⚛️ quantum physics

Role of overparametrization in quantum approximate optimization

تتقصى هذه الورقة دور الإفراط في التوصيف (overparameterization) في خوارزمية التحسين التقريبي الكمي (QAOA)، وتجد أنه بينما يعد الإفراط في التوصيف ضروريًا وكافيًا لحل مشكلات MAX-CUT، فإن الدوائر ذات التوصيف الناقص (underparameterized) غالبًا ما تكون كافية لمشكلات MAX-2-SAT، مما يشير إلى إمكانية فائدة خوارزمية QAOA على الأجهزة الكمية الحالية المشوبة بالضجيج.

المؤلفون الأصليون: Daniil Rabinovich, Andrey Kardashin, Soumik Adhikary

نُشر 2026-08-05

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Daniil Rabinovich, Andrey Kardashin, Soumik Adhikary

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

لغز الكم: لماذا لا يعني الحجم الأكبر الأفضل دائمًا

تخيل أنك تحاول حل عقدة ضخمة ومتشابكة من الخيوط. في عالم الحواسيب التقليدية، نمتلك أدوات قوية لفك هذه العقد، لكننا الآن بصدد بناء نوع جديد من الآلات يسمى الحاسوب الكمي. هذه الآلات سريعة للغاية في مهام معينة، لكنها أيضًا هشة جدًا. إنها تشبه المنحوتات الزجاجية الرقيقة التي يمكن أن تتحطم إذا نظرت إليها بقوة أو إذا أصبحت الغرفة صاخبة للغاية. وبسبب هذه الهشاشة، فإن الجيل الحالي من الحواسيب الكمية، المعروف باسم أجهزة NISQ (الكمية متوسطة المدى ذات الضجيج)، لا يمكنها سوى تشغيل برامج قصيرة جدًا قبل أن ترتكب الأخطاء.

للتغلب على ذلك، يستخدم العلماء استراتيجية ذكية تسمى الخوارزميات الكمية التباينية. فكر في هذا كجهد مشترك بين إنسان وروبوت. يحاول الروبوت (الحاسوب الكمي) تجربة نمط محدد من الحركات لحل مشكلة ما، لكنه لا يعرف الإجابة بعد. يقوم بإرسال "درجة" إلى الإنسان (الحاسوب التقليدي)، والذي يقوم بدوره بتعديل حركات الروبوت قليلًا ويطلب منه المحاولة مرة أخرى. يستمرون في القيام بذلك، ويتحسنون أكثر فأكثر، حتى تصبح الدرجة مثالية. السؤال الكبير للعلماء هو: كم عدد الحركات التي يحتاج الروبوت بالفعل للقيام بها؟

في عالم الذكاء الاصطناعي وتعلم الآلة، هناك فكرة شائعة مفادها أن "الأكثر هو الأفضل". إذا أعطيت خوارزمية التعلم عددًا هائلًا من المقابض والتروس لضبطها (وهو مفهوم يسمى الإفراط في المعلمات - overparametrization)، فإنها عادة ما تجد الحل بشكل أسرع وأكثر موثوقية. ولكن هل ينطبق هذا على روبوتاتنا الكمية الهشة؟ إذا جعلنا الدائرة الكمية عميقة جدًا (أي تحتوي على الكثير من طبقات الحركات)، فقد يؤدي الضجيج إلى إفساد الحسابات. ولكن إذا جعلناها ضحلة جدًا، فقد يعلق الروبوت ولا يجد الإجابة أبدًا. يغوص هذا البحث في هذا المعضل تحديدًا ليرى ما إذا كنا نحتاج حقًا لبناء هذه الدوائر الضخمة والمعقدة، أم أن دائرة أصغر وأبسط قد تفي بالغرض.

اكتشاف الورقة البحثية: متى يكون "الإفراط" ضروريًا، ومتى لا يكون كذلك

قرر الباحثون في هذه الورقة اختبار نظرية "الأكبر هو الأفضل" باستخدام خوارزمية كمية محددة تسمى QAOA (خوارزمية التحسين التقريبي الكمي). لقد عاملوا الدائرة الكمية مثل وصفة، حيث يمثل "العمق" عدد الخطوات أو الطبقات في الوصفة. أرادوا إيجاد "النقطة المثالية": الحد الأدنى من عدد الخطوات اللازمة لحل المشكلة بشكل مثالي، ومقارنتها بالنقطة التي تصبح فيها الدائرة "مفرطة في المعلمات" (بمعنى أنها تمتلك الكثير من المقابض القابلة للتعديل بحيث لا يمنحها المزيد منها أي قوة جديدة).

لاختبار ذلك، استخدموا نوعين كلاسيكيين من الألغاز المنطقية: MAX-CUT و MAX-2-SAT. يمكنك التفكير في هذه كأنواع مختلفة من المتاهات.

متاهة MAX-CUT: قاعدة "الدائرة الكبيرة"
عندما تعاملوا مع مشكلة MAX-CUT (تحديدًا على الرسوم البيانية حلقية الشكل)، وجدوا شيئًا مذهلاً. بالنسبة لهذه الألغاز، كان عمق "الإفراط في المعلمات" هو نفسه تمامًا العمق "الأمثل". بعبارة أخرى، لحل هذه المتاهات المحددة، أنت تحتاج حقًا لبناء الدائرة حتى ذلك الحجم الأقصى.

أثبت المؤلفون رياضيًا أنه بالنسبة لحلقة مكونة من $n$ من العقد، تحتاج الدائرة إلى حوالي $n/2$ من الطبقات لضمان الحل. إذا توقفت قبل هذا العمق، سيضيع الروبوت. وإذا تجاوزته، فلن تكسب أي شيء جديد؛ لقد وصلت فقط إلى سقف ما يمكن للدائرة التعبير عنه. الأمر يشبه محاولة فتح باب: أنت بحاجة إلى العدد الصحيح من المسامير في القفل. إذا كان لديك أقل، سيبقى الباب مغلقًا. وإذا كان لديك أكثر، فلن يساعد ذلك؛ ستكون لديك فقط مسامير إضافية لا تفعل شيئًا. بالنسبة لـ MAX-CUT، فإن "الزيادة" هي في الواقع مطلوبة لفتح الباب في المقام الأول.

متاهة MAX-2-SAT: مفاجأة "الدائرة الصغيرة"
ومع ذلك، عندما انتقلوا إلى مشكلة MAX-2-SAT، تغيرت القصة تمامًا. هنا تصبح الورقة مثيرة حقًا لمستقبل الحوسبة الكمية. فقد اكتشفوا أنه بالنسبة لهذه الألغاز، يمكن للروبوت حل المشكلة باستخدام دائرة أصغر بكثير من حد "الإفراط في المعلمات".

في الواقع، وجدوا أن معظم حالات MAX-2-SAT يمكن حلها عندما تكون الدائرة مجرد جزء ضئيل من الحجم المطلوب لتكون "مفرطة في المعلمات". بالنسبة لمشكلة تحتوي على 7 متغيرات، تمكنوا من حل حوالي 85% من الألغاز باستخدام دائرة كانت نصف حجم الدائرة "القصوى" فقط. كان معدل النجاح مرتفعًا، ولم يحتج الروبوت إلى كل تلك المقابض الإضافية.

هذا أمر بالغ الأهمية لأنه يشير إلى أنه لأنواع معينة من المشكلات، لسنا بحاجة لبناء هذه الدوائر الضخمة المعرضة للضجيج. يمكننا استخدام دوائر "أقل في المعلمات" (underparametrized)—أي وصفات أقصر وأبسط، وهي أقل عرضة للتعطل على الحواسيب الكمية الحالية المليئة بالضجيج.

الحكم النهائي: الأمر يعتمد على اللغز
تخلص الورقة إلى أن الإجابة على سؤال "هل نحتاج إلى الإفراط في المعلمات؟" تعتمد كليًا على نوع المشكلة التي تحاول حلها.

بالنسبة لـ MAX-CUT، فإن الإفراط في المعلمات هو أمر ضروري وكافٍ في آن واحد. أنت بحاجة إلى القوة الكاملة للدائرة العميقة لإنجاز المهمة.
بالنسبة لـ MAX-2-SAT، فإن الإفراط في المعلمات هو كافٍ (إنه يعمل إذا كان لديك)، ولكنه ليس ضروريًا. يمكنك حل المشكلة باستخدام دائرة أصغر وأكثر كفاءة.

أجرى المؤلفون هذه الاختبارات على عمليات محاكاة تصل إلى 10 متغيرات لـ MAX-CUT وما يصل إلى 10 متغيرات لـ MAX-2-SAT. لم يكتفوا بالتخمين؛ بل أجروا آلاف محاولات التحسين لمعرفة عدد المرات التي يجد فيها الروبوت الإجابة الصحيحة عند أعماق مختلفة. وجدوا أنه بالنسبة لـ MAX-CUT، قفز معدل النجاح بشكل كبير فقط عندما وصلت الدائرة إلى عمق الإفراط في المعلمات. ولكن بالنسبة لـ MAX-2-SAT، كان معدل النجاح مرتفعًا بالفعل عندما كانت الدائرة لا تزال صغيرة جدًا.

لماذا يهم هذا؟
هذا الاكتشاف يشبه اكتشاف أنه بينما تتطلب بعض الأقفال مفتاحًا رئيسيًا بألف سن، يمكن فتح أخرى بمشبك ورق بسيط. بالنسبة لمشكلات "مشبك الورق" (مثل MAX-2-SAT)، يمكننا استخدام دوائر أقصر، وهي أكثر ملاءمة للأجهزة الكمية الحالية المليئة بالضجيج. هذا يعني أننا قد نتمكن من حل مشكلات مفيدة على أجهزتنا اليوم في وقت أقرب مما كنا نعتقد، دون انتظار نضوج التكنولوجيا بما يكفي للتعامل مع الدوائر الضخمة والعميقة. ومع ذلك، تحذر الورقة أيضًا من أن هذه الدوائر الأصغر يمكن أن تتعثر أحيانًا في "الهضاب القاحلة" (Barren Plateaus) (وهي طريقة منمقة للقول بأن الروبوت يصاب بالارتباك ويتوقف عن التعلم)، لذا لا يزال هناك عمل يتعين القيام به لجعل هذه الاختصارات موثوقة.

باختصار، تخبرنا الورقة أن قاعدة "الأكبر هو الأفضل" ليست قانونًا عالميًا للحواسيب الكمية. أحيانًا، تحتاج إلى السلاح الثقيل؛ وفي أحيان أخرى، كل ما تحتاجه هو أداة صغيرة ودقيقة.

ملخص تقني: دور الإفراط في المعلمات في التحسين الكمي التقريبي

بيان المشكلة
تُعد الخوارزميات الكمية التباينية (VQAs)، ولا سيما خوارزمية التحسين الكمي التقريبي (QAOA)، مرشحات واعدة لحل مشكلات التحسين التوليفي على أجهزة العصر الكمي ذو المقياس المتوسط المشوب بالضجيج (NISQ). ومع ذلك، يظل هناك سؤال جوهري مفتوح: ما هي الموارد الكمية الدنيا (تحديداً عمق الدارة) المطلوبة لإيجاد الحل؟ إن الإفراط في المعلمات (overparametrization) — أي استخدام عدد من المعلمات يتجاوز عتبة معينة — معروف في تعلم الآلة الكلاسيكي وفي بعض السياقات الكمية بقدرته على تحسين التقارب وتجنب "الهضاب القاحلة" (barren plateaus)، ولكنه غالباً ما يتطلب أعماق دوائر تتجاوز قدرات أجهزة NISQ. يبحث هذا العمل فيما إذا كان الإفراط في المعلمات ضروريًا وكافيًا لخوارزمية QAOA لحل مشكلات توليفية محددة، أم أنه يمكن إيجاد الحلول في نظام "نقص المعلمات" (underparametrized).

المنهجية
يعرّف المؤلفون الإفراط في المعلمات باستخدام مفهوم البعد الكمي الفعال (EQD)، ويُرمز له بـ $Q(U)$ . والبعد الكمي الفعال هو الدرجة القصوى لمصفوفة معلومات فيشر الكمية (QFI) عبر فضاء المعلمات، وهو يعمل كمقياس لمدى تعبير الدارة (expressivity). تُعتبر الدارة مفرطة في المعلمات عندما لا يؤدي زيادة العمق إلى زيادة البعد الكمي الفعال. و"عمق الإفراط في المعلمات" ( $p_c$ ) هو أصغر عمق يحدث عنده هذا التشبع.

تقارن الدراسة $p_c$ مقابل العمق الأمثل لـ QAOA ( $p^*$ )، والذي يُعرف بأنه الحد الأدنى للعمق المطلوب لتحقيق حل ضمن تفاوت خطأ طاقة معين ( $\epsilon$ ). يحلل المؤلفون نوعين مختلفين من المشكلات الصعبة حاسوبياً (NP-hard):

MAX-CUT: تم استقصاؤها على رسوم بيانية منتظمة بـ 2 (حلقات عدم الاتفاق)، ورسوم بيانية منتظمة بـ $k$ ، ورسوم بيانية عشوائية غير موزونة.
MAX-2-SAT: تم استقصاؤها على نماذج عشوائية مع تباين في عدد المتغيرات والبنود.

يجمع التحليل بين البراهين التحليلية لحالات محددة (الرسوم البيانية المنتظمة بـ 2) والمحاكاة العددية المكثفة للرسوم البيانية العشوائية ونماذج MAX-2-SAT. ويتم قياس النجاح من خلال نسبة عمليات التحسين التي تتقارب نحو الحالة الأرضية (ground state) ونسبة نماذج المشكلات التي تم حلها.

النتائج الرئيسية

MAX-CUT في الرسوم البيانية المنتظمة بـ 2:
- يثبت المؤلفون تحليلياً أنه بالنسبة لعدد زوجي من الكيوبتات $n$ ، فإن العمق الأمثل يتدرج كـ $p^* = \lfloor n/2 \rfloor$ .
- تُظهر النتائج العددية أن عمق الإفراط في المعلمات $p_c$ يتطابق تماماً مع $p^*$ (أي $p_c = \lfloor n/2 \rfloor$ ) لما يصل إلى 20 كيوبت.
- الاستنتاج: بالنسبة لفئة المشكلات هذه، فإن الإفراط في المعلمات هو كافٍ وضروري في آن واحد. إن الانتقال إلى نظام الإفراط في المعلمات يمثل النقطة الدقيقة التي يصبح فيها الحل متاحاً باحتمالية عالية.
MAX-CUT في الرسوم البيانية العشوائية والمنتظمة بـ $k$ :
- تُظهر التجارب العددية على الرسوم البيانية العشووية والمنتظمة أنه بينما لا يكون الإفراط في المعلمات ضرورياً بشكل صارم لكل نموذج، إلا أنه ضروري لـ جزء مهيمن إحصائياً من النماذج.
- يتم حل معظم النماذج تماماً عند أو بالقرب من $p_c$ .
- تُظهر احتمالية النجاح في إيجاد حل زيادة مفاجئة عند الانتقال من نظام نقص المعلمات إلى نظام الإفراط في المعلمات.
MAX-2-SAT:
- في تناقض حاد مع MAX-CUT، يتم حل غالبية نماذج MAX-2-SAT ضمن نظام نقص المعلمات ( $p \ll p_c$ ).
- بالنسبة لـ $n=7$ ، تم حل حوالي 85% من النماذج بأعماق دوائر لا تتجاوز نصف عمق الإفراط في المعلمات.
- يتدرج العمق الأمثل $p^*$ كـ $\sim \sqrt{2^n}$ ، بينما يتدرج عمق الإفراط في المعلمات $p_c$ كـ $\sim 2^n$ (مما يشبع أبعاد فضاء هيلبرت).
- بناءً على ذلك، تتناقص النسبة $p^*/p_c$ أسياً مع حجم المشكلة، مما يشير إلى أن الحلول تُوجد باستخدام دوائر ذات معلمات أقل بكثير مما يتطلبه فضاء هيلبرت مع نمو $n$ .
- لوحظت احتمالات نجاح عالية حتى عند $p/p_c \ll 1$ ، مما يناقض النتائج في سياقات أخرى حيث تظل احتمالية النجاح ضئيلة حتى الوصول إلى نظام الإفراط في المعلمات.

الأهمية والادعاءات
يزعم البحث أن ضرورة الإفراط في المعلمات تعتمد على المشكلة:

بالنسبة لـ MAX-CUT، يبدو أن الإفراط في المعلمات يمثل عتبة حرجة؛ حيث يتوافق العمق الأمثل مع تشبع البعد الكمي الفعال. يشير هذا إلى أنه بالنسبة لهياكل معينة من المشكلات، لا يمكن تجنب الدوائر العميقة لضمان النجاح باحتمالية عالية.
بالنسبة لـ MAX-2-SAT، فإن الإفراط في المعلمات كافٍ ولكنه ليس ضرورياً. تسلط النت النتائج الضوء على إمكانات QAOA في نظام نقص المعلمات، مما يشير إلى أن العديد من المشكلات التوليفية يمكن حلها بموارد أقل بكثير مما قد يوحي به بُعد فضاء هيلبرت.

يؤكد المؤلفون أن هذه النتائج ذات أهمية خاصة لأجهزة NISQ، حيث يعني تقليل عمق الدائرة انخفاض التعرض للضجيج وأخطاء البوابات. ومع ذلك، فقد أشاروا أيضاً إلى تنبيه: حتى في نظام نقص المعلمات، قد تستمر مشكلات القابلية للتدريب مثل "الهضاب القاحلة" (حيث تصبح التدرجات صغيرة أسياً)، إذ يمكن للتدرجات أن تتلاشى عند أعماق حدودية قبل الوصول إلى عتبة الإفراط في المعلمات. لا يقترح هذا العمل خوارزميات جديدة، بل يقدم أدلة تجريبية وتحليلية لتوجيه تقديرات الموارد لتطبيقات QAOA الحالية.

لغز الكم: لماذا لا يعني الحجم الأكبر الأفضل دائمًا

اكتشاف الورقة البحثية: متى يكون "الإفراط" ضروريًا، ومتى لا يكون كذلك

أبحاث مشابهة