⚛️ quantum physics

HattriQ: Designing Integrated Gradients for Feature Attribution in Quantum Machine Learning

تقدم هذه الورقة HattriQ، وهو إطار عمل عام يتيح قابلية التفسير في تعلم الآلة الكمي القائم على الدارات من خلال حساب التدرجات المتكاملة القائمة على السعة مباشرة على الأجهزة الكمية باستخدام اختبارات هادامارد، متجاوزاً بذلك قيود الطرق الكلاسيكية الناتجة عن انهيار القياس وتعقيد المحاكاة.

المؤلفون الأصليون: Nicholas S. DiBrita, Jason Han, Younghyun Cho, Hengrui Luo, Tirthak Patel

نُشر 2026-05-26

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Nicholas S. DiBrita, Jason Han, Younghyun Cho, Hengrui Luo, Tirthak Patel

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 أن لديك صندوقاً أسود سحرياً فائق التعقيد يمكنه النظر إلى صورة قطة وإخبارك: "هذه قطة!". هذا الصندوق هو نموذج تعلم آلي كمي (QML). إنه قوي للغاية، لكنه يعمل وفق القوانق الغريبة للفيزياء الكمية.

المشكلة هي أنه صندوق أسود. حتى الأشخاص الذين بنوه لا يمكنهم بسهولة شرح لماذا قرر أن هذه قطة. هل نظر إلى الأذنين؟ أم الشوارب؟ أم أنه كان مجرد ضرب من الحظ؟ في العالم الكلاسيكي، لدينا أدوات لإلقاء نظرة داخل الصندوق لنرى أي أجزاء من المدخلات كانت الأكثر أهمية. ولكن في العالم الكمي، إذا حاولت التلصص، تختفي السحر (تنهار الحالة الكمية)، وتتغير الإجابة.

تقدم هذه الورقة البحثية HATTRIQ، وهي أداة جديدة صُممت لحل هذا اللغز دون كسر السحر.

المشكلة الجوهرية: الصندوق "غير المرئي"

فكر في الحاسوب الكمي كطاهٍ يطبخ طبقاً في مطبخ مغلق تماماً ومعزول للصوت. تعطيه المكونات (البيانات)، ويقدم لك وجبة جاهزة (التنبؤ).

الذكاء الاصطناعي الكلاسيكي: يمكنك سؤال الطاهي: "هل استخدمت ملحاً أكثر أم فلفلاً؟" ويمكنه التحقق من وصفته.
الذكاء الاصطناعي الكمي: الطاهي يعمل بمكونات توجد في مكانين في آن واحد (التراكب الكمي). إذا فتحت الباب لتسأل عن الملح، ستتحول المكونات فوراً إلى شيء آخر، وتفسد الوصفة.

بسبب هذا، لم نكن نستطيع سابقاً معرفة أي "مكون" (بكسل في صورة، أو نقطة بيانات) كان الأكثر أهمية للقرار النهائي.

الحل: HATTRIQ (المرآة السحرية)

ابتكر المؤلفون HATTRIQ (مخطط تقييم إسناد المدخلات القائم على اختبار هادامارد للنماذج الكمية).

بدلاً من محاولة التلصص داخل المطبخ وإفساد الطبق، يستخدم HATTRIQ خدعة مرآة ذكية (تسمى اختبار هادامارد).

التشبيه: تخيل أنك تريد معرفة مدى مساهمة مكون معين في المذاق، لكن لا يمكنك تذوق الحساء مباشرة. بدلاً من ذلك، تقوم بتشغيل نسخة "شبحية" موازية لعملية الطهي بجانب العملية الحقيقية. ومن خلال مقارنة كيفية تفاعل الحساء الحقيقي مع الحساء الشبح، يمكنك حساب مدى أهمية ذلك المكون المحدد رياضياً، دون فتح القدر أبداً.

يقوم HATTRIQ بذلك على الأجهزة الكمية الفعلية. فهو يشغل دائرة خاصة تسأل الحاسوب الكمي: "إذا قمت بتعديل هذا الجزء المحدد من المدخلات، كيف تتغير الإجابة النهائية؟" يفعل ذلك عن طريق قياس "احتمالية" نتيجة معينة، مما يكشف عن أهمية ميزة المدخلات تلك.

كيف يعمل (مفهوم "التدرج")

ببساطة، يحسب HATTRIQ التدرجات المتكاملة (Integrated Gradients).

تخيل أنك تسير من شاشة بيضاء فارغة (لا توجد صورة) إلى صورة كاملة لقطة.
يأخذ HATTRIQ خطوات صغيرة على طول ذلك المسار. عند كل خطوة، يسأل: "كم ساهم هذا البكسل المحدد في التغيير؟"
يقوم بجمع كل تلك المساهمات الصغيرة ليعطيك درجة نهائية: "هذا البكسل كان مهماً جداً (إيجابي مرتفع)"، "هذا البكسل كان مربكاً (سلبي)"، أو "هذا البكسل لم يكن مهماً (صفر)".

ما الذي اختبروه به

اختبر الفريق HATTRIQ على عدة "صناديق سوداء" ليروا ما إذا كان بإمكانهم تفسير قراراتها:

الأنماط البسيطة: التمييز بين الخطوط العرضية والخطوط المخططة.
الأرقام المكتوبة بخط اليد: التعرف على الأرقام مثل 0، 1، 3، 4، إلخ (من مجموعات بيانات MNIST وNIST).
الملابس: التمييز بين الفستان والقميص، أو الأحذية الصيفية (Sandals) والأحذية الطويلة (Boots) (من مجموعة بيانات FashionMNIST).
بيانات الفيزياء الكمية: حتى اختبارها على بيانات تمثل المغناطيسية في سلسلة (مجموعة بيانات TFIM)، مما يثبت أنها تعمل على البيانات الكمية الصرفة، وليس فقط الصور.

النتائج: إنه يعمل بالفعل!

إنه منطقي: عندما نظر HATTRIQ إلى صورة الرقم "4"، فقد سلط الضوء على الزوايا الحادة للرقم "4" وتجاهل الخلفية. وعندما نظر إلى الرقم "3"، سلط الض الضوء على المنحنيات. لم يكن يخمن فحسب؛ بل وجد الميزات الفعلية التي يستخدمها النموذج.
إنه قوي: اختبروه باستخدام أجهزة كمية "ضوضائية" (محاكاة لآلة معطلة أو غير مثالية قليلاً). حتى مع وجود أخطاء، ظل HATTRIQ يعطي إجابات واضحة ودقيقة.
إنه فعال: أظهروا أنه يمكنك تشغيل هذه الاختبارات بالتوازي (باستخدام عدة "مطابخ شبحية" في وقت واحد) لتسريع العملية.

لماذا هذا مهم؟

قبل HATTRIQ، إذا ارتكب الذكاء الاصطناعي الكمي خطأً، لم يكن لدينا أدنى فكرة عن السبب. كنا نطير بشكل أعمى.

الثقة: الآن، يمكننا التحقق مما إذا كان الذكاء الاصطناعي ينظر إلى الأشياء الصحيحة (مثل شكل الحذاء) أو الأشياء الخاطئة (مثل ذرة غبار عشوائية).
تصحيح الأخطاء: إذا كان الذكاء الاصطناعي منحازاً أو مرتبكاً، فإن HATTRIQ يساعد المطورين على رؤية مكان حدوث الارتباك بالضبط حتى يتمكنوا من إصلاح النموذج.

باختصار، HATT-RIQ هو أول كشاف يسمح لنا بالرؤية داخل الصندوق الأسود الكمي دون إطفاء الأنوار. إنه يترجم القرارات الكمية المحيرة وغير المرئية إلى خريطة واضحة لما "كان مهماً" للوصات النهائية.

ملخص تقني: HATTRIQ – تصميم التدرجات المتكاملة لتخصيص الميزات في تعلم الآلة الكمي

1. بيان المشكلة

تُظهر خوارزميات تعلم الآلة الكمي (QML) وعوداً كبيرة عبر المنصات الأجهزة المختلفة، لكنها تعاني من نقص في القابلية للتفسير بسبب الطبيعة الغامضة لتطور الحالة الكمية وغياب القدرة على المراقبة البينية. وبينما تُعد طرق التفسير الكلاسيكية مثل التدرجات المتكاملة (Integrated Gradients - IG) وتحليل الحساسية القائم على النماذج البديلة أمراً راسخاً، إلا أنها لا تتوافق مباشرة مع الدوائر الكمية.

انهيار القياس: إن محاولة تسجيل أو تسجيل الحالات الكمية الخفية بعد كل طبقة من الدائرة يؤدي إلى انهيار الحالة، مما يدمر العملية الحسابية.
التعقيد الأسي: تتطلب محاكاة تطور الحالة للنماذج الكبيرة التعامل مع متجهات سعة معقدة في فضاءات هيلبرت ضخمة أسياً، مما يجعل المحاكاة الكلاسيكية مستهلكة للموارد بشكل مكثف.
عدم التوافق: لا تستطيع طرق الحساسية التقليدية (مثل درجات Sobol/Shapley) الحفاظ على الوحدوية (unitarity) للدوائر الكمية، كما يصعب تطبيق قواعد التدرج القياسية (مثل إزاحة المعاملات - parameter-shift) عندما يتم تشفير البيانات عبر تضمين السعة (amplitude embedding)، حيث أن هيكل دائرة تحضير الحالة يتغير بناءً على المدخلات.

وبناءً على ذلك، هناك فجوة حرجة في فهم كيفية تأثير ميزات المدخلات على نتائج القياس النهائي في نماذج تعلم الآلة الكمي التي تعتمد على تضمين السعة.

2. المنهجية: HATTRIQ

يقترح المؤلفون HATTRIQ (مخطط درجات تخصيص المدخلات القائم على اختبار هادامارد للنماذج الكمية)، وهو إطار عمل مصمم لحساب درجات تخصيص المدخلات لنماذج تعلم الآلة الكمي القائمة على الدوائر باستخدام تضمين السعة. تكيّف هذه المنهجية نهج التدرجات المتكاملة (IG) الكلاسيكي مع الإعداد الكمي دون الحاجة إلى الوصول إلى الحالات الكمية الداخلية.

المكونات الأساسية

تضمين السعة (Amplitude Embedding): يستهدف إطار العمل مخطط التشفير واسع الاستخدام حيث تُشفر ميزات البيانات كسعات للحالة المدخلة $|x\rangle = \sum x_i |b_i\rangle$ . يسمح هذا بتشفيد عدد هائل من الميزات بالنسبة لعدد الكيوبتات.
اشتقاق التدرج (Lemma III.1): اشتق المؤلفون تعبيراً مغلق الصيغة لتدرج مخرج النموذج $F(x; \theta)$ بالنسبة للمكونات الحقيقية ( $c_k$ ) والتخيلية ( $d_k$ ) لسعات المدخلات.
$\frac{\partial F}{\partial c_k} = 2 \text{Re}[\langle b_k | U^\dagger(\theta) O U(\theta) | x \rangle]$
يربط هذا التعبير التدرج بقيمة التوقع لمؤثر محدد يعمل على حالة المدخلات، مما يتجنب الحاجة إلى التصوير الطيفي الصريح للحالة (state tomography).
بناء اختبار هادامارد (Hadamard Test Construction): لحساب نواتج الضرب الداخلي $\langle b_k | \tilde{O} | x \rangle$ $⟨ b_{k} ∣ \tilde{O} ∣ x ⟩$ مباشرة على الأجهزة الكمية، يستخدم HATTRIQ دائرة اختبار هادامارد.
- تستخدم الدائرة كيوبت مساعد (أو سجل) وعمليات متحكم بها.
- يقوم أحد الفروع بتحضير حالة القاعدة $|b_k\rangle$ ، بينما يقوم الفرع الآخر بتحضير حالة المدخلات $|x\rangle$ متبوعة بالوحدوية النموذجية $U(\theta)$ والمراقب $O$ .
- تعطي احتمالية قياس الكيوبت المساعد في الحالة $|0\rangle$ الجزء الحقيقي من الضرب الداخلي، والذي يقابل مكون التدرج.
التوازي (Theorem IV.3): لمعالجة التوسع الخطي لتقييمات الدائرة مع عدد ميزات المدخلات، قدم المؤلفون تقنية التوازي متعددة الكيوبتات المساعدة. من خلال استخدام $m$ من الكيوبتات المساعدة، يمكن لإطار العمل حساب $2^m - 1$ من مكونات التدرج بشكل متزامن في تنفيذ واحد للدائرة، مما يحافظ على كفاءة المساحة الأسية لتضمين السعة.

3. المساهمات الرئيسية

يحدد البحث المساهمات المحددة التالية:

صيغة رسمية لـ IG في تعلم الآلة الكمي: طريقة رسمية لحساب التدرجات المتكاملة لنماذج تعلم الآلة الكمي التي تستخدم تضمين السعة، وهو مخطط كان من الصعب اشتقاقه بكفاءة سابقاً.
بناء دوائر أصلية كمية: تصميم دائرة قائم على اختبار هادامارد يحسب تدرجات الميزات الدقيقة مباشرة على الأجهزة الكمية دون الحاجة إلى معرفة الحالة الكمية الداخلية.
استراتيجية التوازي: تقنية متعددة الكيوبتات المساعدة تتيح الحساب المتزامن للتدرجات، والتي تتوسع أسياً مع عدد الكيوبتات المساعدة، مما يجعل النهج قابلاً للتطبيق على مجموعات البيانات الأكبر على الأجهزة ذات السعة الكافية.
التحقق التجريبي: تقييم HATTRIQ في مهام التصنيف باستخدام Bars and Stripes، وMNIST، وFashionMNIST، ومجموعة بيانات نموذج Ising للمجال المستعرض (TFIM) الاصطناعية.
المصدر المفتوح: إصدار الكود ومجموعات البيانات لتسهيل إعادة الإنتاج.

4. النتائج التجريبية

قيم المؤلفون HATTRIQ باستخدام المحاكاة (بافتراض وجود أجهزة مثالية مصححة للأخطاء) والمحاكاة الضوضائية الممثلة للحوسبة الكمية المبكرة ذات الخطأ المنخفض (EFTQC).

مجموعات البيانات والدقة: تم اختبار إطار العمل في مهام التصنيف الثنائي عبر مجموعات بيانات متعددة. حققت النماذج دقة عالية (على سبيل المثال، ~~95-100% في Bars/Stripes وNIST؛ و~~70-99% في FashionMNIST).
جودة التخصيص:
- الارتباط الدلالي: بالنسبة لمجموعات بيانات الصور (NIST، MNIST، FashionMNIST)، أبرزت خرائط التخصيص المولدة مناطق ذات دلالة معنوية. على سبيل المثال، في تصنيف الأرقام، ركزت التخصيصات على ضربات الأرقام مع تجاهل ضوضاء الخلفية. وفي FashionMNIST، حدد النموذج بشكل صحيح أحزمة الحقائب واستبعد مناطق الصنادل.
- مقارنة التشفير: بينما حقق كل من التشفيد الزاوي وتضمين السعة دقة تصنيف مماثلة، كشف HATTRIQ أنهما ينتجان أنماط تخصيص مختلفة تماماً، مما يشير إلى استراتيجيات مختلفة في استخدام الميزات.
- التحقق من النموذج الصفري (Null Model): عند تطبيقه على "النماذج الصفرية" (بارامترات عشوائية التهيئة)، أنتج HATTRIQ خرائط تخصيص منتشرة وغير مركزة، مما يؤكد أن التخصيصات المهيكلة في النماذج المدربة ليست نتاجاً للنهج بل تعكس الميزات المتعلمة.
المتانة:
- ضوضاء الضربات (Shot Noise): حتى مع عدد قياسات منخفض (10-100 ضربة)، ظلت درجات التخصيص وفية إلى حد كبير للمحاكاة الدقيقة، مع ظهور الانحرافات فقط في التخصيصات الضعيفة.
- ضوضاء الأجهزة: تحت قناة ضوضاء إزالة الاستقطاب ( $\gamma = 10^{-4}$ )، حافظت درجات التخصيص على توزيعها المكاني وكثافتها النسبية، مما يثبت ملاءمتها لأجهزة الحوسبة الكمية المبكرة ذات الخطأ المنخفض.
البيانات الكمية (TFIM): في مجموعة بيانات TFIM الاصطناعية، حدد HATTRIQ بشكل صحيح التحولات الطورية. في نظام المجال القوي ( $g > 1$ )، ركزت التخصيصات على ارتباطات $\sigma_x$ ، بينما في نظام المجال الضعيف ( $g < 1$ )، انتقلت التخصيصات إلى مكونات $\sigma_y$ و $\sigma_z$ ، بما يتماشى مع الحدس الفيزيائي.

5. الأهمية والادعاءات

يضع البحث HATTRIQ باعتباره أول طريقة قائمة على التدرج لتخصيص المدخلات مصممة خصيصاً لنماذج تعلم الآلة الكمي التي تدعم تضمين السعة وتعمل بشكل أصيل على الأجهزة الكمية.

التوافق مع الأجهزة: على عكس طرق التفسير السابقة التي تعتمد على النماذج البديلة الكلاسيكية أو الاضطراب (الذي يكسر الوحدوية أو يتطلب انهيار الحالة)، يستخدم HATTRIQ بناءً يعتمد على الدائرة يحترم ميكانيكا الكم.
القابلية للتوسع: من خلال الاستفادة من اختبار هادامارد والتوازي متعدد الكيوبتات المساعدة، يعالج النهج التعقيد الأسي لتضمين السعة، مما يوفر مساراً لتفسير قابل للتوسع للنماذج الكمية الأكبر.
الثقة والضبط: يتيح إطار العمل تحديد الميزات عالية التأثير ويسمح للباحثين بالتحقق مما إذا كانت تنبؤات النموذج تتماشى مع المناطق ذات الدلالة المعنوية. كما يوفر آلية للكشف عن التحيز نحو عيوب الخلفية أو لمقارنة مخططات التشفير المختلفة التي قد تمتلك دقة مماثلة ولكن بمنطق داخلي مختلف.

يخلص المؤلفون إلى أن HATTRIQ يوفر إطار عمل موحداً ومستقلاً في التنفيذ لتخصيص المدخلات مع ضمانات الدقة، مما يمثل خطوة هامة نحو جعل نماذج تعلم الآلة الكمي شفافة وجديرة بالثقة. وقد لوحظ أن العمل المستقبلي قد يمتد ليشمل تخصيص المعلمات والطبقات.