On the Importance of Fundamental Properties in Quantum-Classical Machine Learning Models

ملخص تقني: حول أهمية الخصائص الجوهرية في نماذج التعلم الآلي الكمي-الكلاسيكي الهجين

1. بيان المشكلة

مع تزايد زخم الشبكات العصبية الهجينة الكمية-الكلاسيكية (HQNNs)، تظل هناك فجوة حرجة في فهم كيفية تأثير خيارات معمارية محددة داخل المكون الكمي — وتحديداً عمق النموذج المتغير (variational ansatz) واختيار رسم خرائط الميزات الكمية (quantum feature mapping) — على ديناميكيات التعلم الإجمالية وأداء التصنيف. وبينما تكون الإمكانات النظرية لهذه النماذج عالية، فإن التنفيذ العملي غالباً ما يعاني من تصميم غير مثالي، مما يؤدي إلى مشكلات مثل نقص الملاءمة (underfitting)، أو انهيار الأبعاد، أو ضعف التعميم. تسعى هذه الورقة إلى القياس المنهجي لكيفية تأثير هذين العنصرين التصميميين على الدقة، واستقرار التدريب، وقابلية فصل البيانات.

2. المنهجية

طوّر الباحثون بنية هجينة تدمج استخراج الميزات الكلاسيكية مع طبقة معالجة كمية:

• المكون الكلاسيكي (CNN): شبكة عصبية تلافيفية تتكون من ثلاث كتل (تلافيف $\leftarrow$ ReLU $\leftarrow$ Max Pooling $\leftarrow$ Dropout). تقوم بمعالجة خرائط حرارية رمادية بحجم $8 \times 8$ (مشتقة من مجموعة بيانات الاستدلال السببي) وتستخدم طبقة خطية لتقليص متجه الميزات ذي الـ 64 بُعداً إلى $n_q = 3$ كيوبتات.
• المكون الكمي (QNN):
  • رسم خرائط الميزات (Feature Mapping): تم اختبار تسعة استراتيجيات ترميز مختلفة، تتراوح من دورات بسيطة حول محور $Z$ إلى دورات "باولي" معقدة متعددة المحاور ($X, Y, Z$) وخرائط $ZZ$ متشابكة.
  • النموذج المتغير (Ansatz): تم استخدام دائرة TwoLocal كفؤة للأجهزة، تتناوب بين دورات أحادية الكيوبت ($R_y, R_z$) وتشابك CNOT خطي. وقد تباينت الدراسة في عدد التكرارات (العمق) من 1 إلى 5.
• المهمة والتدريب: يؤدي النموذج مهمة تصنيف متعدد الفئات على مجموعة بيانات "أزواج السبب والنتيجة" (3 فئات). اعتمد التدريب على دالة خسارة الإنتروبيا المتقاطعة (Cross-Entropy)، وخوارزمية التدرج الاشتقاقي العشوائي (SGD) مع زخم "نيستروف"، وتنظيم L2.
• مقاييس التقييم: بالإضافة إلى الدقة القياسية، استخدم المؤلفون أدوات تشخيصية متقدمة:
  • فجوة التعميم (Generalization Gap): الفرق بين دقة التدريب ودقة التحقق.
  • مقاييس الاستقرار: مقدار التقلب و"نسبة الاستقرار".
  • قابلية فصل البيانات: تحليل المكونات الرئيسية (PCA) ودرجات "سيلويت" (Silhouette scores) لتصور وقياس كيفية تطور توزيع البيانات عبر مراحل الشبكة.

3. المساهمات الرئيسية

• دراسة بارامترية منهجية: توفر مقارنة منضبطة لعمق النموذج وتعقيد خريطة الميزات، متجاوزةً الأدلة القائمة على الملاحظات العابرة إلى القياس التجريبي.
• تحديد "الضرورة الهندسية": تثبت أن رسم خرائط الميزات ليس مجرد مسألة تعقيد، بل هو مسألة توافق هندسي مع البيانات.
• إطار تشخيصي: يدمج مقاييس التجميع غير الخاضعة للإشراف (PCA/Silhouette) في تقييم التعلم الخاضع للإشراف للكشف عن سبب فشل بعض الطبقات الكمية (مثل تحديد انهيار الأبعاد).

4. النتائج

• عمق النموذج المتغير (Ansatz Depth):
  • زيادة العمق (حتى 3 تكرارات) يحسن دقة التحقق، والتعميم، واستقرار التدريب.
  • تعمل الدوائر الأكثر عمقاً كـ منظمات ضمنية (implicit regularizers)، مما يؤدي إلى نسبة استقرار أقل من واحد (مما يعني أن النموذج أكثر استقراراً في بيانات التحقق منه في بيانات التدريب).
  • ومع ذلك، فإن الفوائد تصل إلى مرحلة الثبات (plateau) وتتراجع في النهاية؛ حيث أدى نموذج بـ 5 تكرارات إلى دقة أقل، ويرجع ذلك على الأرجح إلى مشهد تحسين شديد التعقيد.
• رسم خرائط الميزات (العامل الحاسم):
  • النجاح: حققت تهيئة pauli xyz 1 rep وحدها أداءً عالياً (دقة $\approx 90\%$). تستخدم هذه الخريطة مؤثرات "باولي" غير التبادلية عبر محاور متعددة، مما يخلق تضميناً غنياً وعالي الأبعاد.
  • الفشل (نقص الملاءمة): فشلت الخرائط التي تستخدم دورات $Z$ فقط في فصل الفئات لأنها قيدت تطور الحالة في محور واحد على كرة بلوخ.
  • الفشل (انهيار الأبعاد): تسببت الخرائط شديدة التعقيد (مثل zz reps 3 full) في جعل النموذج ينهار إلى فئتين فقط، وفشل في التمييز بين الفئات الثلاث. وقد تجلى ذلك في درجات "سيلويت" عالية كانت "غير متوافقة" مع تسميات التدريب الفعلية.

5. الأهمية

يوفر هذا البحث خارطة طريق عملية لتصميم النماذج الهجينة الكمية-الكلاسيكية. ويخلص البحث إلى أن التعبيرية يجب أن تتوازن مع التوافق مع المهمة:

1. تجنب ترميزات "محور Z فقط": فهي تفتقر إلى الثراء الهندسي المطلوب للتصنيف المعقد.
2. تجنب "الإفراط في الهندسة": فالعمق أو التشابك المفرط يمكن أن يؤدي إلى صعوبات في التحسين وانهيار الأبعاد.
3. إعطاء الأولوية للدورات متعددة المحاور: يعد استخدام دورات $X$ و $Y$ و $Z$ أمراً ضرورياً للاستففادة من فضاء هيلبرت الكامل لفصل الفئات.

تنقل هذه الدراسة التركيز من مجرد "إضافة المزيد من الطبقات الكمية" إلى "تصميم الطبقات الكمية الصحيحة"، مما يقدم توجيهات حيوية لتطوير أنظمة التعلم الآلي المعززة كمياً من الجيل التالي.