⚛️ quantum physics

TQml Simulator: optimized simulation of quantum machine learning

يقدم البحث TQml Simulator، وهو محاكي عددي عالي السرعة لتعلم الآلة الكمي يقوم باختيار تقنية المحاكاة الأكثر كفاءة لكل طبقة من طبقات الدائرة ديناميكيًا بناءً على عدد الكيوبتات والأجهزة، محققًا مكاسب في الأداء تصل إلى 10 أضعاف مقارنة بمحاكي Pennylane الافتراضي.

المؤلفون الأصليون: Viacheslav Kuzmin, Basil Kyriacou, Tatjana Protasevich, Mateusz Papierz, Mo Kordzanganeh, Alexey Melnikov

نُشر 2026-02-18

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Viacheslav Kuzmin, Basil Kyriacou, Tatjana Protasevich, Mateusz Papierz, Mo Kordzanganeh, Alexey Melnikov

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 محاكاة رقصة معقدة على جهاز كمبيوتر. في عالم التعلم الآلي الكمي (QML)، هذه "الرقصة" هي عبارة عن دارة كمية حيث تتحرك البيانات عبر سلسلة من الخطوات (البوابات) لحل مشكلة ما.

المشكلة هي أن محاكاة هذه الرقصة تتطلب مجهوداً شاقاً للغاية من جهاز الكمبيوتر. فكلما زاد عدد الراقصين (الكيوبتات)، تضاعفت كمية العمل التي يجب أن يقوم بها الكمبيوتر بشكل هائل. إذا حاولت محاكاة كل خطوة باستخدام نفس الطريقة الثقيلة، فسيصاب جهاز الكمبيوتر بالإرهاق ويتباطأ، مما يجعل من الصعب تدريب نماذج الذكاء الاصطناعي هذه.

هنا يأتي دور محاكي TQml، وهي أداة جديدة ابتكرها باحثون في شركة Terra Quantum AG. فكر في هذا المحاكي ليس مجرد كمبيوتر أسرع، بل كـ مصمم رقصات ذكي للغاية يعرف تماماً كيف يوجه الرقصة لتحقيق أقصى قدر من الكفاءة.

إليك كيف يعمل، مقسماً إلى مفاهيم بسيطة:

1. مشكلة "المقاس الواحد الذي يناسب الجميع"

معظم المحاكيات الحالية تشبه طباخاً يستخدم نفس المقلاة الحديدية الثقيلة لكل طبق، سواء كان "سوفليه" رقيقاً أو شريحة لحم قاسية. إنهم يعاملون كل بوابة كمية (خطوة في الدارة) بنفس الطريقة: يقومون بحساب التحويل الرياضي الكامل من البداية في كل مرة.

النتيجة: الأمر يعمل، لكنه بطيء ومبدد للموارد.

2. نهج "السكين السويسري" لـ TQml

يدرك محاكي TQml أن البوابات المختلفة لها "شخصيات" مختلفة. وبدلاً من استخدام طريقة واحدة ثقيلة لكل شيء، فإنه يعمل مثل رئيس طهاة ماهر يختار الأداة المثالية لكل مهمة:

بوابات "التبديل" (Permutation): بعض البوابات (مثل بوابات X أو CNOT) لا تغير في الواقع قيم البيانات؛ بل تقوم فقط بتبديل أماكنها، مثل إعادة خلط أوراق اللعب. يدرك TQml ذلك ويقوم ببساطة بإعادة تسمية الأوراق بدلاً من إجراء عمليات رياضية معقدة. الأمر يشبه إخبار أمين مكتبة: "فقط انقل الكتاب (أ) إلى الرف (ب)"، بدلاً من إعادة كتابة القصة الموجودة داخل الكتاب.
البوابات "القطرية" (Diagonal): بعض البوابات تقوم فقط بتعديل "مستوى صوت" البيانات دون تغيير النغمات. يرى TQml ذلك ويستخدم طريقاً مختصراً عبر الضرب المباشر للأرقام، متجاوزاً العمل الشاق.
البوابات "الحقيقية" (Real): بعض البوابات تتعامل فقط مع الأرقام الحقيقية (بدون الأرقام التخيلية المعقدة). يقوم TQml بالتحول إلى "وضع الأرقام الحقيقية فقط"، مما يقلل العمل إلى النصف.

3. "المترجم الذكي" (Smart Compiler)

يصف البحث TQml بأنه يعمل كـ مترجم (Compiler). في البرمجيات، يقوم المترجم بترجمة الكود إلى لغة الآلة. يقوم TQml بهذا الأمر للدارات الكمية:

ينظر إلى طبقة معينة من الدارة.
يحصي عدد الكيوبتات (الراقصين) المشاركة.
يتحقق من نوع البوابات المستخدمة.
ويختار فوراً الطريقة الأسرع الممكنة لتلك اللحظة المحددة.

إذا كانت الدارة تحتوي على 5 كيوبتات، فقد يستخدم الطريقة (أ). وإذا كانت تحتوي على 15 كيوبت، فقد ينتقل إلى الطريقة (ب). الأمر يشبه نظام تحديد المواقع (GPS) الذي يعيد توجيهك فوراً بناءً على حركة المرور الحالية، بدلاً من الالتزام بمسار مخطط مسبقاً قد يكون عالقاً في ازدحام مروري.

4. النتائج: دفعة سرعة تصل إلى 10 أضعاف

اختبر الباحثون هذا "المصمم الذكي للرقصات" مقابل المحاكي القياسي (PennyLane's default.qubit).

التشبيه: تخيل عداءً اثنين. المحاكي القياسي هو عداء ماراثون يركض بوتيرة ثابتة وبطيئة بغض النظر عن التضاريس. أما محاكي TQml فهو عداء ينطلق بسرعة في الأراضي المستوية، ويتسلق التلال بكفاءة، وينزلق على المنحدرات.
النتيجة: اعتماداً على الدارة المحددة والأجهزة المستخدمة، كان TQml أسرع بمقدار يصل إلى 10 مرات. وهذا يعني أن الباحثين يمكنهم تدريب نماذج الذكاء الاصطناعي الكمية بشكل أسرع بكثير، واختبار المزيد من الأفكار في وقت أقل.

5. لماذا هذا مهم؟

في الوقت الحالي، لا تزال الحواسيب الكمية في "مرحلة الطفولة" (فهي مليئة بالضجيج وصغيرة الحجم). لبناء ذكاء اصطناعي كمي أفضل، نحتاج إلى محاكاة هذه الأنظمة على أجهزة الكمبيوتر التقليدية أولاً.

بدون TQml: قد تستغرق محاكاة دارة معقدة ساعات أو أيام، أو قد تكون مستحيلة على الأجهزة القياسية.
مع TQml: تلك المحاكاة نفسها قد تستغرق دقائق. هذا يسرع عملية البحث، مما يسمح للعلماء بمعرفة كيفية بناء خوارزميات كمية أفضل قبل أن تصبح الأجهزة الكمية الفيزيائية جاهزة للاستخدام.

باخت:// خلاصة القول

محاكي TQml هو أداة تتوقف عن معاملة كل خطوة كمية كمسألة رياضية ثقيلة. بدلاً من ذلك، ينظر إلى الخطوة المحددة، ويدرك: "أوه، هذا مجرد تبديل للأوراق!" أو "هذا مجرد تعديل لمستوى الصوت!"، ثم يستخدم طريقاً مختصراً. ومن خلال كونه مرناً واختيار الأداة المناسبة لكل طبقة من طبقات الدارة الكمية، فإنه يجعل محاكاة التعلم الآلي الكمي أسرع بكثير وأكثر كفاءة.

إليك ملخص تقني مفصل لورقة البحث: "TQml Simulator: المحاكاة المحسنة لتعلم الآلة الكمي".

1. بيان المشكلة

يعتمد بحث تعلم الآلة الكمي (QML) حاليًا بشكل كبير على المحاكاة العددية للدوائر الكمية نظرًا للقيود المفروضة على الأجهزة الكمية الحالية. وبينما تعد محاكاة متجه الحالة (state-vector simulation) هي النهج القياسي، إلا أنها تواجه اختناقات حوسبية كبيرة:

التعقيد: تتطلب محاكاة تطور وحدوي عام (unitary evolution) على $n$ من الكيوبتات ضرب مصفوفة بمقاس $2^n \times 2^n$ في متجه حالة، مما يؤدي إلى تعقيد حوسبي قدره $O(2^{2n})$ .
عبء التدريب: يتطلب تدريب تعلم الآلة الكمي عمليات تمرير أمامي وخلفي متكررة (حساب التدرج). ويعد وقت المحاكاة لهذه التمريرات عاملًا حاسمًا يحد من قابلية توسع خوارزميات تعلم الآلة الكمي.
عدم كفاءة المحاكيات العامة: غالبًا ما تطبق المحاكيات العامة الموجودة (مثل default.qubit في PennyLane) طريقة محاكاة واحدة موحدة لجميع طبقات البوابات، مما يؤدي إلى الفشل في استغلال الخصائص الهيكلية المحددة للبوابات (مثل القطرية، أو المحلية، أو طبيعة التبديل) التي يمكن أن تقلل التكلفة الحوسبية بشكل جذري.

2. المنهجية

يقترح المؤلفون نهجًا هجينًا يختار خوارزمية المحاكاة الأكثر كفاءة لكل طبقة محددة من الدائرة الكمية بناءً على نوع البوابة وعدد الكيوبتات ( $n$ ).

أ. تقنيات التحسين الخاصة بالبوابات

تقوم الورقة بتقديم مقارنة معيارية وتصنيف لتقنيات المحاكاة بناءً على خصائص البوابات (القطرية، القيم الحقيقية، التبديل، إلخ):

الأساليب الشاملة (Universal Approaches):
- الضرب الوحدوي المباشر (Direct Unitary Multiplication): $O(2^{2n})$ . هو الأسرع للأنظمة الصغيرة ( $n \leq 9$ ) بسبب انخفاض العبء الإضافي، ولكنه يتوسع بشكل سيئ.
- جمع أينشتاين المتسلسل (Einsum): يعيد تشكيل متجه الحالة إلى تنسور (tensor) ويطبق البوابات المحلية عبر تقليص التنسور (tensor contraction). يقلل التعقيد إلى $O(n \cdot 2^n)$ للبوابات المحلية.
- تفكيك القيم الحقيقية (Real-Valued Decomposition): بالنسبة للمصفوفات الوحدوية ذات القيم الحقيقية، يتم تقسيم العملية إلى أجزاء حقيقية وتخيلية، مما يقلل التكلفة الحوسبية إلى النصف.
بوابات التبديل (مثل X، CNOT، SWAP):
- تقوم هذه البوابات فقط بإعادة ترتيب عناصر متجه الحالة دون عمليات حسابية.
- التقنية: يتم تنفيذها عبر إعادة تعيين مؤشر الذاكرة (index mapping) بتعقيد قدره $O(2^n)$ .
البوابات القطرية (مثل $R_z$ ، $R_{zz}$ ، $Z$ ، $S$ ):
- حساب الطور الذاتي (Eigenphase Computation): يحسب زوايا الطور مسبقًا بناءً على تكوينات الكيوبت. التعقيد $O(n \cdot 2^n)$ .
- الضرب التنسوري القطري (Diagonal Tensor Product): يحسب متجه القطر الكامل عبر الضرب التنسوري للأقطار أحادية الكيوبت، يليه الضرب العنصري. التعقيد $O(2^n)$ .
- جمع أينشتاين القطري (Diagonal Einsum): يطبق جمع أينشتاين المقتصر على العناصر القطرية.
بوابات الدوران (مثل $R_x$ ، $R_y$ ، $Rot$):
- توسيع H-Rz: تفكك الدورات العشوائية إلى تسلسلات من بوابات هادامارد ( $H$ ) وبوابات $R_z$ . وجد المؤلفون أن محاكاة هذه الطبقات المفككة باستخدام الطرق المثلى لبوابات $H$ و $R_z$ غالبًا ما تتفوق على المحاكاة المباشرة لبوابة الدوران، لا سيما عندما يكون $n \leq 10$ .

ب. بنية محاكي TQml

منطق شبيه بالمترجم (Compiler-Like Logic): يعمل محاكي TQml كمترجم عالي المستوى. بدلاً من إعادة ترتيب التعليمات منخفضة المستوى، يقوم بتحليل الدائرة طبقة تلو الأخرى ويختار ديناميكيًا الخوارزمية المثلى (من المجموعة المذكورة أعلاه) لتلك الطبقة المحددة بناءً على عدد الكيوبتات والأجهزة المتاحة (CPU/GPU).
التنفيذ: تم بناؤه باستخدام PyTorch (ثم نُقل لاحقًا إلى JAX) للاستفادة من التفاضل التلقائي من أجل حساب الانتشار الخلفي (backpropagation) بكفاءة.
معايير الأمثلية: تم تحسين منطق الاختيار بشكل أساسي لتقليل وقت التمرير الأمامي على خيط واحد من المعالج المركزي (single CPU thread)، رغم أن المؤلفين يشيرون إلى أن هذا يرتبط جيدًا بأداء التمرير الخلفي.

3. المساهمات الرئيسية

المقارنة المعيارية الشاملة: مقارنة منهجية بين تقنيات المحاكاة الشاملة والخاصة بالبوابات عبر مجموعات بوابات مختلفة (الدورات القياسية، CNOTs) والبوابات الأصلية للأجهزة (IonQ GPI/MS، IBM ECR).
اكتشاف الأمثلية المعتمدة على السياق: النتيجة التي مفادها أن أفضل طريقة للمحاكة ليست ثابتة؛ بل تعتمد بشدة على عدد الكيوبتات. على سبيل المثال، يكون الضرب الوحدوي المباشر أسرع للأنظمة الصغيرة $n$ ، بينما تهيمن طرق Einsum أو الطرق القطرية في الأنظمة الأكبر.
تطوير محاكي TQml: محاكي جديد ينفذ هذه الاستراتيجية التكيفية، حيث ينتقل تلقائيًا بين الخوارزميات (Unitary, Einsum, Permutation, Diagonal, H-Rz Expansion) ضمن تنفيذ دائرة واحدة.
التحقق من الأداء: اختبار معيار واسع النطاق مقابل محاكي default.qubit الخاص بـ PennyLane عبر أحجام دفعات (batch sizes) مختلفة، وأعداد كيوبتات متنوعة، وخلفيات أجهزة (CPU, GPU).

4. النتائج

التسريع: يتفوق محاكي TQml على محاكي default.qubit الخاص بـ PennyLane بعامل يصل إلى 10 أضعاف في معظم السيناريوهات.
- يظهر التسريع بشكل أوضح في الدوائر التي تحتوي على ما يصل إلى 10-12 كيوبت.
- تستمر مكاسب الأداء في الأنظمة الأكبر، لكنها تتضاءل قليلاً مع سيطرة أعباء عمليات ضرب المصفوفات (المحسنة للغاية في مكتبات مثل cuBLAS).
التجميع (Batching): يحافظ المحاكي على كفاءته مع زيادة أحجام الدفعات (حتى $10^3$ )، مما يظهر توازيًا فعالًا.
الانتشار الخلفي (Backpropagation): على الرغم من تحسينه لعمليات التمرير الأمامي، يُظهر محاكي TQml تسريعًا ثابتًا في عمليات التمرير الخلفي (حساب التدرج)، مع عدم وجود انخفاض حاد في الأداء عند التبديل بين تقنيات المحاكاة بين الطبقات.
استخدام الذاكرة: يظهر TQml بصمة ذاكرة متوقعة ورتيبة تتناسب مع $2^n$ . في المقابل، يُظهر default.qubit أنماط تخصيص ذاكرة غير رتيبة، مما يؤدي أحيانًا إلى استخدام ذاكرة أعلى لأحجام أنظمة معينة.
خلفية JAX: عند نقله إلى JAX، يستفيد TQml من التجميع في الوقت المناسب (JIT). ورغم أن الدورة الأولى تنطوي على عبء زمن التجميع، إلا أن الدورات اللاحقة تُظهر تفوق TQml-JAX على المحاكيات الأخرى القائمة على JAX (مثل TensorCircuit) للأنظمة التي تصل إلى ~11 كيوبت.

5. الأهمية

تسريع أبحاث تعلم الآلة الكمي: من خلال تقليل وقت المحاكة بمقدار عشرة أضعاف، يُمكّن TQml الباحثين من تدريب نماذج تعلم آلة كمي أكبر واستكشاف دوائر أعمق كانت مستعصية حوسبيًا في السابق.
التحسين المستقل عن الأجهزة: توفر هذه المنهجية مخططًا للمحاكيات للتكيف مع قيود الأجهزة المحددة (CPU مقابل GPU) ومجموعات البوابات (أصلية مقابل مجمعة)، متجاوزة استراتيجيات المحاكاة التي تتبع مبدأ "مقاس واحد يناسب الجميع".
الربط بين سير العمل الكلاسيكي والكمي: يضمن استخدام خلفيات PyTorch/JAX تكاملًا سلسًا مع أطر تعلم الآلة الكلاسيكية الحديثة، مما يسهل تطوير خوارزميات هجينة بين الكم والكلاسيك.
الاتجاهات المستقبلية: تشير الورقة إلى إمكانية تحقيق المزيد من التحسين من خلال تخصيص تقنية الاختيار خصيصًا لبنيات GPU/TPU، ودمج طرق أكثر تقدمًا لتقليص شبكات التنسور (tensor-network contraction) للأنظمة الأكبر حجمًا.

باختصار، يمثل محاكي TQml خطوة مهمة للأمام في كفاءة المحاكاة الكمية من خلال التعامل مع محاكاة دوائر تعلم الآلة الكمي كمسألة تحسين ديناميكية، حيث يتم اختيار التمثيل الرياضي الأكثر كفاءة حوسبيًا لكل طبقة من طبقات الدائرة.