⚛️ quantum physics

Extrapolation method to optimize linear-ramp QAOA parameters: Evaluation of QAOA runtime scaling

تقترح هذه الورقة طريقة استقراء لتحسين المعلمتين الخاصتين بخوارزمية (linear-ramp QAOA)، مما يثبت أن هذا النهج يحقق مقياس زمن تشغيل متفوقاً مقارنة بالخوارزميات الكلاسيكية لمشكلات تحسين المحافظ الاستثمارية حتى ٢٨ كيوبت.

المؤلفون الأصليون: Vanessa Dehn, Martin Zaefferer, Gerhard Hellstern, Karthik Jayadevan, Florentin Reiter, Thomas Wellens

نُشر 2026-06-01

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Vanessa Dehn, Martin Zaefferer, Gerhard Hellstern, Karthik Jayadevan, Florentin Reiter, Thomas Wellens

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 ومعقد للغاية. لديك أداة جديدة عالية التقنية (حاسوب كمي) قد تكون قادرة على حل هذا اللغز بشكل أسرع من أفضل عقل بشري أو حاسوب خارق نملكه اليوم. لكن هناك عقبة: لكي تجعل هذه الأداة تعمل، عليك ضبط أزرارها بدقة تامة. إذا ضبطت الأزرار بشكل خاطئ، ستصبح الأداة عديمة الفائدة.

هذه الورقة البحثية تتحدث عن طريق مختصر ذكي لضبط تلك الأزرار دون الحاجة للقيام بالعمل الشاق المتمثل في اختبار كل إعداد من الصفر.

إليك تفصيل رحلتهم، مشروحاً ببساطة:

1. المشكلة: ضبط "الراديو الكمي"

الأداة التي يستخدمونها تسمى QAOA (خوارزمية التحسين التقريبي الكمي). فكر في QAOA كأنه راديو يحاول العثور على إشارة محددة وواضحة (أفضل حل لمشكلة ما) وسط الكثير من الضجيج.

الطريقة التقليدية: عادةً، لكي تصبح الإشارة واضحة، يتعين عليك تدوير عشرات الأزرار (المعلمات) واختبارها مراراً وتكراراً. ومع زيادة حجم اللغز، ينفجر عدد الأزرار، وتستغرق عملية الضبط وقتاً طويلاً جداً. الأمر يشبه محاولة ضبط راديو يحتوي على 100 زر يدوياً؛ لن تنتهي أبداً.
الفكرة الجديدة (المنحدر الخطي - Linear-Ramp): وجد الباحثون طريقة لتبسيط هذا الأمر. بدلاً من 100 زر، أدركوا أنهم يحتاجون فقط إلى ضبط إعدادين رئيسيين (لنسمهما "السرعة" و"الاتجاه") وإعداد واحد لـ "العمق" (مدة الاستماع). تسمى هذه الطريقة المنحدر الخطي. إنها تشبه امتلاك راديو به زر للصوت وقرص للضبط فقط، مما يجعل استخدامه أسهل بكثير.

2. الحل: خدعة "اللغز الصغير" (الاستقراء)

حتى مع وجود زرين فقط، فإن العثور على الإعداد المثالي للغز ضخم (مثلاً 28 قطعة) لا يزال أمراً صعباً. لا يمكنك مجرد التخمين.

ابتكر المؤلفون خدعة ذكية وهي: الاستقراء (Extrapolation).

التشبيه: تخيل أنك تريد معرفة السرعة التي ستصل إليها سيارة سباق على مضمار طوله 100 ميل. بدلاً من قيادة السيارة لمسافة 100 ميل كاملة (وهو أمر يستغرق وقتاً طويلاً ويستهلك الكثير من الوقود)، تقوم بقيادة السيارة في مقاطع طولها 4 أميال، و6 أميال، و8 أم miles. تقيس السرعة هناك.
التنبؤ: ثم ترسم خطاً يربط بين تلك السرعات وتمد الخط لتتنبأ بالسرعة على المسافة الكاملة البالغة 100 ميل.
في الورقة البحثية: قاموا بأخذ مشاكلهم الكبيرة والصعبة (تصل إلى 28 "بت" أو قطعة لغز) وقسموها إلى نسخ صغيرة وسهلة (4، 6، 8، أو 10 قطع). وجدوا إعدادات الأزرار المثالية لهذه النسخ الصغيرة. ثم استخدموا الرياضيات لـ "تمديد" تلك الإعدادات للأعلى للتنبؤ بالإعدادات المثالية لمشاكل الـ 28 قطعة الكبيرة.

3. الاختبار: هل يمكن للحاسوب الكمي أن يفوز؟

لقد اختبروا هذه الطريقة على أربعة أنواع مختلفة من الألغاز الواقعية:

تحسين المحفظة الاستثمارية (Portfolio Optimization): اختيار المزيج الأفضل من الأسهم لتحقيق أقصى قدر من الربح وتقليل المخاطر.
اختيار الميزات (Feature Selection): اختيار أهم نقاط البيانات لنموذج تعلم آلي.
التجميع (Clustering): تجميع العناصر المتشابهة معاً (مثل فرز كرات رخامية حمراء وزرقاء).
الحد الأقصى للقطع (MaxCut): تقسيم شبكة إلى مجموعتين بحيث تكون الروابط بين المجموعتين قوية قدر الإمكان.

قاموا بتشغيل هذه الألغاز على حاسوب كمي محاكى (نسخة مثالية خالية من الضجيج تعمل على حاسوب خارق) وقارنوا الوقت الذي استغرقه للوصول إلى الإجابة مقابل أفضل طرق الحاسوب التقليدي (الكلاسيكي).

4. النتائج: فوز للأسهم، ولكن ليس لكل شيء

إليك ما وجدوه:

لغز سوق الأسهم (تحسين المحفظة الاستثمارية): هنا حدث السحر. الطريقة الكمية، باستخدام خدعة التنبؤ بـ "اللغز الصغير"، أصبحت أسرع مع زيادة حجم المشكلة مقارنة بالطريقة التقليدية. لقد أظهرت ميزة محتملة. الأمر يشبه بدء السيارة الكمية في التفوق على السائق البشري كلما طال المسار.
الألغاز الأخرى: بالنسبة للأنواع الثلاثة الأخرى من المشكلات (اختيار البيانات، تجميع العناصر، وتقسيم الشبكات)، كانت الطريقة الكمية في الواقع أبطأ أو مساوية في البطء للطرق التقليدية. "خدعة التنبؤ" نجحت، لكن الأداة الكمية لم تهزم الأدوات البشرية في هذه الحالات المحددة.

5. الاختصار "العالمي"

لاحظ الباحثون أن إعدادات الأزرار "المثالية" للغز سوق الأسهم تتبع نمطاً بسيطاً. أدركوا أنهم ليسوا بحاجة حتى لحساب الإعدادات لكل لغز جديد. يمكنهم فقط استخدام صيغة عالمية (قاعدة واحدة تعمل للجميع).

عندما طبقوا هذه القاعدة العالمية، تحسن أداء الكم بشكل ملحوظ في الألغاز الثلاثة الأخرى، ليصبح في نفس مستوى الطرق التقليدية، وإن لم يتفوق عليها.

الخلاصة

يدعي المؤلفون ما يلي:

يمكنك تخطي العملية المكلفة والبطيئة لضبط حاسوب كمي للمشاكل الكبيرة عن طريق اختبار مشاكل صغيرة أولاً ثم التخمين الرياضي للباقي.
هذه الطريقة تعمل بشكل جيد بما يكفي لإظهار أنه، بالنسبة لـ تحسين المحفظة الاستثمارية، قد يتمكن الحاسوب الكمي في النهاية من حل هذه المشكلات بشكل أسرع من الحاسوب التقليدي مع تضخم حجم المشكلات.
بالنسبة للمشكلات الأخرى التي تم اختبارها، لم يفز الحاسوب الكمي بعد، لكن الطريقة جعلته منافساً.

ملاحظة هامة: يشدد المؤلفون على أن هذا مجرد محاكاة على حاسوب مثالي. لم يثبتوا بعد أن هذا يعمل على أجهزة كمية حقيقية مليئة بالضجيج، ولم يحلوا مشكلات أكبر من 28 قطعة. لكن خدعة التنبؤ "من الصغير إلى الكبير" تبدو طريقة واعدة لجعل الحواسيب الكمية مفيدة في المستقبل.

ملخص تقني: طريقة الاستقراء لتحسين معاملات خوارزمية QAOA ذات المنحدر الخطي

بيان المشكلة
تُعد خوارزمية التحسين التقريبي الكمي (QAOA) مرشحاً رائداً لحل مشكلات التحسين التوليفي، ومع ذلك، تواجه صيغتها التباينية القياسية تحديات كبيرة في القدرة على التوسع. تتطلب النهج القياسي تحسين عدد كبير من معاملات الدائرة ( $2p$ من المعاملات لعمق $p$ ) عبر روتين كلاسيكي، وهو أمر مكلف حاسوبياً وعرضة للوقوع في النهايات الصغرى المحلية. يعيق عائق التحسين هذا إمكانية إثبات المزايا المحتملة لزمن التشغيل الكمي. وبينما تقلل الجداول الزمنية الثابتة، مثل LR-QAOA (المنحدر الخطي)، مساحة المعاملات إلى معملين فقط ( $\Delta\gamma, \Delta\beta$ ) بالإضافة إلى العمق $p$ ، فإن إيجاد القيم المثلى لهذه المعاملات لأحجام المشكلات الكبيرة ( $N$ ) يظل مهمة غير بديهية.

المنهجية
يقترح المؤلفون طريقة لتحديد معاملات LR-QAOA المناسبة لأحجام المشكلات الكبيرة من خلال الاستقراء من عمليات التحسين التي تُجرى على مشكلات فرعية أصغر. تتكون المنهجية من ثلاثة مكونات رئيسية:

صياغة المشكلة: تمت صياغة أربع مشكلات تحسين توليفي كمسائل تحسين ثنائي غير مقيد تربيعي (QUBO): تحسين المحفظة الاستثمارية، اختيار الميزات، التجميع (باستخدام مجموعات بيانات Moons وBlobs)، وMaxCut الموزون.
المقارنة المرجعية الكلاسيكية: تم تقييم قياس زمن تشغيل الحلول الكلاسيكية (CPLEX، Gurobi، Goemans-Williamson، وMQLib/Burer2002). تم اختيار المنهج التجريبي MQLib/Burer2002 كمرجع كلاسيكي أساسي نظراً لزمن تشغيله المطلق المنخفض وسلوك القياس المتسق، متجنباً الأعباء الإضافية لحدود الأمثلية الموجودة في الحلول التجارية.
LR-QAOA ومخطط الاستقراء:
- نموذج المنحدر الخطي (Linear-Ramp Ansatz): بدلاً من التحسين التبايني، يتم أخذ عينات من المعاملات من نموذج خطي: $\gamma_j = \Delta\gamma x_j$ و $\beta_j = \Delta\beta(1-x_j)$ ، حيث $x_j$ هو متغير منحدر خطي.
- تحسين المشكلات الفرعية: بالنسبة لحجم المشكلة المستهدف $N$ (حتى 28 كيوبت)، يتم إنشاء نسخ فرعية عشوائية من أحجام أصغر ( $\tilde{N} \in \{4, 6, 8, 10\}$ ). يتم إجراء بحث شبكي (grid search) على هذه النسخ الصغيرة لإيجاد $\Delta\gamma$ و $\Delta\beta$ الأمثلين.
- الملاءمة والاستقراء: يتم ملاءمة المعاملات المثلى التي تم إيجادها لـ $\tilde{N}$ باستخدام دالة "سكيو غاوسيان" متعددة المتغيرات (multivariate skew Gaussian function) لتحديد مركز منطقة الاحتمالية العالية. ثم يتم استقراء هذه المراكز إلى الحجم المستهدف $N$ بافتراض علاقة خطية على مقياس لوغاريتمي-لوغاريتمي ( $\log(\text{parameter})$ مقابل $\log(N)$ ).
- تحسين العمق: يتم تحسين عمق QAOA ( $p$ ) لتقليل إجمالي زمن التشغيل الكمي، والذي يُعرف بأنه حاصل ضرب عمق الدائرة في متوسط عدد الطلبات (shots) المطلوبة لإيجاد الحل الأمثل ( $D = d \cdot N_{shots}$ ).
- القياس العالمي: لتحسين الاستقرار وتقليل القيم المتطرفة، اشتق المؤلفون قوانين قياس "عالمية" للمعاملات ( $f(N) = a \cdot N^b$ ) بناءً على البيانات المستقرأة، وتطبيق هذه القوانين الثابتة على جميع حالات فئة المشكلة المعطاة بدلاً من التحسين لكل حالة على حدة.

النتائج الرئيسية
تقيم الدراسة قياس زمن التشغيل الكمي (المعبر عنه بالعمق الإجمالي $D$ ) مقابل القياس الكلاسيكي على محاكي كمي خالٍ من الضجيج لأحجام مشكلات تصل إلى $N=28$ .

تحسين المحفظة الاستثمارية: أظهرت LR-QAOA بالمعاملات المستقرأة أس de $\alpha \approx 0.219$ (حيث $D \propto 2^{\alpha N}$ )، وهو أقل بكثير من المرجع الكلاسيكي (MQLib/Burer2002) الذي بلغ $\alpha_{cl} \approx 0.323$ . يشير هذا إلى ميزة قياس كمي محتملة.
اختيار الميزات، التجميع، وMaxCut: في البداية، أظهرت هذه المشكلات أسس قياس كمي أعلى من نظيراتها الكلاسيكية. ومع ذلك، عند تطبيق قياس المعاملات "العالمي" المستمد من بيانات الاستقراء، تحسن القياس الكمي بشكل كبير.
- بالنسبة لاختيار الميزات وMaxCut، حققت الـ QAO الكمية تساوياً مع المراجع الكلاسيكية ( $\alpha \approx 0.202$ مقابل $0.197 $و$ \alpha \approx 0.163 $مقابل$ 0.156$، على التوالي).
- بالنسبة للتجميع (Moons)، ظل المرجع الكلاسيكي ( $\alpha_{cl} \approx 0.051$ ) متفوقاً على النهج الكمي ( $\alpha \approx 0.163$ ).
الاستقرار: أدى استخدام المعاملات العالمية إلى تقليل حدوث القيم المتطرفة الشديدة (الحالات ذات الأعماق الكبيرة جداً) التي لوحظت عند تحديد المعاملات بشكل فردي لكل حالة.
سلوك الاحتمالية: بالنسبة لتحسين المحفظة الاستثمارية وMaxCut، ظلت احتمالية قياس الحل الأمثل ( $P_{opt}$ ) ثابتة أو زادت قليلاً مع $N$ ، بينما تدرج عمق الدائرة جبرياً. يشير هذا إلى إمكانية وجود قياس زمني متعدد الحدود لمتوسط زمن التشغيل لهذه الفئات المحددة من المشكلات.

الأهمية والادعاءات
يدعي البحث تقديم طريقة قابلة للتوسع لتحديد معاملات LR-QAOA دون الحاجة إلى تحسين تبايني مكلف للدوائر الكبيرة. من خلال الاستفادة من الاستقراء من المشكلات الفرعية الأصغر، أثبت المؤلفون ما يلي:

ميزة زمن التشغيل: لوحظت ميزة قياس كمي في "تحسين المحفظة الاستثمارية" مقارنة بالحلول الكلاسيكية التقريبية.
القدرة على التوسع: تسمح طريقة الاستقراء بتقدير المعاملات للأنظمة الأكبر ( $N=28$ ) بكفاءة بناءً على محاكاة أنظمة أصغر بكثير ( $N \le 10$ ).
القوانين العالمية: يشير تحديد قوانين القياس الجبري للمعاملات ( $\Delta\gamma, \Delta\beta, p$ ) إلى أنه يمكن تحديد هذه المعاملات بشكل مستقل عن حالات المشكلات المحددة، مما يحسن من قوة الخوارزمية.

يخلص المؤلفون بتواضع إلى أنه بينما تشير نتائجهم إلى إمكانية وجود حلول ذات زمن تشغيل متعدد الحدود لحالات معينة (كما يتضح من ثبات $P_{opt}$ والتدرج الجبري للعمق)، إلا أن هناك حاجة لمزيد من العمل للتحقق من هذه النتائج على أحجام مشكلات أكبر ( $N > 28$ ) وعلى أجهزة كمية قادرة على تحمل الخطأ (fault-tolerant). ويؤكدون أن عملهم يعالج الإمكانات العامة لـ LR-QAOA بافتراض إمكانية إيجاد المعاملات بكفاءة، بدلاً من حل تكلفة تحسين المعاملات نفسها كجزء من زمن التشغيل.