Bayangkan melatih rangkaian neural kuantum untuk mengecam digit tulisan tangan. Anda melaraskan parameter litar sehingga ketepatan menjadi stabil. Kemudian anda membentangkan tugas kedua: mengelaskan imej pakaian. Model tersebut menyesuaikan diri dengan cepat. Namun, apabila anda mengujinya semula pada digit, prestasinya telah merosot. Litar tersebut tidak membina berdasarkan apa yang telah dipelajarinya. Ia sebaliknya menggantikannya.

Ini adalah lupa katastrofik, dan ia merupakan antara masalah yang paling sukar dalam pembelajaran mesin. Model klasik sentiasa bergelut dengannya. Model kuantum menghadapi dilema yang sama dalam versi yang lebih tajam, kerana cara kerjanya bergantung pada superposisi dan kekusutan (entanglement) yang musnah sebaik sahaja anda memerhatikannya secara langsung. Satu pendekatan baharu yang menjanjikan yang dipanggil Quantum Elastic Weight Consolidation, atau QEWC, menangani perkara ini dengan menganggap keadaan kuantum itu sendiri sebagai objek geometri dan bukannya set hasil pengukuran klasik.

Mengapa Lupa Memberi Kesan Lebih Teruk dalam Litar Kuantum

Dalam mana-mana sistem yang boleh dilatih, pembelajaran berlaku dengan melaraskan parameter untuk mengurangkan ralat. Bahayanya ialah parameter optimum semalam juga merupakan pemboleh ubah hari ini. Apabila model menulis semula parameter tersebut untuk menyesuaikan diri dengan tugas baharu, ia sering memadamkan konfigurasi khusus yang mengekod pengetahuan terdahulu. Hasilnya ialah sistem yang kelihatan belajar secara berterusan tetapi sebenarnya hanya melalui kitaran tangkap layar kecekapan yang terasing.

Pembelajaran mesin kuantum memburukkan lagi isu ini. Pendekatan klasik untuk pemeliharaan memori biasanya bergantung pada cara model bertindak balas terhadap pengukuran. Ia bertanya, pada dasarnya, "Jika kita menyentuh bahagian rangkaian ini dan memerhatikan outputnya, sejauh manakah ia berubah?" Logik tersebut mengandaikan anda boleh memerhati sistem tanpa mengganggunya secara fundamental. Mekanik kuantum tidak menawarkan jaminan sedemikian. Pengukuran meruntuhkan superposisi. Tindakan menyemak parameter mana yang paling penting boleh mengubah keadaan yang cuba anda lindungi itu sendiri.

Apa yang Terlepas oleh Penghadang Memori Klasik

AI tradisional melindungi data penting dengan menambatnya kepada statistik yang bergantung pada pengukuran. Kaedah klasik ini menjejaki kepentingan parameter melalui lensa bagaimana sistem bertindak balas di bawah pembacaan tertentu. Ia berfungsi dengan cukup baik apabila perkakasan asas mematuhi peraturan klasik. Namun, pemproses kuantum tidak begitu.

Litar kuantum mengekod maklumat dalam vektor keadaan berdimensi tinggi yang geometrinya tersembunyi daripada pandangan langsung. Bergantung pada pengukuran projektif untuk melindungi maklumat tersebut adalah seperti cuba mengekalkan bentuk buih sabun dengan menyentuhnya. Anda mendapat beberapa data, tetapi buih itu sudah berubah. Apa yang diperlukan oleh penyelidik adalah cara untuk merasai kepentingan tanpa melihat terus pada output setiap kali.

Pendekatan Maklumat Fisher Kuantum

Di situlah Maklumat Fisher Kuantum (Quantum Fisher Information) memainkan peranan. QFI adalah alat yang diambil daripada metrologi kuantum yang mengukur betapa sensitifnya keadaan kuantum terhadap perubahan kecil dalam parameter asasnya. Bukannya bertanya apa yang ditunjukkan oleh pengukuran, QFI bertanya bagaimana geometri keadaan itu sendiri membengkok di sekitar setiap parameter. Parameter yang berada di kawasan curam dalam ruang keadaan—di mana sedikit tolakan menghasilkan anjakan geometri yang besar—terbukti sebagai parameter yang membawa pengetahuan paling kritikal bagi tugas tersebut.

Dengan menggunakan QFI, penyelidik boleh memetakan kepentingan secara langsung pada geometri keadaan kuantum. Kaedah ini tidak memerlukan asas pengukuran khusus untuk menetapkan apa yang penting. Ia melihat keadaan tersebut sebagai satu permukaan dan mengenal pasti "bukit" yang tidak boleh diratakan.

Bagaimana QEWC Melindungi Pengetahuan

Quantum Elastic Weight Consolidation menukarkan cerapan geometri tersebut kepada protokol latihan. Proses ini boleh dibahagikan kepada langkah-langkah konkrit:

  • Kenal pasti parameter kritikal. Selepas mempelajari tugas pertama, QEWC mengira Maklumat Fisher Kuantum merentasi parameter litar. Skor tinggi menandakan putaran dan kekusutan khusus yang menyimpan pengetahuan penting.

  • Kunci bahagian yang penting. Semasa latihan seterusnya, QEWC mengenakan penalti terhadap perubahan pada parameter QFI tinggi tersebut. Litar akan menanggung kos untuk menulis semula apa yang telah diketahui.

  • Bebaskan selebihnya untuk menyesuaikan diri. Parameter dengan skor QFI rendah menghadapi kurang sekatan. Litar mengekalkan fleksibiliti, membentuk semula darjah kebebasan yang kurang penting untuk menyesuaikan diri dengan corak input baharu.

  • Imbangi kestabilan dan plastisiti. Rangka kerja ini secara eksplisit mengimbangi antara mengekalkan pengetahuan lama dan menyerap maklumat baharu. Ia tidak membekukan keseluruhan litar, dan tidak juga membiarkan semuanya hanyut.

Keseimbangan ini penting kerana litar yang benar-benar beku tidak dapat mempelajari apa-apa yang baharu, manakala litar yang mempunyai plastisiti sepenuhnya akan melupakan segala-galanya yang lama. QEWC mencari jalan tengah dengan menghormati geometri keadaan kuantum itu sendiri.

Ketahanan Terhadap Bunyi pada Perkakasan Sebenar

Kebanyakan komputer kuantum yang tersedia sekarang adalah peranti kuantum skala perantaraan yang bising, atau NISQ. Ralat pintu (gate errors), dekoherens, dan gangguan silang (cross-talk) membelenggu cip sebenar. Dalam persekitaran ini, keanggunan teori tidak bermakna jika sesuatu kaedah runtuh akibat ketidaksempurnaan perkakasan.

Ujian menunjukkan bahawa QEWC mengatasi pendekatan konsolidasi klasik terutamanya apabila bunyi hadir. Ini bukan sekadar nota kaki kecil. Ia adalah perbezaan antara kaedah yang berfungsi di atas kertas dengan kaedah yang mampu bertahan apabila berhadapan dengan mesin fizikal. Strategi klasik yang bergantung pada pengukuran mesti bergelut dengan saluran bunyi yang sama yang memesongkan bacaan mereka. Oleh kerana QEWC memperoleh pemberat kepentingannya daripada geometri keadaan dan bukannya statistik pengukuran yang bising, ia dapat mengelak sebahagian daripada kerosakan tersebut. Hasilnya ialah lapisan pemeliharaan memori yang kekal stabil walaupun qubit di sekelilingnya tidak berfungsi dengan betul.

Bukti daripada Simulasi

Untuk mengesahkan rangka kerja tersebut, pasukan penyelidik menjalankan simulasi pada penanda aras pembelajaran berterusan yang standard. Model tersebut diminta untuk mempelajari tugasan seperti mengecam digit tulisan tangan dan mengkategorikan imej pakaian—satu persediaan yang mencerminkan pembahagian klasik MNIST dan Fashion-MNIST yang digunakan dalam bidang ini. Selepas latihan pada tugasan pertama, litar beralih ke tugasan kedua di bawah keadaan standard dan sekali lagi di bawah perlindungan QEWC.

Apabila latihan standard mengawal proses tersebut, tugasan kemudiannya merosakkan prestasi sebelumnya. Litar tersebut menunjukkan fenomena catastrophic forgetting (pelupusan katastrofik) yang teruk. Di bawah QEWC, keadaannya berubah. Parameter yang dilindungi mengekalkan geometri pengecaman digit mereka, manakala parameter bebas menyesuaikan diri dengan lengan baju, kasut, dan seluar. Jurang antara kedua-dua pendekatan tersebut adalah ketara. QEWC mengurangkan kehilangan memori secara mendadak berbanding protokol latihan biasa.

Mengapa Pembelajaran Berterusan Mengubah Segalanya

Pulangan jangka panjang di sini ialah pembelajaran berterusan tanpa perlu bermula semula. Pada masa ini, banyak saluran latihan kuantum secara berkesan bermula dari sifar apabila taburan tugasan berubah. Pendekatan itu membazirkan tenaga, masa, dan bajet koherens yang terhad pada perkakasan kuantum. Jika sistem kuantum dapat mengumpul pengetahuan seperti mana seorang jurutera manusia mengumpul kemahiran—menambah domain baharu tanpa memadamkan domain lama—kegunaan praktikal pembelajaran mesin kuantum akan berkembang secara drastik.

Komputer kuantum adalah mahal untuk diakses dan sukar untuk dikendalikan. Melatih semula dari sifar untuk setiap set data baharu adalah satu kemewahan yang tidak mampu ditanggung oleh mana-mana penggunaan komersial. QEWC menunjukkan hala tuju ke arah rejim di mana satu model kuantum berkembang, membawa pembelajarannya ke hadapan dan bukannya mengulang semula peringkat tadika dengan setiap tugasan baharu.

Apa yang Perlu Diperhatikan

Penyelidikan ini masih berakar umbi dalam simulasi, yang bermaksud ujian sebenar akan datang apabila QEWC dipindahkan ke perkakasan superkonduktor, ion terperangkap (trapped-ion), atau fotonik yang sebenar. Walau bagaimanapun, anjakan konseptual ini adalah jelas dan berguna. Dengan menggabungkan pemahaman geometri keadaan kuantum dengan keperluan praktikal pembelajaran mesin, kajian ini mencadangkan bahawa AI kuantum boleh mengatasi salah satu kekangan asasnya.

Catastrophic forgetting bukanlah cukai yang tidak dapat dielakkan dalam pembelajaran. QEWC menunjukkan bahawa kerangka matematik yang betul—dibina daripada Maklumat Fisher Kuantum (Quantum Fisher Information) dan bukannya pengukuran brute-force—boleh mengekalkan memori model kuantum dengan utuh sementara perhatiannya beralih ke arah lain.

Bagi mereka yang mengikuti persimpangan antara pengkomputeran kuantum dan kecerdasan buatan, ini adalah topik yang berbaloi untuk diikuti. Sertai perbincangan dan kekal dikemas kini tentang penyelidikan yang sedang muncul dalam komuniti GyaanSetu AI di https://t.me/GyaanSetuAi.