تدريب الشبكات العصبية الكمية يُعد تحديًا كبيرًا نظرًا للطبيعة المعقدة للمساحات الخسائر غير المقعرة واستخدام معلمات مضغوطة. في هذا الإطار الجديد، يُقدِّم الباحثون نموذجًا محسنًا يعتمد على **تحسين ثنائي مقيد تربيعي** (Quadratic Constrained Binary Optimization - QCBO) مع ضمانات مثبتة.

**الاستراتيجيات الجديدة** تشمل وصفَ الطوبولوجيا المُستويات الزِيرو خسارة في الشبكات، حيث تُظهر البيانات أن العناصر المضمون تحقيق المستوى المثالي قد تبقى مُتباعدة رغم زيادة عدد الخصائص. هذا البحث يُشير إلى أهمية تصميم هياكل ذات عمق محدود تتضمن مكتبات معلمات وحالات مقيَّدة بحدود تقيس الصعود.

من خلال معالجة العوائق غير المقعرة، قام الباحثون أيضًا بتطوير **تحسين حدود أدنى مفكك** (Decomposed Lower-Bound Optimization - DLBO)، مما يُسهم في تقليل كل استدعاء لإيسينغ إلى مستوى عينة فردية. فضلاً عن ذلك، يشكل التصنيف الهرمي الفوري هرمونية محلية عززت دقة النموذج ووسعث نطاق التطبيقات الرياضية في هذا المجال.

تجارب على آلة إيسينغ المُتسقة أظهرت نتائج مذهلة، حيث حققت دقة تصل إلى 94.95٪ على مجموعة بيانات Fashion-MNIST بعمق دقة يصل إلى 1.1 بت، مُثبتةً القدرة على مواجهة الانهيار التمثيلي في النطاق المنخفض. بالإضافة إلى ذلك، خضعت تقييمات متعددة الفئات لـ DLBO على مجموعات بيانات متنوعة مثل Fashion-MNIST وWine وDigits، مبرهنةً بذلك على إمكانية التوافق الواسع لهذه الطريقة الجديدة.

هذا الابتكار يمثل قفزة نوعية في فهم وتطوير الشبكات العصبية الكمية، مما يُبشر بعصر جديد من الذكاء الاصطناعي القوي والأكثر فعالية.