⚛️ quantum physics

Learning-Optimized Qubit Mapping and Reuse to Minimize Inter-Core Communication in Modular Quantum Architectures

تقدم هذه الورقة QARMA وامتداده QARMA-R، وهما إطارا عمل جديدان للتعلم التعزيزي العميق يستفيدان من آليات الانتباه، والشبكات العصبية الرسومية، وإعادة استخدام الكيوبت الديناميكي لتقليل الاتصالات المكلفة بين النوى في البنى الكمومية المعيارية بشكل كبير، مما يتيح تنفيذ خوارزميات أكبر على الأنظمة محدودة الموارد.

المؤلفون الأصليون: Sokea Sang, Leanghok Hour, Youngsun Han

نُشر 2026-04-21

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Sokea Sang, Leanghok Hour, Youngsun Han

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 تنظيم مسابقة طبخ ضخمة وعالية المخاطر، ولكن بدلاً من وجود مطبخ واحد عملاق، لديك 10 مطابخ صغيرة ومنفصلة (هذه هي "الأنوية الكمومية النمطية").

لديك وصفة معقدة (وهي "الدائرة الكمومية") تتطلب 50 مكوناً مختلفاً (وهي "الكيوبتات") يجب تقطيعها، وخلطها، وتسخينها بترتيب محدد للغاية.

المشكلة: ازدحام المرور "بين الأنوية"

في عالم مثالي، ستوضع جميع المكونات الخمسين على طاولة واحدة ضخمة، وسيكون بإمكان الطهاة الحصول على ما يحتاجونه فوراً. لكن في إعدادنا النمطي هذا، المكونات مبعثرة عبر 10 مطابخ مختلفة.

المشكلة: إذا احتاج طباخ في المطبخ (أ) إلى مكون موجود حالياً في المطبخ (ب)، فعليه إرسال "عدّاء" لجلب المكون.
التكلفة: رحلة العدّاء هذه بطيئة، ومكلفة، ومحفوفة بالمخاطر. فقد يفسد المكون (فك الترابط الكمومي) أو قد يضيع العدّاء في الطريق (الأخطاء).
الطريقة القديمة: الطرق التقليدية (مثل Qiskit من IBM) تحاول أن تكون ذكية، لكنها تعامل المطابخ كأنها غرفة واحدة بها بعض الجدران. إنها لا تدرك تماماً أن إرسال عدّاء بين المباني هو كارثة تنتظر الوقوع. كما أنها لا تدرك أنه بمجرد استخدام المكون، يمكن غسله وإعادة استخدامه فوراً، مما يوفر المساحة.

الحل: QARMA و QARMA-R

ابتكر مؤلفو هذه الورقة البحثية "رئيس طهاة" ذكياً جديداً يسمى QARMA (وصديقه الأكثر ذكاءً QARMA-R). فكر في الأمر كمدير لوجستي عبقري يستخدم التعلم التعزيزي العميق (الذي يعتمد أساساً على تعلم الآلة من خلال لعب ملايين الألعاب من نوع "ماذا لو").

إليك كيف يحلون هذه المشكلة باستخدام ثلاث حيل ذكية:

1. آلية "الانتباه" (العين الذكية)

تخيل أن رئيس الطهاة يرتدي نظارات سحرية. بدلاً من النظر إلى الوصفة بأكملها دفعة واحدة والشعور بالارتباك، تقوم النظارات بتسليط الضوء على المكونات التي يجب أن تجتمع معاً الآن.

كيف تعمل: تستخدم الآلة "المحول" (Transformer) (وهي نفس التقنية التي تقف وراء روبوتات الدردشة) لتنظر إلى الوصفة بأكملها وتقول: "مهلاً، المكون رقم 3 والمكون رقم 7 يحتاجان للاختلاط بعد 5 ثوانٍ. لنضعهما في نفس المطبخ حتى لا نحتاج إلى عدّاء".
النتيجة: تقوم بتجميع المكونات التي تعمل معاً في نفس الغرفة، مما يقلل من الحاجة إلى إرسال عدّائين.

2. حيلة "إعادة الاستخدام الديناميكي" (الإسفنجة السحرية)

هذا هو السر الحقيقي لـ QARMA-R.

السيناريو: في المطبخ العادي، إذا استخدمت وعاءً لخلط البيض، فإن ذلك الوعاء يظل "مشغولاً" حتى تنتهي الوصفة. ستحتاج إلى وعاء جديد للخطوة التالية.
الابتكار: في الحوسبة الكمومية، بمجرد قياس المكون (أي "خلط البيض")، يمكنك "إعادة ضبطه" (غسل الوعاء) واستخدامه فوراً لجزء مختلف تماماً من الوصفة لاحقاً.
التشبيه: بدلاً من الحاجة إلى 50 وعاءً لـ 50 خطوة، يدرك QARMA-R أنك تحتاج فقط إلى 10 أوعية. إنه يغسلها ويعيد استخدامها بمجرد أن تصبح فارغة.
الفائدة: بما أنك تحتاج إلى عدد أقل من الأوعية الفيزيائية (الكيوبتات)، يمكنك وضع الوصفة بأكملها في عدد أقل من المطابخ. وهذا يعني صفر من رحلات العدّاء لأن كل شيء يتسع في مبنى واحد!

3. نظام "المؤشر" (نظام GPS)

الآلة لا تخمن مكان وضع الأشياء فحسب، بل تستخدم نظام "مؤشر" يعمل مثل جهاز تحديد المواقع (GPS) للمكونات. فهي تحسب الاحتمالية الدقيقة لوضع المكون (س) في المطبخ (ص) لضمان أن يكون إجمالي رحلات العدّاء قريباً من الصفر قدر الإمكان.

النتائج: معجزة في المطبخ

اختبرت الورقة البحثية هذا الذكاء الاصطوي الجديد مقابل الطرق القديمة (Qiskit و QUBO) باستخدام وصفات من الواقع. كانت النتائج مذهلة:

مقارنة بـ Qiskit: كانت الطريقة القديمة ترسل عدّائين ذهاباً وإياباً باستمرار. نجح QARMA-R في تقليل هذه الرحلات بنسبة 86% في المتوسط. وفي كثير من الحالات، ألغاها تماماً بنسبة 100% (صفر رحلات!).
مقارنة بـ QUBO: كان النهج الرياضي القديم بطيئاً جداً لدرجة أنه يستغرق ساعات للتخطيط لوجبة بسيطة. قام QARMA بذلك في ثوانٍ وقلل رحلات العدّاء بنسبة 97-100%.
عامل "الدقة" (Fidelity): أثبتت الورقة أيضاً أنه من خلال تجنب "رحلات العدّاء" (وهي عمليات مليئة بالضجيج والأخطاء)، تكون الطبخة النهائية (نتيجة الحساب) "أشهى" (أكثر دقة). ورغم أن إعادة استخدام الأوعية تضيف القليل من وقت "الغسيل" الإضافي، إلا أن ذلك يستحق لتجنب كارثة فساد المكونات.

الصورة الكبيرة

تعتبر هذه الورقة البحثية طفرة لأنها تخبرنا كيف نبني حاسوباً فائقاً من حواسيب صغيرة غير مثالية.

بدلاً من محاولة بناء عقل كمومي واحد ضخم وهش (وهو أمر صعب التصنيع للغاية)، يمكننا بناء العديد من العقول الصغيرة والمتينة وربطها ببعضها البعض. التحدي كان جعلها تتواصل مع بعضها دون أن تفقد صوابها. QARMA هو مراقب حركة المرور الذي يحافظ على سلاسة المحادثة، مما يضمن أن حواسيب المستقبل الكمومية يمكنها حل مشكلات لا يمكننا حتى تخيلها اليوم.

باخت اختصار: الأمر يشبه تحويل مدينة فوضوية وصاخبة بها 100 ازدحام مروري إلى نظام مترو أنفاق متزامن تماماً، حيث لا تضطر القطارات (الكيوبتات) لمغادرة مساراتها (الأنوية) إلا عند الضرورة القصوى.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التعلم الأمثل لتعيين الكيوبتات وإعادة استخدامها لتقليل الاتصال بين النوى في البنى الكمومية المعيارية."

1. بيان المشكلة

مع توسع الحوسبة الكمومية نحو آلاف أو ملايين الكيوبتات، برزت البنى الكمومية المعيارية (التي تربط وحدات معالجة كمومية أصغر متعددة أو QPUs) كحل قابل للتطبيق للتغلب على القيود الفيزيائية والتصنيعية. ومع ذلك، تفرض هذه البنية عائقاً حرجاً: الاتصال بين النوى (inter-core communication).

التحدي: نقل الحالات الكمومية بين الرقائق المختلفة (النوى) يعد أكثر تكلفة بكثير من حيث وقت التنفيذ، ومعدلات الخطأ، وفقدان الترابط (decoherence) مقارنة بالعمليات داخل النواة الواحدة.
مهمة التحسين: تعيين الكيوبتات المنطقية إلى النوى الفيزيائية هو مسألة من نوع NP-hard. الهدف هو تقليل عدد عمليات نقل الحالة بين النوى (نقل الحالة الكمومية) مع احترام قيود سعة النواة والتبعيات في الدائرة.
الفجوة: غالباً ما تفشل الأساليب الحالية (سواء كانت استدلالية، أو قائمة على QUBO، أو أدوات المترجم القياسية مثل Qiskit) في استغلال الهيكل العالمي للدوائر الكمومية بشكل كامل أو التكيف مع الطوبولوجيا المعيارية المحددة. علاوة على ذلك، فإنها تتجاهل إلى حد كبير إمكانية إعادة الاستخدام الديناميكي للكيوبتات (استخدام القياس في منتصف الدائرة وإعادة الضبط لإعادة استخدام الكيوبتات الفيزيائية لكيوبتات منطقية مختلفة)، وهو ما يمكن أن يقلل بشكل كبير من متطلبات الموارد وتكاليف الاتصال.

2. المنهجية: QARMA و QARMA-R

يقترح المؤلفون QARMA (تعيين الكيوبتات باستخدام التعلم التعزيزي العميق القائم على الانتباه للبنى الكمومية المعيارية) وامتداده QARMA-R (الذي يتضمن إعادة الاستخدام الديناميكي للكيوبت).

أ. بنية النواة الأساسية

يصيغ النظام تخصيص الكيوبت كـ عملية اتخاذ قرار متسلسلة باستخدام التعلم التعزيزي العميق (DRL).

تمثيل المدخلات: يتم تفكيك الدائرة الكمومية إلى شرائح زمنية. يتم تمثيل الحالة كـ "رسم بياني" (graph) حيث تكون العقد هي الكيوبتات وتمثل الحواف التفاعلات البوابية.
بنية النموذج:
- المُشفّر (Encoder): يجمع بين الشبكات العصبية الرسومية (GNNs) لالتقاط أنماط التفاعل المحلية للكيوبت، وآليات الانتباه الذاتي المستندة إلى المحولات (Transformer-based self-attention) لنمذجة التبعيات الزمنية طويلة المدى عبر الشرائح الزمنية.
- المُفكك (Decoder): يستخدم آلية مؤشر قائمة على الانتباه (attention-based pointer mechanism) لإخراج توزيع الاحتمالات لتعيين الكيوبت المنطقي الحالي لنواة فيزيائية محددة.
- التضمين الديناميكي (Dynamic Embedding): يدمج القيود الآنية مثل السعة المتبقية للنواة وتكاليف الاتصال من التخصيص السابق.
التدريب: يتم تدريب النموذج باستخدام خوارزمية REINFORCE مع خط أساس التدحرج (rollout baseline) لتقليل إجمالي تكلفة الاتصال بين النوى (دالة المكافأة).

ب. آلية إعادة استخدام الكيوبت (QARMA-R)

الابتكار الرئيسي هو دمج القياس في منتصف الدائرة وإعادة الضبط.

تحليل التبعية: يقوم النظام بتحليل "العمر الافتراضي" لكل كيوبت منطقي. بمجرد اكتمال عمليات الكيوبت وقياس حالته، يتم إعادة ضبط الكيوبت الفيزي الذي يحمله ويمكن إعادة استخدامه لكيوبت منطقي لاحق.
دالة التكلفة: توازن دالة تكلفة موزونة بين ثلاثة عوامل عند اختيار أزواج إعادة الاستخدام:
1. الزيادة في عمق الدائرة ( $w_0$ ).
2. وقت اكتمال الكيوبت ( $w_1$ ).
3. مدة الفجوة بين العمليات ( $w_2$ ).
الأثر: يسمح هذا بتنفيذ دوائر منطقية أوسع على عدد أقل من النوى الفيزيائية، مما يلغي غالباً الحاجة إلى عمليات النقل بين النوى بالكامل.

ج. استراتيجية التجميع الهرمي

يضع المؤلفون QARMA كـ المرحلة الأولى من خط معالجة هرمي:

التعيين العالمي (QARMA): يخصص الكيوبتات المنطقية إلى النوى الفيزيائية لتقليل عمليات النقل العالمية بين النوى.
التعيين المحلي: يتعامل خوارزمي قياسي مدرك للطوبولوجيا (مثل SABRE) مع التوجيه داخل النواة وإدراج بوابات SWAP.
هذا الفصل يسمح لـ QARMA بالتركيز حصرياً على مشكلة الاتصال بين النوى عالية التكلفة.

3. المساهمات الرئيسية

إطار عمل جديد للتعلم التعزيزي العميق: تقديم بنية هجينة (Transformer-GNN) تتعلم سياسات التخصيص العالمية، وتلتقط هيكل الدائرة المحلي والتبعيات الزمنية طويلة المدى.
إعادة الاستخدام الديناميكي للكيوبت: أول دمج للقياس في منتصف الدائرة وإعادة الضبط في مُعين كيوبت معياري قائم على التعلم التعزيزي العميق، مما يتيح ضغطاً كبيراً للموارد.
آلية المؤشر القائمة على الانتباه: مخرج احتمالي مباشر لتخصيص النواة، مما يعالج فضاء الإجراءات التوليفي بكفاءة.
تقييم شامل: اختبار مكثف مقابل أحدث الطرق (QUBO، و Qiskit-O3) عبر أحجام دوائر متنوعة وطوبولوجيا معيارية مختلفة.

4. النتائج التجريبية

تم تقييم الأساليب على معايير قياسية (QASMBench) ودوائر مولدة عشوائياً عبر بنى معيارية (شبكة 2x5 من الرقائق بسعات متفاوتة).

المقارنة مع التعيين القائم على QUBO:
- حقق QARMA-R انخفاضاً بنسبة 98-100% في الاتصالات بين النوى مقارنة بطرق QUBO.
- بالنسبة للعديد من المعايك القياسية، قلل QARMA-R الاتصالات بين النوى إلى الصفر، بينما تطلب QUBO مئات أو آلاف عمليات النقل.
المقارنة مع Qiskit (المستوى الثالث من التحسين):
- قلل QARMA-R الاتصالات بين النوى بمتوسط 86% (وصولاً إلى تقليل بنسبة 100%) مقارلة بـ Qiskit عالي التحسين.
- حتى QARMA (بدون إعادة الاستخدام) أظهر تحسناً بنسبة 15-40% فوق Qiskit في الدوائر الأكبر والأكثر تعقيداً، مما يثبت تفوق السياسة العالمية المتعلمة على الاستدلالات المحلية.
تحليل الدقة (Fidelity Analysis):
- باستخدام نموذج دقة مُعاير للأجهزة (بناءً على بارامترات ibm_brisbane من IBM)، أظهر المؤلفون أن تكلفة الدقة في عمليات النقل بين النوى كارثية مقارنة بالتكلفة الطفيفة لبوابات القياس وإعادة الضبط.
- حافظ QARMA-R على دقة تنفيذ شبه مثالية حتى تحت عوامل تأخير غير محلية عالية (تصل إلى 100 ضعف)، بينما عانت Qiskit والأساليب التي لا تستخدم إعادة الاستخدام من انهيارات في الدقة (أقل بعدة مراتب).
الكفاءة الحسابية:
- بينما يعد QARMA أبطأ من Qiskit (ثوانٍ/دقائق مقابل ميلي ثانية للترجمة)، إلا أنه أسرع بكثير من حلول QUBO (التي قد تستغرق ساعات). هذا المقايضة مبررة بالانخفاض الهائل في أخطاء التنفيذ على الأجهزة ذات الضجيج.

5. الأهمية

يمثل هذا العمل تقدماً كبيراً في ترجمة (compilation) الدوائر الكمومية للبنى المعيارية القابلة للتوسع.

تحول في النموذج: ينقل التركيز من مجرد تقليل بوابات SWAP (داخل النواة) إلى تقليل نقل الحالة بين النوى، وهي المصدر الرئيسي للخطأ في البنى المعيارية.
كفاءة الموارد: من خلال الاستفادة من إعادة الاستخدام الديناميكي للكيوبت، يتيح هذا النهج تنفيذ خوارزميات تتطلب كيوبتات منطقية أكثر من إجمالي الكيوبتات الفيزيائية المتاحة، مما يؤدي فعلياً إلى "ضغط" الدوائر.
الأثر العملي: تشير النتائج إلى أنه بالنسبة للأنظمة المعيارية في عصر NISQ القريب، فإن إعادة الاستخدام القوية للكيوبت ليست مجرد تقنية لتوفير الموارد، بل هي استراتيجية حاسمة للحفاظ على تنفيذ عالي الدقة. يوفر نهج التعلم التعزيزي العم المقترح حلاً قابلاً للتوسع وغير مرتبط بهاردوير معين لمشكلة تعد حالياً عائقاً رئيسياً أمام توسيع الأنظمة الكمومية.