⚛️ quantum physics

Efficient State Preparation for Quantum Machine Learning

تقدم هذه الورقة طريقة لإعداد الحالة الكمومية تعتمد على حالة ناتج مصفوفة (Matrix Product State) ذات عمق منخفض لتعلم الآلة الكمومي، والتي تحافظ على دقة التصنيف مع تعزيز المتانة بشكل كبير ضد الهجمات العدائية الكلاسيكية، كما تم إثباته في MNIST وFMNIST وجهاز كمومي فائق التوصيل.

المؤلفون الأصليون: Chris Nakhl, Maxwell West, Muhammad Usman

نُشر 2026-01-15

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Chris Nakhl, Maxwell West, Muhammad Usman

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 مكتبة ضخمة من البيانات الكلاسيكية (مثل صور لأرقام مكتوبة بخط اليد أو ملابس) وتريد تغذيتها في حاسوب فائق السرعة ومستقبلي يسمى الحاسوب الكمي (Quantum Computer). المشكلة هي أن الحواسيب الكمية تتحدث لغة مختلفة؛ فهي لا تفهم "البكسلات" أو "الأرقام" بشكل مباشر، بل تفهم "الحالات الكمية".

إن إدخال هذه البيانات إلى الحاسوب الكمي يشبه محاولة وضع منحوتة ثلاثية الأبعاد ضخمة ومعقدة داخل صندوق صغير وهش. إذا حاولت تعبئتها بدقة متناهية (باستخدام "الترميز الدقيق")، فإن العملية ستكون معقدة للغاية وتستغرق وقتاً طويلاً، مما يفقدك الغرض من استخدام حاسوب كمي سريع. الأمر يشبه محاولة طي ملاءة سرير كبيرة الحجم لتصبح بحجم منديل جيب بدقة مثالية؛ سيستغرق ذلك وقتاً طويلاً ويتطلب جهداً هائلاً.

تقترح هذه الورقة البحثية طريقة أذكى وأكثر مرونة للقيام بذلك: طريقة "التعبئة الجيدة بما يكفي".

إليك تفصيل نهجهم باستخدام تشبيهات بسيطة:

1. المشكلة: التعبئة المثالية صعبة للغاية

عادةً، لوضع البيانات في حاسوب كمي، تحتاج إلى دائرة (مجموعة من التعليمات) تكون عميقة ومعقدة للغاية. يشبه المؤلفون ذلك بوصفة تتطلب 4 مليارات خطوة لصنع شطيرة واحدة؛ هذا بطيء جداً ويستهلك الكثير من الموارد.

2. الحل: "حالة ناتج المصفوفة" (Matrix Product State - MPS)

قدم المؤلفون أداة رياضية تسمى حالة ناتج المصفوفة (MPS).

التشبيه: تخيل أن لديك خيطاً طويلاً ومتشابكاً من الخرز يمثل بياناتك. بدلاً من محاولة فك تشابك الخيط بالكامل دفعة واحدة، قم بتقسيمه إلى أقسام صغيرة يمكن التحكم فيها. انظر كيف ترتبط الخرزات في قسم واحد بالقسم الذي يليه.
كيف يساعد ذلك: هذه الطريقة تقسم مشكلة البيانات الضخمة إلى قطع صغيرة سهلة الهضم. وهي تسمح لك ببناء "تعليمات تعبئة" (دائرة كمية) أقصر وأبسط بكثير. إنها لا تحاول أن تكون مثالية، بل تحاول أن تكون فعالة.

3. التعبئة "غير المثالية"

يوضح المؤلفون أنك لست بحاجة لتعبئة البيانات بشكل مثالي داخل الحاسوب الكمي، بل يكفي أن تكون "قريبة بما يكفي".

التشبيه: فكر في إرسال صورة عبر رسالة نصية. إذا أرسلت الملف الأصلي عالي الدقة، فسيستغرق الأمر وقتاً طويلاً وقد يفشل الإرسال. أما إذا أرسلت نسخة مضغوطة قليلاً (تبدو ضبابية بعض الشيء أو بها "تكتلات" في الصورة)، فستُرسل فوراً.
النتيجة: وجد المؤلفون أنه حتى لو استلم الحاسوب الكمي نسخة "ضبابية" أو "متكتلة" من الصورة (بسبب هذا الضغط)، فإن خوارزمية التعلم الآلي الكمي لا تزال قادرة على التعرف على الصورة بدقة عالية جداً. الحاسوب الكمي متسامح بشكل مفاجئ مع هذه العيوب.

4. القوة الخارقة: الدفاع ضد "المهاجمين الرقميين"

هذا هو الجزء الأكثر إثارة في الورقة البحثية. في عالم الذكاء الاصطناٍ، توجد "هجمات عدائية" (Adversarial Attacks)—وهي تغييرات طفيفة وغير مرئية يقوم بها المخترقون لخداع الكمبيوتر وجعله يخطئ في تحديد هوية الصورة (على سبيل المثال، جعل صورة قطة تبدو ككلب بالنسبة للكمبيوتر).

التشبيه: تخيل حارس أمن (الذكاء الاصطناعي) مدرب على رصد نوع معين من النشالين. إذا ارتد النشال قبعة مختلفة قليلاً (هجوم عدائي)، فقد يرتبك الحارس.
الاكتشاف: وجد المؤلفون أنه نظرًا لأن طريقة "التعبئة" الخاصة بهم تضيف طبيعياً القليل من "الضجيج" أو الضبابية إلى البيانات، فإن هذا يعمل كدرع. فالبيانات "الضبابية" تجعل من الصعب جداً نجاح حيل المخترقين.
الإثبات: اختبروا ذلك على بيانات حقيقية (مجموعات بيانات MNIST و FMNIST). عندما استخدموا طريقة التعبئة "غير المثالية"، كان الحاسوب الكمي أكثر صموداً أمام هذه الهجمات مقارنة باستخدامه للتعبئة "المثالية". الأمر يشبه ارتداء حارس الأمن لنظارات شمسية؛ الضبابية الطفيفة تساعده في تجاهل الخدع.

5. اختبار من العالم الحقيقي

لم يكتفِ المؤلفون بإجراء هذا الاختبار على محاكاة حاسوبية، بل اختبروه على حاسوب كمي حقيقي (جهاز فائق التوصيل من شركة IBM).

النتيجة: في مجموعة بيانات صغيرة وبسيطة (أشكال هندسية)، حققت طريقتهم "غير المثالية" دقة بلغت 95%، بينما حققت الطريقة التقليدية "المثالية" دقة تبلغ حوالي 46% فقط. لقد عانى الحاسوب الكمي الحقيقي مع التعليمات "المثالية" المعقدة، لكنه ازدهر مع التعليمات الأبسط و"الجيدة بما يكفي".

الملخص

تجادل الورقة البحثية بأنه في مجال التعلم الآلي الكمي، المثالية هي عدو التقدم.
من خلال استخدام اختصار رياضي ذكي (MPS) لضغط البيانات داخل الحاسوب الكمي، يمكننا:

توفير الوقت والموارد (دوائر أقصر).
الحفاظ على دقة عالية (لا يزال الحاسوب يفهم البيانات).
اكتساب ميزة أمنية (العيوب الطفيفة تجعل النظام أصعب في الاختراق).

إنه تذكير بأن الحل السريع والمليء ببعض الفوضى قد يكون في الواقع أفضل من الحل المثالي البطيء.

ملخص تقني: التحضير الفعال للحالة في تعلم الآلة الكمي

بيان المشكلة
تعد عملية الترميز الفعال للبيانات الكلاسيكية على المعالجات الكمية عقبة أساسية في تنفيذ بروتوكولات تعلم الآلة الكمي (QML). وبينما يوفر "ترميز السعة" (Amplitude Encoding) ميزة أسية من حيث كفاءة الكيوبتات عبر تمثيل متجه مدخل $v$ كـ $\sum_i v_i |i\rangle$ ، إلا أن الدوائر الكمية المطلوبة لتحضير حالات عشوائية تتطلب عمقاً يتناسب طردياً مع $O(4^n)$ ، حيث $n$ هو عدد الكيوبتات. هذا العمق المرتفع للدوائر يعد أمراً تعجيزياً بالنسبة للأجهزة الحالية ذات المقياس المتوسط المشوبة بالضجيج (NISQ). وتحاول النهج الاستدلالية الموجودة، مثل الترميز التبايني أو الخوارزميات الجينية، تقريب هذه الحالات، لكنها تعتمد على استدلالات تحسين قد لا تضمن بناء الدائرة بشكل مثالي.

المنهجية
يقترح المؤلفون طريقة حتمية لتحضير الحالة باستخدام تمثيل "حالة ضرب المصفوفات" (Matrix Product State - MPS). وتتقدم المنهجية عبر مرحلتين رئيسيتين:

بناء MPS من البيانات الكلاسيكية:
يتم تحويل المتجه الكلاسيكي المدخل إلى تمثيل MPS باستخدام "تفكيك القيم المفردة" (SVD) وإعادة تشكيل التنسور. يتم إعادة تشكيل المتجه المدخل بحجم $2^N$ بشكل تكراري إلى مصفوفات وتفكيكه عبر SVD. تقوم هذه العملية بتوليد سلسلة من التنسورات $A^{(s)}$ ذات بُعد رابط $\chi$ . ومن الأهمية بمكان أنه يمكن التخلص من القيم المفردة الصغيرة، مما يسمح بتمثيل مضغوط وفعال من حيث الذاكرة للحالة دون الاعتماد على الاستدلالات العشوائية.
تخليق الدائرة عبر فك التشابك:
لإنتاج الدائرة الكمية، يستخدم المؤلفون استراتيجية "فك التشابك" (Disentanglement). بدءاً من الـ MPS، يقومون بحساب مصفوفة الكثافة المختزلة لنظام فرعي مكون من $k$ من الكيوبتات. ومن خلال إجراء تفكيك ذاتي (Eigendecomposition) لهذه المصفوفة، يقومون ببناء مؤثر وحدوي $U$ يعمل على فك تشابك الكيوبت الأول عن بقية النظام. وتتكرر هذه العملية تكرارياً عبر النظام.

التقريب: لتقليل عمق الدائرة، يمكن إنهاء الخوارزمية قبل تحقيق فك التشابك الكامل. ومن خلال اختيار $k$ أصغر (عادةً $k=2$ ) والحد من عدد التكرارات، تنتج الطريقة ترميزاً تقريبياً.
تحسين الدائرة: يتم تفكيك الوحدات الناتجة إلى بوابات ثنائية الكيوبت من أقرب جار (CNOTs) ودورات أحادية الكيوبت. ويشير المؤلفون إلى أن الأنظمة الفرعية المنفصلة يمكن معالجتها بالتوازي لتقليل عمق الدائرة بشكل أكبر، وإن كان ذلك على حساب إجمالي طبقات الدائرة.

المساهمات والنتائج الرئيسية
توضح الورقة أن هذا النهج المدعوم بـ MPS يقدم مزايا كبيرة مقارنة بتحضير الحالة الدقيق والأساليب الاستدلالية الأخرى:

كفاءة الدائرة: تقلل طريقة MPS بشكل كبير من عدد بوابات CNOT المطلوبة. بالنسبة لمجموعات بيانات MNIST وFashion-MNIST (FMNIST)، تحقق الطريقة مستويات دقة مستهدفة بعدد أقل بكثير من البوابات مقارنة بخوارزميات تحضير الحالة الدقيقة في Qiskit. وفي كثير من الحالات، يكفي أقل من سبع تكرارات للوصول إلى الدقة المستهدفة.
القوة تجاه الضجيج والتقريب: يظهر المؤلفون أن المصنفات الكمية التباينية (QVCs) مرنة تجاه الطبيعة "الفاقدة" (Lossy) للترميز التقريبي. إن التدريب والاختبار على حالات بدقة تصل إلى 60% فقط (مما يؤدي إلى ظهور عيوب بصرية مثل التكتل أو الخطوط في بيانات الصور) ينتج عنه دقة تصنيف أقل بنسبة ضئيلة فقط عن تلك التي يتم تحقيقها مع الترميز الدقيق.
المتانة ضد الهجمات العدائية: أحد النتائج الحاسمة هو أن مصنفات QVC المدربة على هذه المدخلات التقريبية والمشوبة بالضجيج تظهر متانة متزايدة ضد الهجمات العدائية الكلاسيكية. بينما تعاني الشبكات العصبية التلافيفية (ConvNets) الكلاسيكية من انخفاض كبير في الدقة تحت هجمات "تدرج الانحداد الإسقاطي" (PGD)، تحافظ مصنفات QVC المدربة على مدخلات تقريبية على دقة أعلى. ويعزو المؤلفون ذلك إلى عملية "غسل" أو محو الاضطرابات العدائية بواسطة الضجيج المتأصل في الترميز التقريبي.
التحقق التجريبي: تحقق المؤلفون من هذه الادعاءات باستخدام جهاز فائق التوصيل (IBM Algeirs). باستخدام مجموعة بيانات "الأشكال" (Shapes) التجريبية (5 كيوبت)، حققت طريقة MPS دقة اختبار بلغت $95\% \pm 2.3$ ، متفوقة بشكل كبير على طريقة تحضير الحالة الدقيقة ( $45.8\% \pm 6.7$ ). كما حافظت طريقة MPS على المتانة ضد الاضطرابات العدائية على الأجهزة، وإن كان ذلك مع انخفاض طفيف في الدقة.

الأهمية والادعاءات
تفترض الورقة أن القدرة المتأصلة لخوارزميات تعلم الآلة الكمي على مقاومة الضجيج يمكن استغلالها كميزة وليس كعيب. فمن خلال استخدام MPS لبناء ترميزات تقريبية ذات عمق منخفض، يمكن للممارسين تجاوز التكاليف الباهظة لتحضير الحالة الدقيقة دون التضحية بأداء التصنيف.

يدعي المؤلفون أن هذا النهج يوفر ميزة مزدوجة:

الكفاءة: فهو يتيح تنفيذ بروتوكولات تعلم الآلة الكمي على الأجهزة الحالية من خلال تقليل عمق الدائرة وعدد البوابات.
الأمن: فهو يعزز بشكل غير مباشر الأمن ضد الهجمات العدائية الكلاسيكية، مما يشير إلى وجود مجال متخصص قد يتفوق فيه تعلم الآلة الكمي في التطبيقات الحساسة أمنياً حيث يعتمد المهاجمون على التمثيلات الكلاسيكية الدقيقة للبيانات.

تختتم الورقة بالإشارة إلى سؤال مفتوح حول ما إذا كانت هذه الميزة ستستمر إذا امتلك المهاجمون وصولاً إلى أجهزة كمية أو معرفة مسبقة بخوارزمية الترميز، لكنها تثبت بقوة جدوى الترميز التقريبي القائم على MPS لتطبيقات تعلم الآلة الكمي الحالية.