💥هشتمین روز آموزش پلی‌هک؛ یادگیری گراف کوانتومی💥

در دو بخش صبح هشتمین روز پلی‌هک، آقای دکتر مهدیان به همراه خانم زهرا موسوی و آقای علی باباپور، به بررسی همگرایی محاسبات کوانتومی، یادگیری ماشین و بهینه‌سازی می‌پردازند و شبکه‌های عصبی گرافی (GNN) و شبکه‌های عصبی گرافی کوانتومی (QGNN) را به‌عنوان چارچوب‌هایی قدرتمند برای یادگیری از داده‌های ساختاریافته‌ی گراف و حل مسائل پیچیده‌ی بهینه‌سازی معرفی می‌کنند. در این ارائه، نشان داده می‌شود که چگونه QGNNها با نمایش گره‌های گراف به‌صورت کیوبیت و بهره‌گیری از مدارهای کوانتومی پارامتری، گیت‌های کوانتومی، مدل‌سازی دینامیک سیستم‌های کوانتومی و یادگیری روابط پیچیده را امکان‌پذیر می‌سازند. همچنین، یادگیری همیلتونی به‌عنوان یکی از مهم‌ترین کاربردهای QGNNها معرفی می‌شود که با استفاده از داده‌های اندازه‌گیری‌شده، پارامترهای همیلتونی سیستم‌های کوانتومی را بازسازی می‌کند و در حوزه‌هایی مانند شیمی کوانتومی، فیزیک ماده چگال و شبکه‌های ارتباطات کوانتومی کاربرد دارد. در ادامه، الگوریتم تقریبی بهینه‌سازی کوانتومی (QAOA) معرفی شده و رویکردهای کلاسیک مبتنی بر یادگیری و الگوریتم‌های کوانتومی از منظر توانمندی‌ها، چالش‌ها و چشم‌اندازهای آینده برای حل مسائل بهینه‌سازی مقیاس‌پذیر با یکدیگر مقایسه می‌شوند.

در سال‌های اخیر، یادگیری روی گراف‌ها به یکی از مهم‌ترین حوزه‌های یادگیری ماشین برای تحلیل داده‌های ساختاریافته تبدیل شده است و کاربردهای گسترده‌ای در شبکه‌های اجتماعی، زیست‌شناسی، شیمی، سامانه‌های توصیه‌گر و بهینه‌سازی یافته است. در اولین بخش عصر، خانم دکتر شایگانفر، ارائه خود را با معرفی مفاهیم پایه‌ای داده‌های گرافی، انواع شبکه‌ها و مسائل کلاسیک یادگیری ماشین روی گراف آغاز می‌کنند و سپس وظایف یادگیری در سطوح گره، یال و زیرگراف، روش‌های نمایش گراف، ویژگی‌های گراف و کرنل‌های گراف را بررسی می‌نمایند. در ادامه، چارچوب کلی شبکه‌های عصبی گرافی، به‌عنوان یکی از قدرتمندترین روش‌های یادگیری نمایش روی گراف‌ها معرفی شده و مزایای آن نسبت به رویکردهای سنتی مورد بحث قرار می‌گیرد. در پایان، با معرفی یادگیری گراف کوانتومی، مسیر گذار از روش‌های کلاسیک به رویکردهای مبتنی بر محاسبات کوانتومی بررسی می‌شود و ظرفیت‌های این فناوری نوظهور برای حل مسائل پیچیده و مقیاس‌پذیر در یادگیری ماشین و بهینه‌سازی مورد توجه قرار می‌گیرد.

ارائه بخش دوم عصر، به یادگیری ژرف کوانتومی ترکیبی اختصاص دارد که یکی از نویدبخش‌ترین رویکردهای هوش مصنوعی در عصر محاسبات کوانتومی است و با ترکیب شبکه‌های عصبی کلاسیک و مدارهای کوانتومی پارامتری، امکان بهره‌گیری از توان محاسباتی هر دو جهان را فراهم می‌کند. آقای دکتر لاریجانی به همراه تیم دانشجویی محترم خود به معرفی مفاهیم بنیادی معماری‌های ترکیبی کلاسیک-کوانتومی، روش‌های آموزش این مدل‌ها و مزایا و چالش‌های آن‌ها در سخت‌افزارهای کوانتومی امروزی می‌پردازند. همچنین، کاربردهای این رویکرد در حوزه‌هایی نظیر بینایی ماشین، پردازش زبان‌های طبیعی و رمزنگاری بررسی شده و نمونه‌هایی از پیاده‌سازی این مدل‌ها ارائه خواهد شد.
به طور کلی، سخنرانی آقای دکتر لاریجانی  مرور روش کرنل کوانتومی، محاسبات کوانتومی وردشی، نظریه Mercer، بارگذاری داده، و یادگیری hierarchical برای بارگذاری داده ها را در بر خواهد گرفت‌. به طور ویژه، ایشان ابتدا مروری بر محاسبات کوانتومی و نظریه Mercer خواهند داشت. سپس، یادگیری انتقالی را آموزش خواهند داد. در مرحله بعدی، یادگیری انتقالی کوانتومی و کاربردهای آن بررسی خواهد شد و در آخر، روش یادگیری hierarchical برای بارگذاری داده معرفی خواهد شد. بخش نهایی سخنرانی آقای دکتر لاریجانی، به مرور پژوهش های پیشین و آینده ایشان اختصاص خواهد داشت.
پس از سخنرانی آقای دکتر لاریجانی، تیم دانشجویی محترم ایشان به پیاده سازی مطالب آموزش داده شده خواهند پرداخت.
در ابتدا، آقای مهدی نصیری، یادگیری انتقالی کلاسیک-کوانتومی هیبریدی را پیاده سازی خواهند کرد. سپس، آقای طاها حسین پور، روش کدنویسی یادگیری hierarchical برای بارگذاری داده را بررسی خواهند نمود.

💫با پلی‌هک همراه باشید.