بقلم: نور | محررة الأبحاث والدراسات · صوت تحريري بإشراف بشري
تخيل خوارزمية تعلم آلي لا تعلق أبداً في النقاط المحلية وتجد دائماً الحل الأمثل العالمي. هذا ما تحققه خوارزمية Energy Conserving Descent (ECD) التي كشفت دراسة جديدة عن قدرتها على تحقيق تسارع أسي مقارنة بخوارزمية gradient descent التقليدية.
الباحثون Yihang Sun وHuaijin Wang وPatrick Hayden وJose Blanchet قدموا أول تحليل رياضي شامل لخوارزمية ECD التي اقترحها De Luca وSilverstein عام 2022. الدراسة تركز على الحالات أحادية البعد وتطور نسختين متطورتين من الخوارزمية الأصلية.
النسخة العشوائية (sECD) تضيف ضوضاء ذكية تحافظ على الطاقة، بينما النسخة الكمية (qECD) تستخدم محاكاة هاملتوني كمي لتحقيق أداء متفوق. كلا النسختين تعملان بمبدأ الحفاظ على كمية ثابتة من “الطاقة” تساعد الخوارزمية على تجاوز الحواجز المحلية والوصول للوادي الأعمق.
النتائج مذهلة: كلا النسختين تحققان تسارعاً أسياً مقارنة بخوارزميات التدرج التقليدية. في المسائل ذات positive double-well objectives، حسب الباحثون الزمن المتوقع للانتقال من النقطة المحلية إلى النقطة العالمية، واكتشفوا أن النسختين تتفوقان بشكل كبير على stochastic gradient descent ونسختها الكمية.
الأهم من ذلك، في المسائل ذات الحواجز العالية، تحقق النسخة الكمية qECD تسارعاً إضافياً حتى مقارنة بالنسخة العشوائية sECD (وفقاً للدراسة المنشورة في ArXiv). هذا يعني أن الحوسبة الكمية لا تقدم فقط ميزة نظرية، بل تفوقاً عملياً قابلاً للقياس في أصعب المسائل.
التطبيقات العملية واعدة جداً في تدريب الشبكات العصبية العميقة التي تعاني من مشكلة الوقوع في نقاط محلية غير مثلى. نماذج GPT والنماذج اللغوية الكبيرة الأخرى تواجه مسائل أمثلة غير محدبة معقدة للغاية، وخوارزمية ECD قد تحسن جذرياً من كفاءة تدريبها وجودة النتائج النهائية.
لكن هناك قيود مهمة: الدراسة الحالية تقتصر على المسائل أحادية البعد، والتحدي الحقيقي سيكون في تطوير نسخة متعددة الأبعاد تعمل مع المسائل الحقيقية للتعلم الآلي. كما أن النسخة الكمية تتطلب حاسوباً كمياً متقدماً قد لا يكون متاحاً تجارياً في المدى القريب، رغم أن النسخة العشوائية قابلة للتنفيذ على الحاسوبات التقليدية اليوم.
الأهمية الأكبر للدراسة تكمن في إثباتها الرياضي لفكرة الحفاظ على الطاقة كبديل فعال للتدرج التقليدي. هذا المفهوم المستوحى من الفيزياء يفتح باباً جديداً أمام تطوير خوارزميات تحسين أكثر ذكاءً وقدرة على حل المسائل المعقدة التي تواجه الذكاء الاصطناعي اليوم.
