⚛️ quantum physics

Conservative quantum offline model-based optimization

تقدم هذه المقالة COM-QEL، وهي خوارزمية تحسين هجينة قائمة على العمل دون اتصال (offline-based) تجمع بين التعلم المتطرف الكمي (quantum-extremal learning) ونماذج استهداف تحفظية لمنع التنبؤ المفرط في التفاؤل وتحديد الحلول عالية الأداء بشكل موثوق باستخدام البيانات الموجودة مسبقاً والثابتة فقط.

المؤلفون الأصليون: Kristian Sotirov, Annie E. Paine, Savvas Varsamopoulos, Antonio A. Gentile, Osvaldo Simeone

نُشر 2026-05-06

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kristian Sotirov, Annie E. Paine, Savvas Varsamopoulos, Antonio A. Gentile, Osvaldo Simeone

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 طاهٍ يحاول ابتكار أفضل طبق جديد في العالم. لديك كتاب طهي يحتوي على 20 وصفة تم اختبارها بالفعل، وأنت تعرف تماماً كيف كان مذاقها. هدفك هو ابتكار وصفة جديدة تتفوق في مذاقها حتى على أفضل وصفة في كتابك.

ومع ذلك، هناك عقبة: لا يمكنك تذوق أفكارك الجديدة. أنت في "منطقة حظر التذوق". إذا أخطأت في التخمين، فلا يمكنك العودة لتصحيح الخطأ؛ عليك ببساطة أن تأمل أن يكون تخمينك صحيحاً. هذا هو تحدي التحسين القائم على النماذج في وضع عدم الاتصال (Offline Model-Based Optimization).

إليك كيف يعالج هذا العمل هذه المشكلة بمزيج من الحذر التقليدي والحوسبة الكمومية المستقبلية.

المشكلة: الطاهي "المفرط في الثقة"

في الماضي، حاول العلماء حل هذه المشكلة عن طريق بناء "نموذج بديل" (Surrogate Model) — وهو توأم رقمي لاختبار التذوق. قاموا بتدريب هذا النموذج على الـ 20 وصفة المعروفة، ثم طلبوا منه تخمين كيف سيكون مذاق وصفة جديدة.

المشكلة هي أن هذه النماذج غالباً ما تكون مفرطة في الثقة.

التشبيه: تخيل تطبيقاً للطقس لم يرَ سوى الأيام المشمسة. إذا سألته عن توقعات الطقس في منطقة عاصفة لم يسبق له رؤيتها، فقد يتوقع بثقة أن الجو سيكون "مشمسًا!" لأنه لا يعرف شيئاً أفضل من ذلك.
النتيجة: يختار المحسن (Optimizer) "وصفة جديدة" يصنفها النموذج على أنها لذيذة، لكنها في الواقع سيئة للغاية. وهذا ما يسمى بـ "استغلال النموذج" (Model Exploitation) — حيث يُخدع النظام ويخلط بين الفكرة السيئة والفكرة العظيمة.

الحل: الطاهي الكمومي "المتحفظ"

يقترح المؤلفون طريقة جديدة تسمى COM-QEL. وهي تجمع بين فكرتين:

التعلم الكمومي المتطرف (QEL): يستخدم هذا حاسوباً كمومياً (تحديداً "دائرة كمومية ذات معاملات" - Parametrized Quantum Circuit) يعمل كدماغ الطاهي. الحواسيب الكمومية تشبه الآلات الحاسبة فائقة القدرة التي يمكنها استكشاف تركيبات النكهات المعقدة بشكل أسرع وأكثر إبداعاً من الحواسيب التقليدية. إنها ممتازة في العثور على "قمة" اللذة.
نماذج الأهداف المتحفظة (COM): هذا هو جزء "الحذر". الأمر يشبه إضافة مكبح أمان لدماغ الكم.

كيف يعمل "مكبح الأمان" هذا:
يعلّم المؤلفون النموذج الكمومي قاعدة جديدة: "إذا كنت ستخمن مذاق وصفة لم ترها من قبل، فكن متشائماً."

خدعة التدريب: أثناء التدريب، يقوم الكمبيوتر عمداً بإنشاء وصفات "زائفة" أو "خصمية" (Adversarial) تختلف بشكل كبير عن تلك الموجودة في كتاب الطهي.
العقوبة: إذا تنبأ النموذج بأن هذه الوصفات الغريبة والزائفة لذيذة، فإنه يتعرض للعقاب. يتعلم النموذج خفض توقعاته لأي شيء يبدو غريباً أو غير معروف.
النتيجة: يتوقف النموذج عن الحماس للأفكار الجامحة وغير المختبرة. بد بدلاً من ذلك، يركز على العثور على وصفات جديدة من المحتمل أن تكون جيدة بناءً على ما يعرفه بالفعل. إنه يستبدل "الابتكار الجامح" بـ "موثوقية" أعلى بكثير.

"المكون السري": معرفة مخطط المطبخ

يقدم العمل أيضاً طريقة ذكية للتعامل مع المشكلات المعقدة حيث تتفاعل المكونات بطرق محددة (مثل تأثير الملح على الحموضة ولكن ليس على السكر).

التشبيه: تخيل أن مطبخك يحتوي على جزيرتين منفصلتين. إحدى الجزيرتين مخصصة للخبز (دقيق، بيض، سكر)، والأخرى للشواء (لحم، توابل، نار). لن تخلط الدقيق مع النار.
الابتكار: يستخدم المؤلفون شبكة عصبية رسومية كمومية (QGNN). هذه طريقة لربط الحاسوب الكمومي بحيث يحترم هذه "الجزر". فهي تسمح فقط للبتات الكمومية (Qubits) التي تمثل مكونات الخبز بالتواصل مع بعضها البعض، بينما تتواصل مكونات الشواء فيما بينها.
النتيجة: من خلال احترام البنية الطبيعية للمشكلة، يجد الطاهي الكمومي حلولاً أفضل مما لو ألقى بكل شيء في خلاط ضخم.

ماذا وجدوا؟

اختبر الباحثون هذا على محاكاة حاسوبية (اختبارات معيارية اصطناعية) مع نوعين من التحديات:

الدوال الناعمة (تضاريس سهلة): مثل تلة لطيفة. وجدت الطريقة الجديدة (COM-QEL) حلولاً أفضل من الطريقة الكمومية القديمة (QEL)، وكانت بجودة الطرق الكلاسيكية، ولكن بمخاطر أقل بكثير في اختيار حل سيء.
الدوال الخشنة (تضاريس صعبة): مثل سلسلة جبال بها العديد من القمم والوديان العميقة. هنا، كانت الطريقة الكمومية القديمة غالباً ما تقع في وديان سحيقة (حلول سيئة) لأنها كانت متحمسة أكثر من اللازم. أما الطريقة الجديدة فقد بقيت في المناطق المرتفعة والآمنة. لقد وجدت حلولاً أقل "ابتكاراً" (أي أقل بعداً عن البيانات الأصلية) ولكنها أكثر فائدة (لذيذة حقاً).

الخلاصة

يزعم العمل أنه من خلال الجمع بين الحوسبة الكمومية (من أجل القوة) والتنظيم المتحفظ (من أجل الحذر)، فقد أنشأوا خوارزمية هجينة أكثر أماناً وموثوقية لتطوير أشياء جديدة عندما لا يمكنك اختبارها في العالم الحقيقي.

الأمر يشبه تزويد حاسوب كمي خارق بـ "حزام أمان" و"خريطة مطبخ" لضمان عثوره على أفضل الوصفات الجديدة دون تقديم وعاء من نشارة الخشب بالخطأ.

خاتمة تقنية: التحسين المعتمد على النماذج الكمية غير المتصلة المحافظة (COM-QEL)

بيان المشكلة
يهدف التحسين القائم على النماذج غير المتصلة (Offline MBO) إلى تحديد التكوينات التي تعظم دالة هدف "الصندوق الأسود" باستخدام مجموعة بيانات ثابتة ووحيدة من التقييمات السابقة، دون إمكانية إجراء تجارب جديدة. هذا الإعداد بالغ الأهمية في المجالات عالية المخاطر مثل تصميم الجزيئات وهندسة الطائرات، حيث تكون الاستعلامات عبر الإنترنت مكلفة للغاية أو غير ممكنة. التحدي الرئيسي في الـ MBO غير المتصل هو عدم اليقين الناتج عن الاستقراء (Extrapolation Uncertainty): فقد تتنبأ النماذج البديلة المتعلمة بقيم عالية زيفاً لوظائف الأهداف في المناطق غير المستكشفة (المدخلات خارج التوزيع)، وهي ظاهرة تُعرف باسم "استغلال النموذج" (Model Exploitation) أو "اختراق الهدف". يؤدي هذا إلى اختيار حلول تبدو مثالية تحت النموذج ولكنها تؤدي أداءً سيئاً في الواقع. وعلى الرغم من اقتراح التعلم الفائق الكمي (QEL) للاستفاء من قدرة الدوائر الكمية التباينية على التعبير لهذا الغرض، إلا أن طريقة QEL الأصلية تفتقر إلى آليات محددة لمنع المبالغة في التقدير عند التعامل مع مدخلات غير مرئية.

المنهجية: COM-QEL
يقترح المؤلفون التحسين الكمي غير المتصل المحافظ (COM-QEL)، وهو خوارزمية هجينة تدمج QEL مع النماذج الهدف المحافظة (COM). تتكون المنهجية من ثلاثة مكونات أساسية:

النمذجة البديلة الكمية: تستخدم الخوارزمية دائرة كمية ذات معاملات (PQC) كدالة بديلة $f_\theta(x)$ . تم هيكلة الدائرة باستخدام طبقات من المصفوفات الوحدوية ذات المعاملات $W^l(\theta)$ والمصفوفات الوحدوية لترميز البيانات $S^l(x)$ . المخرج هو القيمة المتوقعة لمصفوفة مراقب (Observable Matrix) $M$ .
التنظيم العدائي (Adversarial Regularization): لمعالجة التفاؤل المفرط، يتم تعديل هدف التدريب ليشمل عقوبة محافظة. تقوم الخوارقة بتوليد "مجموعة بيانات عدائية" $D_{\theta, T_p}$ $D_{θ, T_{p}}$ عن طريق تطبيق خطوات قليلة من صعود التدرج على نقاط بيانات التدريب باستخدام النموذج البديل الحالي. تعمل عملية التدريب على تقليل متوسط مربع الخطأ في البيانات الأصلية مع تقييد متوسط القيمة المتوقعة للمدخلات العدائية بحيث لا يتجاوز متوسط القيمة في البيانات الأصلية بأكثر من عتبة $\tau$ $τ$ .
- رسمياً، يتم حل ذلك كمسألة تحسين مقيدة، والتي تم تحويلها إلى مسألة نقطة السرج (Saddle-point problem) ثنائية باستخدام متغير ثنائي $\alpha$ .
- يستخدم التحسين قاعدة "إزاحة المعامل" (Parameter-shift rule) لتقدير التدرج، وخوارزمية صعود-هبوط التدرج المزدوجة.
النهج الهيكلي (QGNN): بالنسبة للمشكلات ذات الخصائص الهيكلية المعروفة (الاستقلال الوظيفي بين مجموعات فرعية من المتغيرات)، يدمج المؤلفون النماذج الرسومية الوظيفية (FGM). يقترحون نهج الشبكة العصبية الرسومية الكمية (QGNN) حيث يتم تقييد بوابات التشابك ثنائية الكيوبت (CNOT) بالكيوبتات المقابلة للمتغيرات داخل نفس المجموعة الوظيفية (Functional Clique)، مما يؤدي إلى ترميز هيكل المشكلة مباشرة في الدائرة الكمية.

المساهمات الرئيسية
يحدد العمل ثلاث مساهمات رئيسية:

دمج النمذجة المحافظة: يعمم المؤلفون خوارزمية QEL من خلال تقديم آلية عقوبة تثبط التنبؤات على المدخلات خارج نطاق بيانات التدريب، مما يربط النماذج الكمية بمبادئ التحفظ غير المتصل.
النماذج الكمية الهيكلية: يوضح العمل دمج هياكل FGM في QEL عبر نهج QGNN، مما يسمح للنموذج الكمي بالاستفادة من التبعيات الوظيفية المعروفة.
التحقق التجريبي: من خلال الاختبارات القياسية الاصطناعية، يظهر العمل أن COM-QEL يحقق توازناً فائقاً بين المنفعة (التحسن عن أفضل حل في مجموعة البيانات) والحداثة (المسافة عن البيانات الموجودة) مقارنة بـ QEL القياسي وCOM الكلاسيكي.

النتائج
قيم المؤلفون COM-QEL على ثلاثة أنواع من الاختبارات القياسية الاصطناعية:

الدوال منخفضة التردد: في دالة ثنائية الأبعاد قائمة على جيب التمام (Cosine-based)، تفوق COM-QEL باستمرار على QEL القياسي. أظهرت النتائج أن COM-QEL يمكنه استخلاص حلول أفضل مع تجنب تلك ذات المنفعة المنخفضة للغاية. أظهرت الخوارزمية متانة تجاه المعامل $\tau$ ضمن نطاق محدد.
الدوال عالية التردد: في دالة "آكلي" (Ackley function) الصعبة (التي تتميز بالتقلبات الكبيرة)، نجح COM-QEL في تجنب الحلول ذات المنفعة المنخفضة. سلطت الدراسة الضوء على أن الحفاظ على كلا طرفي العقوبة في هدف التنظيم (بالنظر إلى كل من المجموعة العدائية والمجموعة الأصلية) كان أمراً حاسماً لزيادة المنفعة مع الحفاظ على الحداثة.
الدوال الهيكلية: في دالة مركبة تجمع بين مكوني "روزنبروك" و"آكلي"، قارن المؤلفون بين نموذج (HEA) قياسي وبين QGNN المدرك للهيكل. تفوق COM-QEL القائم على QGNN على نسخة HEA في كل من المنفعة والحداثة، مما يؤكد أن ترميز هيكل المشكلة في الدائرة الكمية يحسن الأداء.

الأهمية والادعاءات
يزعم العمل أن COM-QEL يوازن بفعالية بين استكشاف المناطق خارج العينة وضرورة الحذر. بالنسبة للدوال المسالمة، فإنه يستكشف بفعالية؛ أما بالنسبة للدوال شديدة التباين ذات العديد من القيم المحلية المثلى، فإنه يتجنب الابتعاد كثيراً عن مجموعة البيانات، مما يقلل من خطر استغلال النموذج. يؤكد المؤلفون أن أداء التحسين الكمي غير المتصل يمكن تحسينه بشكل كبير من خلال دمج التنظيم المحافظ وترميز الهياكل الأساسية للمشكلة في بنية الدائرة الكمية. ويضع العمل نفسه كخطوة نحو تكييف خوارزميات التحسين الكمي مع المتطلبات الصارمة للإعدادات غير المتصلة، رغم إشارة المؤلفين إلى الحاجة لعمل مستقبلي للتحقق التجريبي على الأجهزة الكمية الحقيقية والتوسع في التعلم التعزيزي غير المتصل.

المشكلة: الطاهي "المفرط في الثقة"

الحل: الطاهي الكمومي "المتحفظ"

"المكون السري": معرفة مخطط المطبخ

ماذا وجدوا؟

الخلاصة

أبحاث مشابهة