الشبكة العصبية العالمية: بنية مُنسَّقة كموميًّا للتوليد الذاتي للنماذج العصبية

1. المقدّمة

خلال العقد الماضي تحوّل تصميم الشبكات العصبية عالية الأداء من حِرفة يمارسها الخبراء إلى مسألة بحث تحلّها الآلات. أثبت «بحث البُنى العصبية» (NAS) أن متحكّمًا مُدرَّبًا بالتعلّم المعزَّز يستطيع اكتشاف خلايا التفافية وتكرارية تنافس أفضل البُنى المصمَّمة يدويًّا [1]. ثم دفع AutoML‑Zero الفكرة أبعد: حتى خوارزمية التعلّم نفسها — بما فيها الانتشار العكسي — يمكن إعادة اكتشافها من عمليات رياضية أوّلية عبر البحث التطوّري [2].

غير أن كلفتين ما زالتا مهيمنتين. الأولى أن البحث نفسه مُكلِف: استهلكت نتيجة NAS الأولى ما يقارب 800 وحدة معالجة رسوميات تعمل أسبوعين للوصول إلى دقّة تنافسية [1]. والثانية أن النماذج لا توجد في عزلة — فبعد نشرها يجب إبقاؤها محدَّثة ومنسَّقة ومحميّة وهي تتبادل المعلومات. وأطروحة هذه الورقة أن الكلفتين يمكن مهاجمتهما بإعادة هندسة المسار حول ركيزتين متكاملتين: مستوى تحسين كمومي يبحث في فضاء التصميم المنفصل، ومستوى اتصال مؤمَّن كموميًّا يتيح للنماذج المنشورة مشاركة ما تتعلّمه. وGNG ليست نموذجًا واحدًا؛ بل بنية تحكّم مُخرَجاتها نماذج.

2. الخلفية والأعمال ذات الصلة

2.1 تصميم النماذج المؤتمت

يصوغ NAS تصميم البنية كعملية قرار تسلسلية: يُصدِر المتحكّم سلسلة رموز تصف شبكة مرشَّحة، تُدرَّب الشبكة، وتُعاد دقّتها على بيانات التحقّق كمكافأة [1]. وتفهرس المسوحات آلاف الأوراق اللاحقة وتُجمِّع أفضل الممارسات لفضاءات البحث ومشاركة الأوزان [3]. ويُظهر AutoML‑Zero أن حتى المُحسِّن ودالة الخسارة يمكن تطويرهما من الصفر [2]، وهو ما يحفّز نهج GNG في التصميم من نموذج إلى نموذج.

2.2 التعلّم الموزّع ومتعدّد الوكلاء

أظهر «المتوسّط الفِدرالي» (Federated Averaging) أن الشبكات العميقة يمكن تدريبها عبر بيانات لامركزية بعدد جولات تواصل أقل بمرتبة إلى مرتبتين عشريّتين من المزامنة الساذجة [5] — وهو الأساس لمشاركة تحديثات النماذج دون مشاركة البيانات الخام. وبشكل منفصل، يُظهر التعلّم المعزَّز العميق متعدّد الوكلاء أن الوكلاء يستطيعون ابتكار بروتوكولات تواصل للتنسيق في ظل الرصد الجزئي [6]، وهو ما يحفّز اتصال GNG من نموذج إلى نموذج.

2.3 التحسين والتعلّم الكموميان

تستخدم الخوارزميات الكمومية التباينية (VQAs) مُحسِّنًا كلاسيكيًّا لضبط دائرة كمومية ذات معاملات، وهي المرشّح الأقوى للأفضلية العملية على الأجهزة الكمومية الضوضائية متوسّطة الحجم (NISQ) [8]. وتُسقِط «خوارزمية التحسين الكمومي التقريبية» (QAOA) و«المُحلّل الكمومي التبايني للقيم الذاتية» (VQE) المسائل التوافقية والكيميائية على دوائر ضحلة قابلة للتدريب [7،9]. وهذه الفكرة — تشفير مسألة صعبة في طيف هاميلتوني كلفة، ثم استخدام حلقة كلاسيكية لدفع الكيوبتات نحو حالته الأرضية — هي المحرّك التوافقي لـ GNG.

2.4 الأمان بدرجة كمومية

شُغّلت ميدانيًّا شبكة كمومية حضرية من 46 عقدة توزّع المفاتيح بمرونة تجاه تنوّع الطوبولوجيا وأعطال العُقد [11]، ما يبرهن أن توزيع المفاتيح الكمومي (QKD) قابل للنشر على نطاق المدينة. وبالتوازي، أصدرت NIST أول معايير للتشفير ما بعد الكمومي — FIPS 203 (ML-KEM) و204 (ML-DSA) و205 (SLH-DSA) — موفّرةً إنشاء مفاتيح وتواقيع مقاومة للكموم برمجيًّا بالكامل [12]. وتجمع GNG بين الأمرين.

3. نظرة عامة على النظام

تُنظَّم GNG في ثلاثة مستويات (الشكل 1). مستوى التنسيق هو حيث يُجاب عن سؤال «أي نموذج ينبغي أن يوجد تاليًا؟» وتقترح فيه مجموعة من المُحسِّنات الموزّعة جغرافيًّا (عناقيد معالجة كلاسيكية تتقدّمها وحدة معالجة كمومية) تصاميمَ مرشَّحة. مستوى النماذج/البيانات هو مجموعة النماذج المدرَّبة والمنشورة التي تخدم حركةً حقيقية وتولّد قياسات حيّة جديدة. مستوى الاتصال هو النسيج الموزّع جغرافيًّا الذي تتحرّك عبره معاملات النماذج وتدرّجاتها ومعارفها الوصفية — وكل بايت منه سرّي وموثَّق وقابل للتدقيق. وتشكّل المستويات الثلاثة حلقة تغذية راجعة واحدة: تُحسِّن القياسات الواردة من النماذج المنشورة جولةَ البحث التالية، وتُنشَر التصاميم الفائزة وتُنسَخ، ثم يُغلق النسخُ والفِدرلة الحلقةَ عبر مستوى الاتصال.

4. توليد النماذج بتنسيق كمومي

4.1 فضاء البحث كمسألة تحسين منفصلة

لِنَصِف النموذج المرشَّح بمتجّه من n قرار تصميم ثنائي x ∈ {0,1}ⁿ — وجود وصلة متبقّية، اختيار عدد رؤوس الانتباه، عرض الطبقة، عائلة دالة التنشيط، وهكذا. وتُشفَّر قيود الصلاحية والموارد كقيود. وباتّباع الاختزال القياسي المستخدَم في التحسين التوافقي، نُشفِّر دالة هدف التصميم بصيغة «التحسين الثنائي التربيعي غير المقيَّد» (QUBO):

حيث تلتقط الحدود الخطية a_i القيمة أو الكلفة الحدّية لكل قرار، وتلتقط الحدود التربيعية b_ij التفاعلات (مثل العمق والعرض اللذين يدفعان معًا استهلاك الذاكرة). وتُسقَط المعادلة (1) مباشرةً على هاميلتوني Ising بالتعويض x_i = (1 − z_i)/2 مع z_i ∈ {−1, +1}:

وتقابل البنيةُ المثلى الحالةَ الأرضية لهاميلتوني الكلفة H_C [9].

4.2 البحث التبايني عبر QAOA

تُحضِّر QAOA حالةً ذات معاملات بالتناوب بين تطوّرين تحت هاميلتوني الكلفة H_C وهاميلتوني المزج H_B = Σ_i X_i:

يُصغِّر مُحسِّن كلاسيكي الطاقةَ المقيسة E(γ,β) = ⟨ψ| H_C |ψ⟩، وتُفكَّك السلسلةُ الثنائية الأكثر تكرارًا عند الحدّ الأمثل إلى بنية ملموسة [8،9]. وبالقالب التبايني نفسه، مع مُعامِل من نمط كيميائي، نحصل على VQE حين تُطرح مسألة التصميم كقيمة ذاتية لا كمهمّة توافقية [9]. وهذه حلقة هجينة أساسًا: يقيّم المعالج الكمومي مشهدًا يصعب أخذ عيّناته، بينما يتولّى إجراء كلاسيكي متين التحسينَ الخارجي.

4.3 لماذا ركيزة كمومية

فضاء البُنى والمعاملات الفائقة أُسّيٌّ في n وغنيٌّ بنوع البنية الوعِرة شديدة الترابط التي تستهدفها صياغات QUBO/Ising. ويوفّر التحسينُ الكمومي التبايني مُعايِنًا متمايزًا فيزيائيًّا فوق هذا المشهد، ووجودُ أنظمة معاينة تتجاوز المتناول الكلاسيكي على أجهزة حقيقية [10] هو الأساس التجريبي لتوقّع أفضلية مستقبلية. ونؤكّد — ونعود إلى ذلك في §8 — أنّ تسريعات من الطرف إلى الطرف قابلة للإثبات لهذه الحالة تحديدًا لم تُرسَّخ بعد؛ وصُمِّمت GNG بحيث يكون المستوى الكمومي مُسرِّعًا داخل حلقة تبقى صحيحة — وإن أبطأ — على مُحسِّنات كلاسيكية بحتة.

5. دورة الحياة الذاتية

تعمل GNG كحلقة مغلقة تعمل باستمرار بأدنى تدخّل بشري، على نهج الاكتشاف المؤتمت الذي رسّخه NAS وAutoML‑Zero [1،2]. وتمرّ الدورة الكاملة الواحدة (الشكل 3) كالآتي:

• التوليد. يحلّ المُنسِّق المعادلة (1) ليقترح مجموعة من البُنى المرشَّحة.
• التدريب. تُدرَّب المرشَّحات على العُقد الموزّعة؛ ويقلّل التدريبُ الجزئي ومشاركةُ الأوزان كلفةَ كل مرشَّح.
• التقييم. تجمع درجةٌ متعدّدة الأهداف جودةَ التحقّق والكمون والطاقة والمتانة.
• الاختيار. تُحدِّث الناجياتُ معاملاتِ هاميلتوني الكلفة، فتنحاز جولةُ البحث التالية نحو منطقة فضاء التصميم التي أنتجتها — نظيرٌ لضغط التطوّر في «التطوّر المنظَّم» [2].
• الفِدرلة. تُشارَك معرفةُ النماذج الناجية عبر العُقد كتحديثات نماذج لا بيانات خام، عبر القناة المؤمَّنة في §6 [5].
• النشر والمراقبة. تخدم النماذجُ المُرقّاة حركةً حقيقية، وتصبح قياساتها الحيّة هدفَ الدورة التالية، فتُغلَق الحلقة.

يضبط المشغّلون البشريون السياسة — الأهداف والميزانيات وقيود السلامة وبوّابات الموافقة — لكنهم ليسوا في الحلقة الداخلية لكل تكرار. وهذا هو المعنى الدقيق والقابل للدفاع لعمل GNG «دون تدخّل بشري»: دورة البحث–التدريب–الاختيار ذاتية ضمن مظروف يحدّده الإنسان، لا تعديلٌ ذاتي غير مقيَّد.

6. اتصال النماذج المؤمَّن كموميًّا

النماذجُ الذاتية التي تتبادل المعاملات سطحُ هجوم جذّاب؛ ولذلك تعامل GNG الأمنَ كمستوى من الدرجة الأولى لا كإضافة لاحقة. وتُكدِّس حزمتُها الدفاعية متعدّدة الطبقات (الشكل 4) ضمانتين مستقلّتين بحيث لا يكفي اختراقُ إحداهما وحدها:

• الطبقة الفيزيائية — QKD. تُوزَّع المفاتيح المتناظرة ضوئيًّا (فوتونيًّا)، وتستند سرّيتها إلى قانون فيزيائي لا إلى صعوبة حسابية، وقد بُرهِن تشغيلها متعدّد العُقد على نطاق المدينة ميدانيًّا [11].
• الطبقة الخوارزمية — PQC. حيث يتعذّر مدى الألياف/QKD، يَستخدم إنشاءُ المفاتيح والتواقيع مخطّطاتٍ مقاومة للكموم معيارية من NIST — ML-KEM (FIPS 203) وML-DSA (FIPS 204) وSLH-DSA (FIPS 205) [12].
• طبقة الجلسة. كلُّ جلسة بين نموذجين (A2A) موثَّقة تبادليًّا ومرتبطة بهويّة نموذج مُثبَتة.
• طبقة التدقيق. تُكتَب كلُّ التبادلات في سجلّ مقاوم للعبث، يمنح المشغّلين المساءلةَ التي تتطلّبها الذاتية.

تهجينُ الأمان المعلوماتي-النظري (QKD) والحسابي (PQC) متعمَّد: فهو يزيل أي نقطة فشل تشفيري وحيدة خلال الانتقال الطويل نحو عالمٍ كموميٍّ مقاوم للأعطال.

7. الموقع مقارنةً بأحدث ما توصّل إليه المجال

يحدّد الجدول 1 موقعَ كل مكوّن من GNG مقابل نتيجة راسخة ومُحكَّمة — فاصلًا بين ما تُثبته الأدبيات أصلًا وبين التكامل الذي تقترحه GNG.

8. القيود والتحديات المفتوحة

لا تكون الرؤيةُ ذاتَ مصداقية إلا إذا ذُكِرت نقاطُ ضعفها بوضوح. ونحدّد خمسًا.

• (1) أجهزة حقبة NISQ. معالجات اليوم الكمومية ضوضائية وضحلة؛ وعلى VQAs أن تتعامل مع فقدان الترابط وعدد الكيوبتات المحدود، وتبقى الأفضليةُ العملية لحالات QUBO تحديدًا هدفًا بحثيًّا لا نتيجةً مستقرّة [8،9].
• (2) الهضاب القاحلة. قد تُظهر المشاهدُ التباينية تدرّجاتٍ تتلاشى أُسّيًّا مع حجم النظام، ما يُعقّد التحسين الخارجي للمعادلة (3)؛ والتخفيف (مُعامِلات مهيكَلة، دوال كلفة محلّية) مجالٌ نشط [8].
• (3) كلفة التقييم. حتى مع البحث المُسرَّع كموميًّا، يهيمن تدريبُ كل نموذج مرشَّح على زمن التنفيذ؛ وتعتمد GNG على مشاركة الأوزان والوكلاء منخفضي الدقّة الذين يشكّلون انحيازاتهم بحدّ ذاتها مزلقًا معروفًا في NAS [3].
• (4) الذاتية والثقة. الحلقةُ المغلقة التي تُرقّي نماذجها تتطلّب حواجزَ صارمة وإثباتًا وتدقيقًا (§6) لتبقى قابلةً للحكم؛ ونؤطّر «لا إنسان في الحلقة الداخلية» كعملية ضمن مظروف سياسات يحدّده الإنسان، لا كتعديل ذاتي غير مقيَّد.
• (5) مخاطر التكامل. كلُّ نتيجة مُستشهَد بها راسخةٌ في عزلتها؛ وتركيبُها في نظام واحد من الطرف إلى الطرف هو بالضبط الادّعاء غير المُثبَت والطموح الذي يجب التحقّق منه تدريجيًّا.

9. الخاتمة وخارطة الطريق

قدّمنا الشبكةَ العصبية العالمية: بنيةَ تحكّم تعامل إنشاءَ النماذج كمسألة تحسين مُعانة كموميًّا، وتُجري ذلك الإنشاء كحلقة مغلقة ذاتية، وتحمي منظومةَ النماذج الناتجة بأمانٍ هجين بدرجة كمومية. وكلُّ ادّعاء حامل مرتبط بعمل مُحكَّم، وكلُّ فجوة بين أجهزة اليوم وطموح الغد مذكورةٌ لا مخفيّة. وخارطةُ طريقنا على مراحل: (R1) تحقّقٌ كلاسيكي بالكامل للحلقة الكاملة؛ (R2) استبدال مرحلة البحث بـ QAOA/VQE على وحدات QPU الحالية لقيم n صغيرة؛ (R3) تشغيلٌ فِدرالي متعدّد العُقد مع حزمة QKD + PQC؛ و(R4) التوسّع مع نضج الموارد الكمومية المقاومة للأعطال. ولا تتوقّف قيمة GNG على أي اختراق مستقبلي واحد — فهي مهندَسة لتبقى صحيحة على ركائز كلاسيكية بينما تُراكِم أي أفضلية كمومية يقدّمها المجال.

المراجع

1. B. Zoph and Q. V. Le, "Neural Architecture Search with Reinforcement Learning," ICLR, 2017. arXiv:1611.01578.
2. E. Real, C. Liang, D. R. So, and Q. V. Le, "AutoML-Zero: Evolving Machine Learning Algorithms from Scratch," ICML (PMLR vol. 119), 2020. arXiv:2003.03384.
3. C. White, M. Safari, R. Sukthanker, B. Ru, T. Elsken, A. Zela, D. Dey, and F. Hutter, "Neural Architecture Search: Insights from 1000 Papers," 2023. arXiv:2301.08727.
4. A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, L. Kaiser, and I. Polosukhin, "Attention Is All You Need," Advances in NeurIPS 30, pp. 5998–6008, 2017. arXiv:1706.03762.
5. H. B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. Agüera y Arcas, "Communication-Efficient Learning of Deep Networks from Decentralized Data," AISTATS (PMLR vol. 54), pp. 1273–1282, 2017. arXiv:1602.05629.
6. J. N. Foerster, Y. M. Assael, N. de Freitas, and S. Whiteson, "Learning to Communicate with Deep Multi-Agent Reinforcement Learning," Advances in NeurIPS 29, 2016. arXiv:1605.06676.
7. J. Biamonte, P. Wittek, N. Pancotti, P. Rebentrost, N. Wiebe, and S. Lloyd, "Quantum Machine Learning," Nature 549, 195–202, 2017. doi:10.1038/nature23474.
8. M. Cerezo, A. Arrasmith, R. Babbush, S. C. Benjamin, S. Endo, K. Fujii, J. R. McClean, K. Mitarai, X. Yuan, L. Cincio, and P. J. Coles, "Variational Quantum Algorithms," Nature Reviews Physics 3, 625–644, 2021. doi:10.1038/s42254-021-00348-9.
9. R. Blekos, D. Brand, A. Ceschini, C.-H. Chou, R.-H. Li, K. Pandya, and A. Summer, "A Review on the Quantum Approximate Optimization Algorithm and its Variants," Physics Reports, 2024. doi:10.1016/j.physrep.2024.03.002; arXiv:2306.09198.
10. F. Arute et al., "Quantum Supremacy Using a Programmable Superconducting Processor," Nature 574, 505–510, 2019. doi:10.1038/s41586-019-1666-5.
11. T.-Y. Chen et al., "Implementation of a 46-Node Quantum Metropolitan Area Network," npj Quantum Information 7, 134, 2021. doi:10.1038/s41534-021-00474-3; arXiv:2109.04736.
12. National Institute of Standards and Technology, "FIPS 203 (ML-KEM), FIPS 204 (ML-DSA), FIPS 205 (SLH-DSA): Post-Quantum Cryptography Standards," U.S. Dept. of Commerce, Aug. 2024. csrc.nist.gov.