تحقیقات جدید نشان می‌دهد که هوش مصنوعی کوانتومی می‌تواند به درک نحوه تولید پاسخ‌ها توسط مدل‌های زبانی بزرگ (مانند ChatGPT) کمک کند. یکی از چالش‌های اصلی در توسعه هوش مصنوعی، تفسیرپذیری آن است. بسیاری از سیستم‌های هوش مصنوعی مانند "جعبه‌های سیاه" عمل می‌کنند، به این معنا که کاربران نمی‌توانند بفهمند که پاسخ های نادرست چگونه تولید میشود و چگونه می‌توان آن‌ها را اصلاح کرد. 

محققان شرکت Quantinuum به تازگی مدلی به نام QDisCoCirc را توسعه داده‌اند که با استفاده از تکنیک‌های هوش مصنوعی کوانتومی، می‌توانند مدل‌های کوانتومی را به‌صورت قابل تفسیر و مقیاس‌پذیر برای وظایف متنی آموزش دهند. این مدل به مفهوم "تفسیرپذیری ترکیبی" پرداخته و قادر است معانی قابل فهم انسانی را به اجزای مختلف مدل اختصاص دهد. این ویژگی کمک می‌کند تا ارتباط میان اجزا و نحوه تولید پاسخ‌ها شفاف‌تر شود، که این امر به ویژه در حوزه‌های حساس مانند بهداشت، مالی، داروسازی و امنیت سایبری اهمیت بالایی دارد. با توجه به افزایش نظارت‌های قانونی و دولتی بر روی هوش مصنوعی، تفسیرپذیری و شفافیت مدل‌های هوش مصنوعی از اهمیت بالایی برخوردار شده است. Quantinuum به کمک "عموم‌سازی ترکیبی"، موفق شده است که مدل‌ها را ابتدا بر روی رایانه‌های کلاسیک آموزش دهد و سپس نمونه‌های بزرگ‌تری را که رایانه‌های کلاسیک قادر به شبیه‌سازی آن‌ها نیستند، بر روی رایانه‌های کوانتومی آزمایش کند. این رویکرد باعث می‌شود تا فرایند یادگیری و تولید پاسخ‌ها برای کاربران شفاف‌تر شود.

محققان در مقاله‌ای که منتشر کرده‌اند، اشاره کرده‌اند که "ساختار ترکیبی به ما اجازه می‌دهد تا هر کلمه ای که مدل یاد میگیرد را بررسی و تفسیر کنیم." این بهبود در درک چگونگی عملکرد مدل‌ها به کاربران کمک می‌کند تا از توانایی‌های آن‌ها به‌طور مؤثرتری بهره‌برداری کنند. علاوه بر این، رویکرد جدید به چالش‌های آموزشی موجود در یادگیری ماشین کوانتومی نیز پرداخته و مشکل "فلات باریک" را دور می‌زند. این مشکل زمانی به وجود می‌آید که شیب مربوط به دقت پیش‌بینی‌های مدل به شدت کاهش یابد و پیدا کردن مسیر درست برای بهبود مدل دشوار شود.

در نهایت، محققان با استفاده از پردازشگر کوانتومی H1-1 Quantinuum، این تکنیک‌ها را آزمایش کرده و اولین اثبات مفهوم برای پیاده‌سازی QNLP ترکیبی مقیاس‌پذیر را ارائه داده‌اند. ایلیاس خان، مؤسس Quantinuum، به اهمیت این دستاوردها در زمینه هوش مصنوعی مسئولانه و شفاف اشاره کرده و ابراز امیدواری کرده که این تحقیقات به توسعه کاربردهای بهتر در حوزه‌های مختلف از جمله شیمی و امنیت سایبری کمک کند.

منبع خبر: AI Business