⚛️ quantum physics

Benchmarking Variational Quantum Algorithms for Combinatorial Optimization in Practice

تقوم هذه الورقة البحثية، من خلال التقييم الرقمي المرجعي للخوارزميات الكمومية التباينية لمسائل الأمثلة التوافقية في مشكلات الحد الأقصى للقطع (Max-Cut) تحت قيود موارد واقعية، بتحديد الحد الأدنى لحجم المسألة الذي تتفوق فيه هذه الخوارزميات باستمرار على أخذ العينات الكلاسيكي وتوصيف فجوة أدائها مقابل الخوارزميات الجشعة.

المؤلفون الأصليون: Tim Schwägerl, Yahui Chai, Tobias Hartung, Karl Jansen, Stefan Kühn

نُشر 2026-04-14

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Tim Schwägerl, Yahui Chai, Tobias Hartung, Karl Jansen, Stefan Kühn

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول حل لغز ضخم وفوضوي. لديك صندوق من القطع، وهدفك هو ترتيبها بحيث تبدو الصورة مثالية قدر الإمكان. هذا هو جوهر التحسين التوافقي (Combinatorial Optimization): العثور على أفضل ترتيب من بين عدد هائل من الاحتمالات.

لعقود من الزمن، استخدمنا حواسيب كلاسيكية قوية (مثل الحاسوب المحمول الذي تقرأ منه الآن) لحل هذه الألغاز. ولكن الآن، لدينا منافس جديد: الحواسيب الكمومية (Quantum Computers). هذه الآلات قوية للغاية ولكنها هشة جدًا و"مشوشة" (مثل راديو به تشويش). ولجعلها مفيدة الآن، يستخدم العلماء أداة خاصة تسمى الخوارزمية الكمومية التباينية (VQA). فكر في هذا كفريق "هجين": يحاول الحاسوب الكمومي تخمين الحل، بينما يعمل الحاسوب الكلاسيكي كمدرب، يخبر الحاسوب الكمومي: "حاول مرة أخرى، ولكن عدّل تخمينك بهذه الطريقة".

هذه الورقة البحثية، بعنوان "تقييم الخوارزميات الكمومية التباينية للتحسين التوافقي في الممارسة العملية"، تطرح سؤالاً عملياً للغاية: هل هذا الفريق الكمومي الهجين أفضل حقاً من مجرد التخمين أو استخدام قواعد بسيطة، بالنظر إلى أننا نملك فقط مقداراً محدوداً من الوقت والطاقة لتدريبهم؟

إليك تفصيل استقصائهم باستخدام تشبيهات بسيطة:

1. اللعبة: لغز "القطع الأقصى" (Max-Cut)

استخدم المؤلفون لغزاً معيناً يسمى Max-Cut. تخيل حفلة بها ضيوف (عُقد) وصداقات (حواف) بينهم. تريد تقسيم الضيوف إلى مجموعتين (الفريق الأحمر والفريق الأزرق) بحيث يكون عدد الصداقات بين المجموعتين هو الأعلى قدر الإمكان.

الهدف: تعظيم الصداقات "بين المجموعات".
التحدي: مع إضافة المزيد من الضيوف، ينفجر عدد الطرق الممكنة لتقسيمهم. يصبح من المستحيل فحص كل خيار.

2. المتسابقون الثلاثة

قارن الباحثون بين ثلاث طرق مختلفة لحل هذا اللغز، مع منحهم جميعاً نفس "الميزانية الحسابية" (الوقت والطاقة) تماماً:

المتسابق أ: المدرب الكمومي (VQE)
هذه هي الخوارزمية الهجينة المتطورة. تستخدم دائرة كمومية (آلة معقدة) لتوليد التخمينات. يقوم المدرب الكلاسيكي بتعديل إعدادات الآلة لتحسين التخمينات مراراً وتكرارًا.
- العقبة: الآلة "ضحلة" (بسيطة) لأن الحواسيب الكمومية الحالية مشوشة. الأمر يشبه محاولة تعلم رقصة معقدة عبر كاميرا فيديو معطلة؛ من الصعب الحصول على الحركات المثالية.
المتسابق ب: رامي السهام العشوائي (Sampling)
هذا المتسابق لا يفكر على الإطلاق. إنه يرمي السهام على اللوحة بشكل عشوائي، ويختار حلاً بمحض الصدفة تماماً.
- لماذا تم اختباره؟ لمعرفة ما إذا كان المدرب الكمومي يقوم بأي شيء ذكي، أم أنه مجرد "يخمن" مثل قرد يرمي السهام.
المتسابق ج: المتسلق الجشع (Greedy Algorithm)
هذا متسابق خوارزمي كلاسيكي. يبدأ من نقطة عشوائية ولا يتخذ خطوة إلا إذا كانت تلك الخطوة تجعل المشهد أفضل. يستمر في المشي صعوداً حتى لا يعود بإمكانه الصعود أعلى.
- العيب: قد يعلق على تلة صغيرة (نهاية صغرى محلية) ويفوت القمة الأعلى الموجودة في مكان قريب.

3. المفاجأة الكبرى: الحجم مهم

اختبر الباحثون هؤلاء المتسابقين على ألغاز ذات أحجام مختلفة (من 11 ضيفاً إلى 61 ضيفاً). إليكم ما وجدوه:

الألغاز الصغيرة (11–21 ضيفاً):
رامي السهام العشوائي فاز بالفعل! نظرًا لأن اللغز كان صغيرًا جدًا، كانت الخيارات قليلة لدرجة أن التخمين العشوائي كان كافيًا لإيجاد حل جيد. كان المدرب الكمومي في الواقع أبطأ وأسوأ من مجرد التخمين. لقد كان يبالغ في التفكير في مشكلة بسيطة.
- تشبيه: الأمر يشبه استخدام حاسوب خارق للعثور على إبرة في كومة قش، بينما كومة القش هي في الواقع مجرد جورب واحد. يمكنك ببساطة العثور على الجورب بعينيك.
الألغاز المتوسطة (31+ ضيفاً):
فجأة، بدأ المدرب الكمومي في التألق. مع زيادة حجم اللغز، بدأ "رامي السهام العشوائي" في الفشل لأن كومة القش أصبحت جبلاً من القش. أما المدرب الكمومي، بفضل قدرته على استكشاف مساحة الحل بطريقة فريدة، فقد بدأ في إيجاد حلول أفضل من التخمين العشوائي.
المتسلق الجشع مقابل المدرب الكمومي:
كان المتسلق الجشع سريعاً جداً في البداية. تسلق أول تلة رآها وتوقف. أما المدرب الكمومي، فقد كان أبطأ في البتبدية (كان عليه أن "يسخن" ويتعلم)، ولكنه تمكن في النهاية من القفز فوق التلال الصغيرة ليجد قمة أعلى فات المتسلق الجشع.
- التحول: ومع ذلك، فإن الميزة التي امتلكها المدرب الكمومي على المتسلق الجريح أصبحت أصغر مع كبر حجم اللغز. لقد كان المتسلق الجريح جيداً بشكل مفاجئ في إيجاد حلول "جيدة بما يكفي" بسرعة.

4. اختبار "نفس نقطة البداية"

أحد أروع أجزاء الدراسة كان كيفية مقارنة المدرب الكمومي والمتسلق الجشع. عادةً، يتم مقارنتهما من أماكن مختلفة. لكن هنا، أجبروهما على البدء من نفس التخمين الأولي تماماً.

النتيجة: وجدوا أن "نقطة البداية الجيدة" للمدرب الكمومي لم تكن بالضرورة نقطة بداية جيدة للمتسلق الجريح.
تشبيه: تخيل اثنين من المتسلقين يبدآن من نفس موقع التخييم. أحدهما لديه خريطة (الكمومي) والآخر يتبع فقط المسار الأكثر انحداراً (الجشع). حقيقة أنهما يبدآن من نفس المكان لا تعني بالضرما أنه سينتهي بهما المطاف عند نفس القمة. مسار المتسلق الكمومي مختلف جوهرياً.

5. الخلاصة: لا تنجرف وراء الضجيج الإعلامي، كن واقعياً

الرسالة الرئيسية لهذه الورقة هي "واقعية" لعالم الحوسبة الكمومية.

لا تتوقع المعجزات للمشاكل الصغيرة: إذا حاولت استخدام حاسوب كمومي حالي لحل مشكلة تحسين صغيرة، فإن التخمين العشوائي البسيط أو الحاسوب الكلاسيكي سيتفوقان عليك على الأرجح. يحتاج الحاسوب الكمومي إلى مشكلة كبيرة ليظهر قيمته.
"تكلفة التدريب" حقيقية: تدريب هذه الخوارزميات الكمومية يتطلب الكثير من الموارد. تُظهر الورقة أنه لكي تتفوق الخوارزمية الكمومية على التخمين العشوائي البسيط، يجب أن تكون المشكلة كبيرة بما يكفي (حوالي 30 متغيراً فأكثر) لتبرير الجهد.
المعايير يجب أن تكون عادلة: لا يمكننا فقط أن نقول "وجد الكمومي حلاً!"، بل يجب أن نسأل: "هل وجد حلاً أفضل من التخمين العشوائي أو قاعدة بسيطة، بالنظر إلى نفس القدر من الوقت؟"

باختملال:
الحواسيب الكمومية تشبه سيارة رياضية جديدة وعالية التقنية. في الوقت الحالي، إذا حاولت قيادتها في موقف سيارات صغير (مشاكل صغيرة)، فإن دراجة (التخمين العشوائي) أو سيارة سيدان عادية (الخوارزمية الجشعة) قد توصلك إلى وجهتك بشكل أسرع وأكثر موثوقية. ولكن بمجرد خروجك إلى الطريق السريع المفتوح (مشاكل كبيرة ومعقدة)، فإن هذه السيارة الرياضية لديها القدرة على ترك الجميع خلفها. هذه الورقة هي تقرير "تجربة القيادة" الذي يخبرنا بالضبط مدى كبر حجم الطريق السريع قبل أن تصبح السيارة تستحق الشراء.

إليك ملخص تقني مفصل لورقة البحث بعنوان "تقييم أداء الخوارزميات الكمومية التباينية للمسائل التوافقية في الممارسة العملية".

1. بيان المشكلة

تتناول الورقة الفعالية العملية للخوارزميات الكمومية التباينية (VQAs)، وتحديداً خوارزمية المحلل الذاتي الكمومي التبايني (VQE)، لحل مسائل التحسين التوافقي (CO) على الأجهزة الكمومية الحالية ذات المقياس المتوسط المليئة بالضجيج (NISQ).

السياق: في حين أن الخوارزميات الكمومية التباينية واعدة نظرياً في مجال التحسين التوافقي، إلا أنها غالباً ما تعاني من مشكلات "الهضاب القاحلة" (Barren Plateaus) والوقوع في النهايات الصغرى المحلية السيئة، مما يتطلب موارد (عينات/تكرارات) تتوسع بشكل فوق متعدد الحدود مع حجم المسألة.
الفجوة: العديد من الاختبارات المرجعية الحالية هي مجرد تجارب "إثبات مبدأ" لا تأخذ في الاعتبار قيود الموارد الواقعية أو تقارن الخوارزميات الكمومية التباينية بنماذج مرجعية كلاسيكية قوية بما يكفي.
الهدف: الاستقصاء عددياً لما يعنيه التوسع فوق متعدد الحدود لموارد التدريب في الممارسة العملية. يهدف المؤلفون إلى تحديد الحد الأدنى لحجم المسألة الذي يمكن عنده لخوارزمية VQE ضحلة العمق أن تتفوق باستمرار على النماذج المرجعية الكلاسيكية (أخذ العينات العشوائية والبحث الجشع) في ظل ميزانية حوسبة ثابتة.

2. المنهجية

أ. المسألة المرجعية: Max-Cut (القطع الأقصى)

استخدم المؤلفون مسألة Max-Cut على رسوم بيانية ثلاثية الانتظام كمسألة مرجعية.

توليد الحالات: قاموا بتوليد 25 حالة لكل حجم مسألة $N \in \{11, 21, 31, 41, 51, 61\}$ .
التطبيع (Normalization): لضمان مقارنة عادلة عبر مختلف مقاييس الرسم البياني، تم تطبيع دالة الهدف بالنسبة للحل الذي توفره خوارزمية Goemans-Williamson (GW) (أفضل تقريب كلاسيكي معروف).
الحلول المثلى: تم الحصول على الحلول المثلى الدقيقة باستخدام برنامج Gurobi لحساب نسبة التقريب الحقيقية.

ب. الخوارزميات المقارنة

تقارن الدراسة ثلاث خوارزميات بناءً على عدد تقييمات دالة الهدف ( $N_{evals}$ ):

المحلل الذاتي الكمومي التبايني (VQE):
- الدائرة (Circuit): "أنزات" (Ansatz) ضحل وفعال من حيث الأجهزة، يتكون من طبقة واحدة من دورات دوران $RY$ المعلمية تليها نمط "جدار الطوب" من بوابات التشابك CNOT.
- دالة التكلفة: تستخدم القيمة المشروطة عند الخطر (CVaR) مع $\gamma=0.1$ للتركيز على ذيل التوزيع (قيم دالة الهدف العالية) بدلاً من المتوسط.
- المُحسِّن (Optimizer): خوارزمية COBYLA الخالية من التدرج.
- القيود: محدودة بـ $N_{evals} = 10^6$ إجمالي التقييمات ( $N_{iter} \times N_{shots} = 1000 \times 1000$ ).
أخذ العينات مع الاستبدال:
- نموذج مرجعي كلاسيكي يقوم بأخذ عينات موحدة من حالات القاعدة الحسابية عشوائياً. هذا يختبر ما إذا كانت خوارزمية VQE مجرد "تخمين" أفضل من الصدفة العشوائية.
الخوارزمية الجشعة (Greedy Algorithm):
- منهج استدلالي كلاسيكي يبدأ من حالة محددة ويقوم بقلب البتات تكرارياً لتعظيم دالة الهدف حتى يصل إلى نهاية عظمى محلية.
- ضبط دقيق: يتم تهيئة الخوارزمية الجشعة بنفس حالة القاعدة الحسابية التي تم إنتاجها بواسطة معاملات VQE الأولية. هذا يسمح بمقارنة مباشرة لكيفية أداء "النقطة الأولية" لـ VQE مقابل مدى جودة عملية تحسين تلك النقطة.

ج. مقاييس الأداء

نسبة التقريب ( $\alpha$ ): النسبة بين الحل الموجود والحل الأمثل.
احتمالية النجاح: احتمال إيجاد الحل الأمثل الدقيق (ذات صلة فقط بـ $N$ الصغيرة).
الإحصاءات المجمعة (Binned Statistics): بدلاً من مجرد مقارنة المتوسطات، يحلل المؤلفون الارتباط في الأداء حسب الحالة. يقومون بتجميع الحالات بناءً على أداء VQE ويتحققون من كيفية أداء النماذج المرجعية في نفس تلك الحالات المحددة.

3. النتائج الرئيسية

أ. المقارنة مع أخذ العينات العشوائي

المسائل الصغيرة ( $N \le 21$ ): تؤدي VQE أداءً أسوأ من أخذ العينات العشوائية. بالنسبة لـ $N=11$ ، تكون نسبة التقريب العالية لـ VQE مضللة لأن أخذ العينات العشوائي يجد أيضاً حلولاً قريبة من المثالية بسبب صغر مساحة الحلول ( $2^{11}$ ).
العتبة: تبدأ VQE فقط في التفوق باستمرار على أخذ العينات العشوائي لأحجام المسائل $N > 30$ .
التوسع: مع زيادة $N$ ، تنمو ميزة VFE على أخذ العينات. عند $N=61$ ، تحقق VQE ميزة متوسطة في نسبة التقريب قدرها $\approx 0.11$ عن أخذ العينات، بينما يتدهور أداء أخذ العينات أسياً.

ب. المقارنة مع الخوارزمية الجشعة

التقارب المبكر: تتقارب الخوارزمية الجشعة بسرعة كبيرة نحو نهاية عظمى محلية، وغالباً ما تتفوق على التكرارات المبكرة لـ VQE.
نقطة التقاطع: تلحق VFE بـ الخوارزمية الجشعة وتتجاوزها في النهاية، لكن عدد التكرارات المطلوبة يزديد مع حجم المسألة (من $\approx 100$ تكرار لـ $N=31$ إلى $\approx 600$ تكرار لـ $N=61$ ).
تناقص العوائد: بينما تتفوق VFE على الخوارزمية الجشعة لـ $N > 30$ $N > 30$ ، فإن مقدار الميزة يتناقص مع زيادة حجم المسألة.
- عند $N=31$ ، تكون VFE أفضل في $\approx 75\%$ من الحالات (متوسط الفرق $\approx 0.025$ ).
- عند $N=61$ ، تكون VFE أفضل في $\approx 60\%$ من الحالات (متوسط الفرق $\approx 0.005$ ).
الاستنتاج: بالنسبة لـ $N \le 21$ ، يؤدي كل من VFE والخوارزميات الجشعة أداءً أسوأ من أخذ العينات العشوائية البسيط.

ج. تحليل الارتباط (صعوبة الحالة)

VFE مقابل أخذ العينات: يوجد ارتباط إيجابي طفيف. الحالات التي تعتبر "سهلة" لأخذ العينات العشوائي هي أيضاً عموماً "سهلة" لـ VFE.
VFE مقابل الخوارزامية الجشعة: لا يوجد ارتباط. أداء الخوارزمية الجشعة مستقل إلى حد كبير عن أداء VFE في حالة معينة.
الدلالة: يشير هذا إلى أن الآليات التي تقود نجاح VFE (التداخل الكمومي/التشابك) والخوارزمية الجشعة (صعود التدرج المحلي) مختلفة جوهرياً. النقطة الأولية "الجيدة" للخوارزمية الجشعة ليست بالضرية نقطة أولية "جيدة" لـ VFE.

4. المساهمات الرئيسية

التقييم المرجعي الواعي بالموارد: تتجاوز الدراسة مرحلة "إثبات المبدأ" من خلال فرض حد صارم وواقعي لموارد الحوسبة ( $10^6$ تقييم) ومقارنة الخوارزميات الكمومية التباينية بنماذج مرجعية كلاسيكية قوية (أخذ العينات والبحث الجشع) تحت نفس القيود.
تحديد نظام "العبور" (Crossover): يحدد المؤلفون أنه بالنسبة للنماذج الضحلة، هناك نظام محدد ( $N \approx 30$ ) حيث تبدأ الخوارزميات الكمومية في تقديم ميزة عملية على أخذ العينات العشوائية، لكنها تكافح للتفوق على المنهجيات الكلاسيكية المحسنة (الجشعة) بشكل ملحوظ حتى أحجام أكبر بكثير.
فك الارتباط بين التهيئة والتحسين: من خلال إجبار الخوارزمية الجشعة على البدء من نفس حالة VFE، توضح الورقة أن قدرة VFE على إيجاد نقطة بداية جيدة ليست هي المصدر الأساسي لميزتها؛ بل تأتي الميزة من عملية التحسين نفسها، والتي تختلف عن البحث المحلي.
الدقة الإحصائية: يوفر استخدام الإحصاءات المجمعة وفترات درجة ويلسون (Wilson score intervals) رؤية أكثر دقة لأداء الخوارزمية من مجرد مقارنة متوسطات نسب التقريب، مما يسلط الضوء على التوزيع غير الطبيعي لنتائج VFE.

5. الأهمية والآفاق المستقبلية

توقعات واقعية: تحذر الورقة من أنه بالنسبة للحالات الصغيرة إلى المتوسطة ( $N < 30$ )، لا تقدم الخوارزميات الكمومية التباينية الضحلة الحالية أي ميزة عملية على الطرق الكلاسيكية، بما في ذلك أخذ العينات العشوائية البسيط. الادعاءات بوجود تفوق كمي في هذا النظام قد تكون ناتجة عن نماذج مرجعية كلاسيكية غير كافية.
المسار المستقبلي: لإثبات تفوق ذي معنى، يجب أن تستهدف الاختبارات المرجعية المستقبلية أحجام مسائل أكبر ( $N > 30$ ) حيث يقلل التوسع الأسي لمساحة الحل من فعالية أخذ العينات العشوائي الكلاسيكي.
تطوير الخوارزميات: يشير تناقص ميزة VFE على الخوارزمية الجشعة مع زيادة $N$ إلى أن الـ "أنزات" (ansätze) الضحلة الحالية قد لا تكون كافية للمسائل التوافقية واسعة النطاق. من المرجح أن تكون الدوائر الأكثر تعقيداً أو استراتيجيات التهيئة الأفضل (مثل البداية الدافئة/warm starts) مطلوبة.
التوسع في الفيزياء: يقترح المؤلفون توسيع هذه الاختبارات المرجعية لتشمل المسائل الفيزيائية (مثل قياس الملاحظات) حيث ستكون النماذج المرجعية الكلاسيكية مثل مونت كارلو لسلسلة ماركوف (MCMC) هي المقارنة المناسبة، بدلاً من أخذ العينات البسيط.

باختصار، تقدم الورقة تقييماً مرجعياً صارماً ومقيداً بالموارد يظهر أنه بينما يمكن لـ VFE الضحلة التفوق على أخذ العينات العشوائي للمسائل الكبيرة بما يكفي، إلا أنها تكافح حالياً للتفوق بشكل ملحوظ على المنهجيات الجشعة الكلاسيكية، مما يسلط الض الضوء على الحاجة إلى خوارزميات وأجهزة أكثر تقدماً لتحقيق تفوق كمي عملي في التحسين التوافقي.