Scalable Tensor Network Simulation for Quantum-Classical Dual Kernel

ملخص تقني: محاكاة شبكة التنسور القابلة للتوسع لنواة مزدوجة كمومية-كلاسيكية

بيان المشكلة
تواجه طرق النواة الكمومية، ولا سيما آلات ناقلات الدعم المتجهة الكمومية (QSVMs)، اختناقات كبيرة في عصر الأجهزة الكمومية متوسطة الحجم ذات الضجيج (NISQ). وبينما يوفر ترميز البيانات في فضاءات هيلبرت عالية الأبعاد إمكانات تعبيرية كبيرة، إلا أن هذه النهج تعاني من تحديين رئيسيين:

1. قابلية التوسع وحدود المحاكاة: بناء مصفوفات النواة لعدد كبير من الكيوبتات (على سبيل المثال، المئات) أمر مستعصٍ حوسبياً بالنسبة لمحاكيات حالة المتجه (statevector) الكلاسيكية بسبب التكاليف الأسية للذاكرة والحوسبة.
2. تدهور الأداء: مع زيادة عدد الكيوبتات، تظهر النوى الكمومية ما يسمى بـ "التركيز الأسي"، حيث تنهار أوجه التشابه بين المدخلات المتميزة نحو قيم ثابتة، مما يؤدي إلى تآكل قابلية الفصل في النواة. علاوة على على ذلك، يؤدي الضجيج وعدد عينات القياس المحدودة إلى تضخيم عدم اليقين، مما يؤدي إلى الإفراط في التخصيص (overfitting) وضعف التعميم في الأبعاد العالية.

المنهجية
يقترح المؤلفون إطار عمل قابلاً للتوسع يجمع بين محاكاة شبكة التنسور (Tensor Network - TN) ونهج النواة المزدوجة الكمومية-الكلاسيكية لتقييم نماذج QSVM حتى 784 كيوبت.

• المحاكاة القابلة للتوسع: بدلاً من محاكاة حالة المتجه، يستخدم البحث شبكات التنسور (TNs) لتمثيل الدوائر الكمومية كرسوم بيانية عقدية قابلة للتقليص (contractible tensor graphs). ومن خلال توظيف دوائر بأسلوب "حالة المنتج الكتلي" (BPS)—التي تدمج طبقات ترميز البيانات أحادية الكيوبت مع طبقات تشابك هيكلية كتلية مقيدة محلياً—تمكن المؤلفون من إجراء عمليات تقليص تنسورية دقيقة. هذا النهج، المعزز بالتوازي عبر وحدات معالجة الرسومات المتعددة (multi-GPU parallelism)، يسمح بالحساب المباشر لعناصر مصفوفة النواة الكمومية ($K_q$) دون العبء الأسي لمحاكاة حالة المتجه الكاملة.
• المعالجة المسبقة للبيانات: تستخدم الدراسة مجموعة بيانات Fashion-MNIST (صور رمادية بأبعاد 28×28 تم تسطيحها إلى 784 بُعداً). يتم توحيد الميزات، وإزالة الارتباط عبر تحليل المكونات الرئيسية (PCA)، وإعادة القياس إلى النطاق $[0, 1]$. وتتحكم التجارب بشكل منهجي في عدد المكونات الرئيسية المستبقاة ($n$) من 2 إلى 784 ليتناسب مع عدد الكيوبتات.
• إطار النواة المزدوجة: الابتكار الجوهري هو نواة مختلطة خطياً تُعرف بـ $K_{q-c} = \alpha^* K_q + (1 - \alpha^*) K_c$، حيث $K_q$ هي النواة الكمومية و $K_c$ هي النواة الكلاسيكية ذات الدالة الشعاعية الأساسية (RBF). يتم تحسين معامل الوزن $\alpha$ عبر التحقق المتقاطع خماسي الطيات (5-fold cross-validation). ويتم دمج هذا النموذج الهجين في مخطط التحسين المزدوج القياسي لآلة ناقل الدعم (SVM).
• الإعداد التجريبي: يقيم إطار العمل التصنيف الثنائي عبر 45 مجموعة من أزواج الفئات، والتصنيف متعدد الفئات (10 فئات) على مجموعة بيانات Fashion-MNIST. تقارن الدراسة ثلاثة نماذج: SVM كلاسيكي نقي، وQSVM كمومي نقي، وSVM ذو النواة المزدوجة.

النتائج الرئيسية

• قابلية التوسع: نجحت سلسلة معالجة TN في بناء مصفوفات النواة وتدريب نماذج SVM لأبعاد ميزات تصل إلى 784 كيوبت، وهو مقياس كان غير متاح سابقاً لطرق المحاكاة القياسية.
• استقرار التعميم:
  • التدريب: أظهرت جميع النماذج دقة تدريب متزايدة مع زيادة الأبعاد، مما يعكس ارتفاع القدرة التعبيرية لمساحة الميزات.
  • الاختبار: أظهرت النواة الكمومية النقية تدهوراً ملحوظاً في الدقة وإفراطاً في التخصيص بدءاً من $n=128$ كيوبت. في المقابل، ظلت النواة الكلاسيكية مستقرة، بينما تفوق نموذج النواة المزدوجة باستمرار على كلا النموذجين المرجعيين عبر كامل نطاق الأبعاد.
• أداء التصنيف متعدد الفئات: عند $n=64$، حقق نموذج SVM ذو النواة المزدوجة دقة قدرها 0.824، وهي مقاربة لنموذج SVM الكلاسيكي (0.822) ومتفوقة بشكل ملحوظ على QSVM النقي (0.754). أظهر QSVM ارتباكاً كبيراً بين الفئات، بينما حافظت النواة المزدوجة والكلاسيكية على هيمنة قطرية قوية في مصفوفات الارتباك.
• تحليل وزن الخلط: وُجد أن معامل الوزن الأمثل $\alpha$ يقع في نطاق متوسط. سادت المساهمات الكمومية الأداء تحت 128 ميزة، بينما أصبحت المساهمات الكلاسيكية بالغة الأهمية بشكل متزايد بعد هذا الحد. عندما اقترب $\alpha$ من 1 (النواة الكمومية النقية)، انخفض الأداء، مما يؤكد أن المكون الكلاسيكي يعمل كمرساة استقرار ضد تأثيرات التركيز والضجيج.

الأهمية والادعاءات
يزعم البحث أن مجرد زيادة أبعاد الكيوبت لا يضمن تحسين التعميم لطرق النواة الكمومية. بدلاً من ذلك، تضع الدراسة النواة المزدوجة الكمومية-الكلاسيكية كاستراتيجية استقرار منخفضة التكلفة. فمن خلال خلط نواة كمومية تعتمد على البيانات مع نواة كلاسيكية قوية، يخفف هذا الإطار من التدهور الناجم عن الحجم الملاحظ في النماذج الكمومية النقية، مع الحفاظ على المكاسب الكمومية عند الأبعاد المنخفضة.

يؤكد المؤلفون أن عملهم يوفر تقييماً قابلاً للتكرار وشبه خالٍ من الضجيج للنوى الكمومية واسعة النطاق، مما يعزل القيود الخوارزمية عن ضجيج الأجهزة. وتشير النتائج إلى أنه بالنسبة للتطبيقات القريبة، يعمل المكون الكلاسيكي كـ "مرساة استقرار" ضرورية للحفاظ على قابلية التعلم في الأبعاد العالية حيث تصبح النوى الكمومية وحدها هشة. ويُقترح في العمل المستقبلي استكشاف تركيبات النواة التكيفية ونمذجة الضجيج الصريحة، لكن المساهمة الحالية تثبت جدوى النوى الهجينة للتعلم الآلي الكمومي القابل للتوسع.