⚛️ quantum physics

Encoding Matters: Benchmarking Binary and D-ary Representations for Quantum Combinatorial Optimization

تُثبت هذه الورقة أن استخدام التحسين متعدد الأبعاد التربيعي غير المقيد (QUDO) لترميز متغيرات القرار في فضاءات هيلبرت ذات الأبعاد الأعلى يوفر حلولاً أكثر كفاءة وقابلية للتوسع ودقة لمختلف مشكلات التحسين التوافقي مقارنة بصيغ مسألة التحسين التربيعي غير المقيد (QUBO) الثنائية التقليدية.

المؤلفون الأصليون: Shashank Sanjay Bhat, Peiyong Wang, Joseph West, Udaya Parampalli

نُشر 2026-02-10

📖 3 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Shashank Sanjay Bhat, Peiyong Wang, Joseph West, Udaya Parampalli

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 أنك تحاول تنظيم حفل زفاف ضخم ومعقد لـ 500 ضيف. عليك أن تقرر من يجلس في أي طاولة، ومن سيحصل على الوجبة النباتية، وكيفية تنسيق عمليات تسليم الزهور.

هذه الورقة البحثية تدور حول إيجاد طريقة أذكى بكثير لـ "ترميز" هذه التعليمات المعقدة بحيث يمكن لحاسوب مستقبلي — وهو الحاسوب الكمي (Quantum Computer) — أن يحل اللغز بشكل أسرع وبجهد ذهني أقل بكثير.

إليك تفصيل الورقة البحثية باستخدام تشبيهات من الحياة اليومية.

1. الطريقة القديمة: طريقة "مفتاح الضوء" (QUBO)

في الوقت الحالي، يحاول معظم الناس التحدث إلى الحواسيب الكمية باستخدام لغة تسمى QUBO.

تخيل أنه بدلاً من مجرد قول: "ضع أليس في الطاولة رقم 5"، يتعين عليك استخدام الآلاف من مفاتيح الضوء الصغيرة. لتمثيل قرار واحد فقط، يجب عليك تشغيل صف كامل من المفاتيح:

المفتاح 1: هل أليس في الطاولة 1؟ (مغلق)
المفتاح 2: هل أليس في الطاولة 2؟ (مغلق)
المفتاح 3: هل أليس في الطاولة 3؟ (يعمل!)

هذا الأسلوب يعمل، لكنه ضخم للغاية. إذا كان لديك الكثير من الضيوف، سينتهي بك الأمر بملايين المفاتيح. والأسوأ من ذلك، أنك تضطر لإضافة "قواعد جزائية" للتأكد من أنك لن تقوم بتشغيل مفتاحين لنفس الشخص عن طريق الخطأ (مما يعني جلوس أليس في طاولتين في آن واحد). يقضي الحاسوب معظم طاقته فقط في محاولة اتباع هذه القواعد التي تقول "لا تفعل هذا" بدلاً من حل خطة الزفاف فعلياً.

2. الطريقة الجديدة: طريقة "مفتاح التعتيم" (QUDO)

يقترح الباحثون لغة جديدة تسمى QUDO.

بدلاً من استخدام صف ضخم من مفاتيح الضوء (تشغيل/إيقاف)، يستخدمون مفتاح تعتيم (Dimmer Switch) واحداً لكل شخص. هذا المفتاح ليس له إعدادان فقط؛ بل لديه مستويات متعددة.

المستوى 1: الطاولة 1
المستوى 2: الطاولة 2
المستوى 3: الطاولة 3... وهكذا.

من خلال استخدام هذه "المفاتيح متعددة المستويات" (والتي يسميها العلماء Qudits)، تصبح التعليمات مدمجة بشكل مذهل. أنت لا تحتاج إلى مليون مفتاح؛ بل تحتاج فقط إلى مفتاح واحد لكل ضيف. ولأن المفتاح بطبيعته لا يمكن ضبطه إلا على مستوى واحد في كل مرة، فأنت لست بحاجة إلى تلك "القواعد الجزائية" المزعجة لمنع الأشخاص من التواجد في مكانين في وقت واحد. القواعد "مدمجة" في العتاد نفسه.

3. الاختبار: "مضمار العقبات"

لإثبات نجاح هذه الطريقة، وضع الباحثون كلتا الطريقتين عبر سلسلة من "مضامير العقبات الذهنية" (مسائل رياضية):

مشكلة البائع المتجول: إيجاد أقصر طريق لزيارة عدة مدن.
سائق التوصيل (VRP): تنسيق عدة شاحنات لتوصيل الطرود.
كتاب التلوين: تخصيص ألوان لخريطة بحيث لا تتشابه أي منطقتين متجاورتين.
المصنع المزدحم (جدولة المهام): تحديد ترتيب المهام على آلة ما.

4. النتائج: لماذا هذا مهم؟

كانت النتائج انتصاراً ساحقاً لطريقة "مفتاح التعتيم" (QUDO):

إنها أكثر رشاقة: تستخدم عددًا أقل بكثير من "الأجزاء الكمية" لوصف نفس المشكلة.
إنها أذكى: الطريقة القديمة (QUBO) غالباً ما كانت ترتبك بسبب القواعد الجزائية وتقترح حلولاً مستحيلة (مثل وجود سائق في مدينتين في آن واحد). أما الطريقة الجديدة (QUDO) فقد وجدت دائماً تقريباً حلولاً صحيحة وعالية الجودة.
إنها أسرع: لأن التعليمات أبسط، لا يضطر الحاسوب إلى "التفكير" بجهد كبير للعثور على أفضل إجابة.

الخلاصة

بينما نبني حواسيب كمية أكثر قوة، لا ينبغي لنا فقط محاولة بناء لوحات "مفاتيح ضوء" أكبر. توضح هذه الورقة أنه إذا غيرنا اللغة التي نستخدمها — بالانتقال من مفاتيح التشغيل والإيقاف البسيطة إلى مفاتيح التعتيم متعددة المستويات — فيمكننا حل أكثر ألغاز العالم تعقيداً بكفاءة أكبر بكثير.

ملخص تقني: أهمية الترميز: قياس أداء التمثيلات الثنائية و(D-ary) في التحسين التوافقي الكمي

1. بيان المشكلة

تُعد مشكلات التحسين التوافقي (مثل مسألة البائع المتجول TSP، ومسألة توجيه المركبات VRP، وتلوين الرسم البياني) من المشكلات الصعبة حوسبياً (NP-hard)، وعادةً ما يتم صياغتها للحواسيب الكمية باستخدام التحسين الثنائي التربيعي غير المقيد (QUBO). في إطار عمل QUBO، تقتصر متغيرات القرار على الحالات الثنائية ($0 $أو$ 1$). ولفرض القيود الهيكلية (مثل ضمان زيارة المدينة مرة واحدة فقط)، يعتمد QUBO على ترميز "الواحد-الساخن" (one-hot encoding) وعلى حدود جزائية (penalty terms) مكثفة.

يؤدي هذا النهج إلى معوقتين رئيسيتين لأجهزة العصر الكمي ذي المقياس المتوسط المتاح حالياً (NISQ):

انفجار الموارد: يتوسع عدد الكيوبتات المطلوبة تربيعياً مع حجم المشكلة (على سبيل المثال، $N^2$ من الكيوبتات لـ $N$ من المدن).
التعقيد/عدم القابلية للتحقيق: تخلق الحدود الجزائية عالية الأبعاد "هاملتونيات" كثيفة ومعقدة، بالإضافة إلى "تضاريس" تحسين وعرة، مما يجعل من الصعب على الخوارزميات التباينية مثل QAOA إيجاد حلول صالحة (قابلة للتحقيق).

2. المنهجية

يقترح المؤلفون ويقومون بقياس أداء التحسين (D-ary) التربيعي غير المقيد (QUDO) كبديل متفوق.

المفهوم الجوهري: بدلاً من تفكيك متغير متعدد الحالات إلى عدة كيوبتات، يقوم QUDO بترميز متغيرات القرار مباشرة في فضاءات هيلبرت ذات أبعاد أعلى باستخدام الكيوديت (qudits) (أنظمة ذات مستويات d). على سبيل المثال، المتغير الذي يمثل $N$ من المدن المحتملة يتم تمثيله بواسطة "كيوديت" واحد ذي $N$ من المستويات.
إطار العمل الخوارزمي: تستخدم الدراسة نسخة معممة من خوارزمية التقريب الكمي للتحسين (qudit QAOA). وبينما يظل الهيكل التبايني مشابهاً لـ QAOA القياسي، يتم تنفيذ هاملتونيات التكلفة والخلط باستخدام مؤثرات عالية الأبعاد (مثل هاملتونيات الإزاحة الدورية ومؤثرات باولي المعممة).
القياس المقارن: يقوم المؤلفون بإجراء مقارنة منهجية ومباشرة بين QUBO (باستخدام الكيوبتات) و QUDO (باستخدام الكيوديتات) عبر ست فئات من المشكلات:
1. مسألة البائع المتجول (TSP)
2. مسألة توجيه المركبات ذات المستودع الواحد (VRP)
3. مسألة توجيه المركبات متعددة المستودعات (MDVRP)
4. مسألة القطع الأقصى غير الموزون (Unweighted Max-K-Cut)
5. تلوين الرسم البياني (Graph Coloring)
6. جدولة المهام (Job Scheduling)
المقاييس: يتم قياس الأداء عبر نسبة التقريب (AR)، نسبة الوصول (Reach Percentage) (معدل النجاح)، احتمالية الصلاحية ( $P_{valid}$ )، كفاءة التحسين (الخطوات/التقييمات)، وإجمالي وقت التشغيل الفعلي.

3. المساهمات الرئيسية

إطار نمذجة موحد: توفر الورقة جسراً رياضياً رسمياً بين الترميزات الثنائية، و(D-ary)، والترميزات عالية الرتبة، موضحين كيف يمكن "دمج" القيود داخل نطاق المتغير بدلاً من إضافتها كجزاءات خارجية.
تحليل ضغط الموارد: يحدد العمل الانخفاض الأسي في عدد السجلات الكمية المطلوبة عند الانتقال من ترميزات "الواحد-الساخن" الثنائية إلى ترميزات (D-ary) الأصلية.
التقييم الخوارزمي المنهجي: بخلاف الأعمال السابقة التي ركزت فقط على الصياغة أو الحالات المنعزلة، توفر هذه الورقة دراسة شاملة لكيفية تأثير اختيار الترميز على تضاريس التحسين ونجاح الحلول التباينية.

4. النتائج الرئيسية

عبر جميع فئات المشكلات المختبرة، تفوق QUDO باستمرار على QUBO:

تفوق في القابلية للتوسع وكفاءة الموارد: يتطلب QUDO عدداً أقل بكثير من المتغيرات الكمية. بالنسبة لمسألة TSP، يتم تقليص حجم فضاء هيلبرت من $2^{N^2}$ (في QUBO) إلى $N^N$ (في QUDO). وبالنسبة لتلوين الرسم البياني، يتقلص من $2^{NK}$ إلى $K^N$ .
صلاحية أعلى ( $P_{valid}$ ): عانت صياغات QUBO من "تلاشي الصلاحية" — فمع زيادة حجم المشكلة، انخفضت احتمالية قيام الخوارزمية بأخذ حل صالح نحو الصفر. أما QUDO، فمن خلال تصميمه، يستخدم متغيرات تمثل بطبيعتها حالات صالحة، مما يحافظ على صلاحية عالية.
تضاريس تحسين محسنة: أنتج QUDO تضاريس أكثر سلاسة، مما تطلب عدد أقل من تكرارات التحسين وتقييمات الدوال للوصول إلى الحلول المستهدفة.
نسب تقريب أعلى: حقق QUDO نتائج قريبة من المثالية أو دقيقة (AR $\approx 1.0$ ) حتى عند أعماق دوائر ضحلة ( $p=1, 2, 3$ )، بينما فشل QUBO غالباً في التقارب أو أنتج نتائج غير صالحة للغاية.

5. الأهمية

يحدد هذا البحث استراتيجية الترميز كعامل حاسم في نجاح التحسين التوافقي الكمي. وهو يثبت أن قيود التحسين الكمي الحالية لا تعود فقط إلى الضوضاء في الأجهزة، بل أيضاً إلى عدم الكفاءة الرياضية للترميزات الثنائية.

من خلال إثبات أن صياغات (QUDO) الأصلية للـ (qudit) توفر تمثيلاً أكثر إيجازاً وصلاحية وسهولة في التحسين، تمهد هذه الورقة الطريق للاستفادة من الأجهزة الكمية من الجيل التالي (مثل الأيونات المحاصرة أو ذرات ريدبرج) التي يمكنها دعم حالات (qudit) عالية الأبعاد بشكل طبيعي. هذا التحول يمكن أن يوسع بشكل كبير نطاق وصول أجهزة عصر (NISQ) لحل مشكلات صناعية حقيقية أكبر وأكثر تعقيداً.