Quantum Spectral Clustering Framework via Compact Circuit Structures

ملخص تقني: إطار التجميع الطيفي الكمي عبر هياكل الدوائر المدمجة

بيان المشكلة
تعد أساليب التعلم الطيفي، القائمة على نظرية المخططات الطيفية، أدوات قوية للتجميع وتعلم المتشعبات (manifold learning). ومع ذلك، فإن تطبيقها العملي يعوقه التكاليف الحسابية العالية؛ حيث يتطلب بناء مصفوفة النواة (المجاور) لـ $M$ من العينات زمنًا قدره $O(M^2)$، بينما تتطلب حل المسألة الطيفية المرتبطة بها بدقة تكلفة قدرها $O(M^3)$. وبينما توجد طرق تقريب كلاسيكية (مثل Nyström، وRandom Fourier Features، وLanczos)، إلا أنها لا تزال تتطلب غالبًا الوصول الصريح إلى مصفوفات النواة الجزئية أو الكاملة. وفي سياق التعلم الآلي الكمي، حيث يتم تقدير مدخلات النواة عبر روتينيات كمية فرعية (مثل اختبارات SWAP) بدلاً من قراءتها مباشرة، يصبح الوصول إلى المدخلات الفردية مكلفًا للغاية، حيث يتوسع كـ $O(\epsilon^{-2}M^4)$ لتقدير المصفوفة الكاملة. وقد حدد المؤلفون فجوة في تنفيذ التجميع الطيفي بكفاءة باستخدام النوى الكمية دون الحاجة لبناء مصفوفة النواة أو تقدير مدخلاتها الفردية.

المنهجية
يقترح البحث إطارًا تباينيًا (variational framework) للتجميع الطيفي يتجاوز بناء مصفوفة النواة تمامًا. وبدلاً من ذلك، يقوم بتقدير الكميات اللازمة مباشرة من خلال صيغ تربيعية مجمعة عبر دوائر كمية مدمجة.

1. دالة الهدف: صاغ المؤلفون دالة نسبة رايلي المعيرة (normalized Rayleigh-quotient) المستمدة من لابلاسيان المخطط المتماثل ($L_{sym}$). والهدف هو تعظيم:
   $$J(\alpha) = \frac{\alpha^\dagger A \alpha - \xi \alpha^\dagger D \mathbf{1}\mathbf{1}^\dagger D \alpha}{\alpha^\dagger D \alpha}$$
   حيث $A$ هي مصفوفة التجاور، و$D$ هي مصفوفة الدرجة، و$\mathbf{1}$ هو متجه الواحدات، و$\xi > 0$ هو معامل الجزاء. تتضمن البسط حد جزاء مصمم لتثبيط المتجه الذاتي البديهي (المتجه الثابت)، مما يضمن حلول تجميع غير بديهية.

2. تصميم الدائرة الكمية: يستخدم الإطار ثلاثة مُقدِّرات كمية محددة لتقييم حدود دالة الهدف دون بناء المصفوفة:

   • $q_a(\alpha)$: يقدر الصيغة التربيعية للتجاور ($\alpha^\dagger A \alpha$).
   • $q_d(\alpha)$: يقدر الصيغة التربيعية الموزونة بالدرجة ($\alpha^\dagger D \alpha$).
   • $q_p(\alpha)$: يقدر حد جزاء مسقط الإسقاط ($\alpha^\dagger D \mathbf{1}\mathbf{1}^\dagger D \alpha$).

   تعتمد هذه المُقدِّرات على وحدة تضمين البيانات $U_{\phi, D}$ التي تجهز تراكبًا مفهرسًا لنقاط البيانات، وحالة وزن قابلة للتدريب $|\alpha_\theta\rangle$ على سجل الفهرس. وتستخدم الدوائر روتينات شبيهة باختبار SWAP لحساب قيم الوفاء (Fidelity/التشابه) بين الحالات الكمية.

3. الاستدلال (الاختبار): بالنسبة لنقاط البيانات غير المرئية $\hat{x}$، تُعرف دالة تسجيل بناءً على طور التداخل بين حالة الاختبار وحالة الوزن المدربة. يتم استخراج الطور $\hat{\phi}(\hat{x}, \hat{\alpha})$ عبر دوائر التداخل (قياس الكيوبتات المساعدة في قواعد $\sigma_x$ و $\sigma_y$) ويُستخدم لتعيين تسميات المجموعات عبر العتبة (thresholding) أو التجميع الدائري.

4. سير عمل التدريب: يتم تحسين بارامترات حالة الوزن $|\alpha_\theta\rangle$ باستخدام محسن كلاسيكي (الاشتقاق المتدرج/gradient descent) مسترشدًا بالمُقدِّرات الكمية. ويتم حساب التدرج باستخدام قاعدة إزاحة البارامتر (parameter-shift rule).

المساهمات الرئيسية

• هياكل الدوائر المدمجة: قدم المؤلفون عائلة من الدوائر الكمية التي تقدر مكونات نسبة رايلي مباشرة. يتجنب هذا النهج بناء مصفوفة النواة الكاملة أو الجزئية وتقدير مدخلات النواة الفردية، وهي العوائق التي تواجه طرق النواة الكمية الأخرى.
• تحليل دقيق لتعقيد عدد الضربات (Shot Complexity): يوضح التحليل النظري أن تعقيد أخذ العينات لـ حد الجزاء ($q_p$) هو أمر قابل للتطبيق. وخلافًا للحدس الذي يشير إلى أن حد الجزاء ذو المقدار الأصغر قد يتطلب عددًا أكبر من الضربات (shots)، فقد أثبت المؤلفون باستخدام متباينات التركيز أن عدد الضربات المطلوب ينمو بحد أقصى بشكل شبه متعدد الحدود (quasi-polynomially) بالنسبة لاحتمالية الفشل. وهذا يؤكد أن مُقدِّر الجزاء لا يهيمن على ميزانية أخذ العينات الإجمالية.
• سير عمل موحد للتدريب والاختبار: يوفر الإطار خط إنتاج كامل بدءًا من التحسين التبايني وصولاً إلى الاستدلال على بيانات غير مرئية باستخدام آلية تسجيل قائمة على الطور.

النتائج
تحقق المؤلفون من صحة الإطار باستخدام محاكاة كمية خالية من الضجيج على مجموعات بيانات معيارية:

• مجموعات البيانات: مجموعة بيانات Iris (تجميع ثنائي لـ Setosa مقابل Versicolor/Virginica) ومجموعة بيانات MNIST (تجميع ثنائي للأرقام '0' و '1'، المختزلة إلى 4 أبعاد عبر PCA).
• الأداء:
  • Iris: باستخدام دائرة ضحلة نسبيًا (4 طبقات، 24 بارامتر)، حقق النموذج متوسط دقة اختبار بلغت 98.7%. أدى زيادة الطبقات إلى 6 أو أكثر إلى استقرار الدقة عند $\ge 99.8\%$.
  • MNIST: بدأ الأداء الموثوق عند 6 طبقات، واستقر عند متوسط دقة 97.2% عند 8 طبقات أو أكثر.
• سلوك الضربات المحدودة (Finite-Shot Behavior): أكدت المحاكاة أن مُقدِّر الجزاء يعمل كما هو متوقع؛ حيث تقارب المتوسط العيني لحد الجزاء بسرعة نحو الصفر، وانكمش التباين تبعًا لذلك. والأهم من ذلك، أمكن تقدير حد الجزاء بشكل موثوق بعدد قليل نسبيًا من الضربات (على سبيل المثال، 256–1024)، وهو ما يتفق مع التحليل النظري بأن حد الجزاء لا يتطلب ميزانية ضربات أكبر بكثير من الحدود الأخرى.

الأهمية والادعاءات
يضع هذا البحث عمله كـ "إثبات مفهوم" لإطار عمل تجميع طيفي يتوافق مع الدوائر الكمية الكفؤة من حيث الهيكل (hardware-efficient). وتكمن الأهمية الأساسية في:

1. تجنب اختناقات مصفوفة النواة: من خلال العمل على الصيغ التربيعية المجمعة، يتجنب الأسلوب التكاليف المرتبطة بـ $O(M^2)$ أو $O(M^4)$ المرتبطة بتقدير مدخلات النواة الفردية في السياقات الكمية.
2. تخفيف عدم التوازن في القياس: يظهر التحليل الصارم أن حد الجزاء، الذي غالبًا ما يكون مصدرًا لعدم الاستقرار العددي أو ارتفاع تكلفة أخذ العينات، يمكن تقديره بكفاءة، مما يجعل الهدف التبايني عمليًا.
3. سياق التعلم غير الخاضع للإشراف: يشير المؤلفون إلى أنه بينما تُدرس طرق النواة الكمية جيدًا في التعلم الخاضع للإشراف، فإن تطبيقها في التجميع الطيفي غير الخاضع للإشراف أقل استكشافًا. يربط هذا العمل بين نظرية المخططات الطيفية والخوارزميات الكمية التباينية في هذا المجال المحدد.

يظل المؤلفون متواضعين فيما يتعلق بالادعاءات الأوسع، حيث ذكروا صراحة أنهم لا يتناولون ما إذا كانت نواة الوفاء الكمية (quantum fidelity kernel) توفر ميزة كمية فوق النوى الكلاسيكية للمهام العامة. بدلاً من ذلك، ينصب التركيز على توفير تنفيذ فعال بافتراض أن النواة الكمية هي مقياس التشابه المختار. ويقترحون أن العمل المستقبلي يمكن أن يوسع نهج تحليل الجزاء هذا إلى خوارزميات تباينية أخرى ذات حدود جزاء (مثل مسائل QUBO) ويستقصي الخصائص النظرية للترميز الكمي في سياقات غير خاضعة للإشراف.