⚛️ quantum physics

Improving Quantum Multi-Objective Optimization with Archiving and Substitution

تقترح هذه الورقة خوارزمية محسنة للتحسين الكمي متعدد الأهداف التبايني (QMOO) تستخدم أرشيف باريتو واستبدال الحلول المهيمنة لتحسين تقارب الحجم الفائق، مما يثبت من خلال اختبار معايير مشهد RMNK أن خوارزمية QMOO التي تم ضبطها بعناقة يمكن أن تؤدي بشكل مماثل للمحللات الكلاسيكية مثل NSGA-II/III وقد تقدم مزايا في المشكلات المعقدة.

المؤلفون الأصليون: Linus Ekstrøm, Takafumi Hosogi, Xavier Bonet-Monroig, Hao Wang, Thomas Bäck, Sebastian Schmitt

نُشر 2026-02-12

📖 3 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Linus Ekstrøm, Takafumi Hosogi, Xavier Bonet-Monroig, Hao Wang, Thomas Bäck, Sebastian Schmitt

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 طاهٍ يحاول ابتكار الطبق "المثالي". ولكن هناك عقبة: لديك ثلاثة أهداف متضاربة. تريد أن يكون الطبق لذيذًا، ورخيص الثمن للغاية، وسريع التحضير بشكل فائق.

إذا جعلته لذيذًا للغاية، فقد يصبح مكلفًا وبطيئًا. وإذا جعلته سريعًا كالبرق، فقد يكون طعمه مثل الورق المقوى. في عالم الرياضيات والعلوم، يسمى هذا التحسين متعدد الأهداف (Multi-Objective Optimization). أنت لا تبحث عن وصفة واحدة "مثالية"؛ بل تبحث عن "قائمة طعام" من المقايضات المثالية (تسمى جبهة باريتو أو Pareto Front).

تستكشف هذه الورقة كيفية استخدام الحواسيب الكمومية للعثور على تلك القائمة المثالية بكفاءة أكبر.

المشكلة: "المطبخ الفوضوي"

الخوارزميات الكمومية الحالية لهذه المهمة تشبه إلى حد ما طاهيًا لديه ذاكرة رائعة لوصفة واحدة، لكنه ينسى كل شيء آخر بمجرد تجربة مكون جديد. إنهم يواجهون صعوبة في تتبع الوصفات الجيدة التي وجدوها بالفعل، وغالبًا ما يعلقون في "طرق مسدودة في فن الطهي" — وهي أجزاء من المطبخ حيث يكون طعم كل طبق سيئًا، ولا يمكنهم إيجاد طريق للخروج.

الحل: قاعدتان جديدتان للمطبخ

قدم الباحثون ترقيتين ذكيتين لـ "الطاهي" الكمومي (خوارزمية QMOO):

1. أرشيف الوصفات (أرشفة باريتو - Pareto Archiving)
تخيل أن الطاهي الآن لديه كتاب وصفات رئيسي. في كل مرة يعثر فيها بالصدفة على وصفة تمثل مقايضة رائعة (مثل: "ليست مكلفة جدًا ولذيذة نوعًا ما")، فإنه يدونها في الكتاب. حتى لو سارت عملية الطهي التالية بشكل سيء، فإنه لن يفقد ذلك التقدم. لديهم دائمًا "أفضل نجاحاتهم" محفوظة. هذا يمنع الخوارزمية من "نسيان" نجاحاتها.

2. قاعدة "جرب كل شيء" (الاستبدال المهيمن - Dominated Substitution)
في النسخة القديمة، إذا طبخ الطاهي 20 طبقًا وكان 15 منها سيئة، فإنه ببساطة يرميها جميعًا ويبدأ من جديد. كان ذلك إضاعة للوقت.
تقول القاعدة الجديدة: "انتظر! حتى لو لم تكن تلك الأطبف الـ 15 مثالية، فربما كان أحدها أفضل قليلاً من الآخرين." بد بدلًا من رمي كل شيء، يختار الطاهي أفضل الأطباق "شبه الجيدة" للحفاظ على الزخم المستمر. الأمر يشبه الكشاف الذي لا يبحث عن الذهب فحسب، بل يحتفظ أيضًا بالفضة والنحاس لدراسة كيفية العثور على المزيد من الذهب لاحقًا.

ميدان الاختبار: "المتاهة" (مناظر RMNK الطبيعية)

لمعرفة ما إذا كان هذا قد نجح، لم يختبروه على مسائل سهلة فحسب. بل استخدموا ما يسمى مناظر RMNK الطبيعية.

تخيل هذا كـ سلسلة جبال مليئة بالقمم والوديان.

إذا كانت الجبال ناعمة، فمن السهل الوصول إلى القمة.
إذا كانت الجبال وعرة، وصخرية، ومليئة بالمنحدرات المفاجئة (تفاعل معقد أو "epistasis")، فمن الصعب للغاية التنقل فيها.

أظهر الباحثون أنه بينما تتفوق الحواسيب "التقليدية" (التي نستخدمها يوميًا) في التعامل مع الجبال الناعمة، إلا أنها تبدأ في المعاناة عندما تصبح التضاريس وعرة ومعقدة للغاية. ومع ذلك، فإن الطاهي الكمومي يصمد بقوة، بل ويبدأ في إظهار قوته عندما يصبح "التضاريس" كابوسًا.

الخلاصة

أثبت الباحثون أنه بإضافة "ذاكرة" (الأرشيف) و"طريقة أفضل لتصفية النتائج" (الاستبدال)، أصبحت الحواسيب الكمومية أفضل بكثير في حل هذه المشكلات المعقدة متعددة الأهداف.

بينما لا يتفوقون تمامًا على أفضل الحواسيب التقليدية في المهام البسيطة بعد، إلا أنهم يظهرون إمكانات "قوة خارقة": كلما أصبحت المشكلات أكثر فوضوية وتعقيدًا، قد يصبح النهج الكمومي في النهاية هو الطاهي الماهر للعصر الرقمي.

ملخص تقني: تحسين التحسين الكمي متعدد الأهداف باستخدام الأرشفة والاستبدال

1. بيان المشكلة

يعد التحسين متعدد الأهداف (MOO) أمراً بالغ الأهمية في التطبيقات الصناعية حيث يتعين على صناع القرار التنقل بين المقايضات بين الأهداف المتعارضة (مثل التكلفة مقابل الأداء). والهدف هو إيجاد مجموعة باريتو المثلى—وهي الحلول التي لا يمكن فيها تحسين أحد الأهداف دون تدهور هدف آخر.

بينما تم اقتراح التحسين الكمي متعدد الأهداف المتغير (QMOO) للاستفادة من المزايا الكمية لهذه المشكلات، إلا أن النسخ الحالية تفتقر إلى الآليات القوية الموجودة في الحلول الكلاسيكية للحفاظ على تنوع الحلول وضمان التقارب. علاوة على ذلك، كان هناك نقص في أطر المعايير القياسية والقابلة للتوسع لمقارنة QMOO مع الخوارزميات الكلاسيكية المتطورة مثل NSGA-II و NSGA-III.

2. المنهجية

يقترح المؤلفون نسخة محسنة من خوارزمية QMOO وإطار عمل جديد للمقارنة المعيارية.

أ. التحسينات الخوارزمية:

أرشفة باريتو (Pareto Archiving): استلهاماً من التحسين متعدد الأهداف الكلاسيكي، قام المؤلفون بدمج أرشيف غير محدود يحتفظ بالحلول غير المسيطرة المكتشفة سابقاً. يضمن هذا أن الخوارزمية تبني بشكل تدريجي تقريباً أفضل لجبهة باريتو عبر التكرارات.
استبدال الحلول المسيطر عليها (Dominated Solution Substitution): لتحسين التقارب في المراحل المبكرة، قدم المؤلفون آلية تسحب حلولاً مرشحة إضافية من نتائج القياس الكمي. بدلاً من التخلص من الحلول المسيطر عليها فوراً، تقوم الخوارزمية بأخذ عينات متتالية من السلاسل البتية (bitstrings) حتى الوصول إلى عدد مستهدف من المرشحين غير المسيطر عليهم، مما يؤدي فعلياً إلى توسيع مجموعة الحلول التي يتم تقييمها.

ب. إطار المعايير (مناظر RMNK الطبيعية):

يستخدم المؤلفون مناظر RMNK-landscapes، وهي تعميم لنموذج NK، لإنشاء بيئات اختبار قابلة للضبط ومتعددة الأنماط. تسمح هذه المناظر بالتحكم في التعقيد من خلال ضبط:
- $N$ : عدد المتغيرات.
- $M$ : عدد الأهداف.
- $K$ : التفاعلات الائتلافية (درجة الوعورة/التعقيد).
- $\rho$ : الارتباط بين الأهداف.
الرسم الخرائطي من الكلاسيكي إلى الكمي: ابتكروا طريقة لربط هذه المناظر بهاملتونيّات التكلفة الكمية باستخدام تحويل "والش-هادامارد" (Walsh-Hadamard transform) لتحويل جداول البحث المحلية إلى مؤثرات Pauli-Z قطرية.

3. المساهمات الرئيسية

خوارزمية QMOO محسنة: تقديم آليات الأرشفة والاستبدال التي تحسن المقايضة بين تكرارات الدائرة الكمية وتقييمات الدالة الكلاسيكية.
الرسم الخرائطي المنهجي: إطار رياضي عام لترجمة أي منظر RMNK إلى هاميلتوني تكلفة يمكن تنفيذه على الأجهزة الكمية.
ضبط المعلمات الفائقة: دراسة عددية توضح كيف يمكن لضبط عدد لقطات القياس ( $N_{shots}$ ) وعدد الحلول المختارة ( $N_{most\_prob}$ ) تخصيص الخوارزمية لتناسب قيود موارد محددة.
المعايرة القياسية: تأسيس مناظر RMNK كبيئة اختبار موحدة لمقارنة الحلول متعددة الأهداف الكمية والكلاسيكية.

4. النتائج

مكاسب التقارب: تؤدي إضافة أرشيف باريتو إلى تحسين تقارب الحجم الفائق (Hypervolume - HV) بشكل كبير مقارنة بـ QMOO الأصلي. ويوفر الاستبدال دفعة في التقارب في المراحل المبكرة.
مرونة الموارد: تسمح آلية الاستبدال للمستخدمين بالمقايضة بين التكلفة الحسابية الكلاسيكية وعدد أقل من التكرارات الكمية، وهو أمر حيوي لأجهزة عصر NISQ الحالية.
الأداء المقارن:
- في الحالات الصغيرة أو البسيطة، يكون أداء QMOO مشابهاً لأداء NSGA-II و NSGA-III الكلاسيكيين.
- بشكل حاسم، مع زيادة تعقيد المنظر ( $K$ )، يميل أداء الحلول الكلاسيكية إلى التدهور بشكل أكثر حدة من QMOO. في سيناريوهات التعقيد العالي، يظهر QMOO أداءً تنافسياً أو حتى متفوقاً، مما يشير إلى أنه قد يمتلك ميزة محتملة للمشكلات "الأكثر صعوبة".

5. الأهمية

تمثل هذه العمل خطوة مهمة نحو المنفعة العملية للخوارزميات الكمية في التحسين التوافقي. ومن خلال سد الفجوة بين الطرق الكمية المتغيرة والتقنيات الكلاسيكية الراسخة للتحسين متعدد الأهداف (مثل الأرشفة)، نجح المؤلفون في إنشاء خوارزمية أكثر قوة وقابلية للضبط. إن قدرة QMOO على الصمود في المناظر شديدة الوعورة (عالية $K$ ) توفر مساراً نظرياً وتجريبياً للميزة الكمية في مهام التحسين الصناعية المعقدة والواقعية.