يمكن أن يؤثر التنوع في الشبكات العصبية على الأداء، مما يدل على الإمكانات الهائلة التي ينطوي عليها النهج القائم على البيانات في فهم الأنظمة الكمية الكبيرة والجديدة. إن إمكانية دمج التعلم الإحصائي مع المعلومات الكمية تفتح آفاقًا جديدة أمام الباحثين والمطورين في هذا المجال.