Probabilistic Design of Parametrized Quantum Circuits through Local Gate Modifications

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التصميم الاحتمالي للدوائر الكمومية ذات المعلمات من خلال تعديلات البوابات المحلية".

1. بيان المشكلة

تعد الدوائر الكمومية ذات المعلمات (PQCs) مركزية في الخوارزميات الكمومية التباينية (VQAs) وتعلم الآلة الكمومي (QML). ومع ذلك، لا يزال تصميم معماريات (ansätze) مخصصة لمهام معينة يمثل عقبة كبيرة.

• تحديات التصميم اليدوي: يتأثر الأداء بشدة باختيار الـ ansatz، كما أن التصميم اليدوي يستغرق وقتاً طويلاً، وعرضة للخطأ، وغالباً ما يكون غير مثالي.
• قيود البحث العالمي: تعامل طرق البحث عن المعمارية الكمومية (QAS) الحالية (مثل التعلم التعزيزي، والخوارزميات التطورية) اكتشاف الدوائر كمسألة تحسين توافقي عالمي. ومع زيادة عدد الكيوبتات وعمق الدائرة، تتوسع مساحة البحث بشكل أسي، مما يجعل الاستكشاف العالمي غير قابل للتنفيذ حسابياً وغير عملي للأجهزة القريبة من العصر الكمومي (near-term hardware).
• الفجوة: هناك حاجة إلى طريقة قابلة للتوسع وفعالة لتنقيح معماريات الدوائر التي تتجنب التكلفة الحسابية للبحث العالمي مع الاستمرار في اكتشاف دوائر عالية الأداء ومخصصة للمهام.

2. المنهجية: البحث المحلي عن المعمارية الكمومية (LQAS)

يقترح المؤلفون البحث المحلي عن المعمارية الكمومية (LQAS)، وهو خوارزمية استدلالية مستوحاة من التطور تعيد صياغة البحث عن المعمارية الكمومية (QAS) من مهمة اكتشاف عالمية إلى مسألة ملاحة محلية تكرارية.

المفهوم الجوهري

بدلاً من استكشاف فضاء التكوين بأكمله، يفترض LQAS أن الدوائر عالية الأداء تقع ضمن الجوار المحلي للدوائر الموجودة. فهو يعمل على تحسين المعماريات من خلال تطبيق تعديلات احتمالية على مستوى البوابة على نموذج "قالب" (template) أساسي.

الخوارزمية

1. التهيئة: البدء بمجموعة أساسية من الدوائر (عادةً ما تكون "المنهج الفعال للأجهزة" - HEA).
2. التعديل الاحتمالي: في كل تكرار، تقوم الخوارزمية بأخذ عينات من الدوائر المرشحة عبر تطبيق أحد أربعة إجراءات عشوائية على بوابات الدوائر الأساسية:
   • إضافة بوابة ($p_{add}$): إدراج بوابة جديدة بعد بوابة معينة.
   • إزالة بوابة ($p_{remove}$): حذف بوابة معينة.
   • تبديل بوابة ($p_{switch}$): استبدال بوابة بنوع آخر يعمل على نفس الكيوبتات (مثلاً: $R_X \to R_Y$).
   • نقل بوابة ($p_{move}$): نقل موقع بوابة لتعمل على كيوبتات مختلفة.
3. التقييم والاختيار: يتم تدريب الدوائر المعدلة على المهمة المستهدفة. ويتم تقييمها باستخدام مقاييس مثل متوسط مربع الخطأ (MSE) أو معامل التحديد ($R^2$). يتم اختيار أفضل $K$ من الدوائر لتشكيل المجموعة السكانية المرجعية للتكرار التالي.
4. الإنهاء: تتكرر العملية لعدد محدد من التكرارات من قبل المستخدم، مما يؤدي إلى تنقيح المعمارية تدريجياً.

مجموعات البيانات المستخدمة للتقييم

تم تقييم الطريقة على أربع مجموعات بيانات:

1. التربيعية أحادية البعد (Synthetic 1D Quadratic): $f(x) = x^2 + \epsilon$ (مع وجود ضجيج).
2. التربيعية ثنائية البعد (Synthetic 2D Quadratic): $g(x,y) = x^2 + y^2 + \epsilon$ (مع وجود ضجيج).
3. مجموعة بيانات DDCC (Data-Driven Coupled-Cluster): مجموعة بيانات كيمياء كمومية تتنبأ بسعات $t_2$ لمتشكلات جزيء الماء (199 عينة، 5 ميزات).
4. مجموعة بيانات BSE49: مجموعة بيانات مرجعية لطاقات فصل الروابط لـ 49 نوعاً من الروابط (4394 بنية، 16 ميزة).

3. المساهمات الرئيسية

1. خوارزمية LQAS: تقديم إطار عمل للبحث المحلي عن المعمارية الكمومية قابل للتوسع، يتجنب التكلفة الأسية للبحث العالمي من خلال استغلال محلية المعماريات عالية الأداء.
2. التقييم المنهجي: اختبار مرجعي واسع النطاق باستخدام محاكاة المتجه الحالة (state-vector) على كل من مهام الانحدار الاصطناعية ومسائل الكيمياء الكمومية المعقدة، مما يثبت قدرة الخوارزمية على تحسين نماذج الـ ansatz الأساسية المتنوعة.
3. النشر على الأجهزة الحقيقية: تنفيذ أفضل النماذج أداءً على معالجات IBM الكمومية (ibm_fez و ibm_kingston)، مما يوفر خط أساس لتقييم تأثير ضجيج الأجهزة والفجوة بين المحاكاة والواقع.
4. المصدر المفتوح: إصدار البيانات والشيفرة المصدرية لتسهيل المزيد من الأبحاث في مجال البحث عن معمارية تعلم الآلة الكمومي (QML).

4. النتائج الرئيسية

مجموعات البيانات الاصطناعية

• تحسن كبير: حقق LQAS تحسناً جذرياً في أداء النماذج عبر جميع الـ ansätze الأساسية.
  • التربيعية أحادية البعد: تحسن أبسط نموذج أساسي (HEA-1-1) من معامل تحديد $R^2$ سالب قدره -0.993 (فشل في المطابقة) إلى 0.958 بعد ثلاثة تكرارات.
  • التربيعية ثنائية البعد: تحسن متوسط $R^2$ عبر النماذج الأساسية من 0.415 إلى 0.835 بعد ثلاثة تكرارات.
• الكفاءة: غالباً ما حدثت أكبر المكاسب في التكرار الأول، مما يشير إلى أن التعديلات المحلية البسيطة يمكن أن تؤدي إلى قفزات كبيرة في الأداء.

مجموعات بيانات الكيمياء الكمومية

• مجموعة بيانات DDCC: نجح LQAS في تحسين الـ PQC للتنبؤ بسعات الـ coupled-cluster. تحسن $R^2$ من 0.946 (الأساسي) إلى 0.993 (التكرار النهائي) في مجموعة التحقق، مما أظهر تعميماً ممتازاً دون فرط في التخصيص (overfitting).
• مجموعة بيانات BSE49: كانت مكاسب الأداء هامشية (الأساسي $R^2 \approx 0.31$ إلى النهائي $R^2 \approx 0.50$). يعزو المؤلفون ذلك إلى محدودية سعة النموذج؛ حيث تطلبت مجموعة البيانات المكونة من 16 ميزة دائرة أوسع وعدد معاملات أكثر مما وفره نموذج HEA-3-3 المختبر، مما يسلط الضలుط على حدود مساحة البحث الحالية وضغط الميزات.

تجارب الأجهزة الحقيقية

• التنفيذ: تم تشغيل النماذج الأساسية والنهائية على معالجات IBM Heron.
• فجوة الأداء: بينما أظهرت محاكاة المتجه الحالة تحسينات واضحة، أظهرت نتائج الأجهزة الحقيقية انحرافاً ضئيلاً بين النماذج الأساسية والنهائية (على سبيل المثال، ظل $R^2$ حول -0.1 إلى -0.13).
• الدلالة: يسلط هذا الضوء على التأثير الشديد لضجيج الأجهزة والمحدودية الحالية لأجهزة NISQ لمهام تعلم الآلة الكمومي كثيفة البيانات، حتى مع تطبيق تقنيات تخفيف الخطأ (TREX).

5. الأهمية والخاتمة

• القابلية للتوسع: يقدم LQSA بديلاً عملياً لطرق البحث العالمي عن المعمارية (QAS)، مما يجعل البحث عن المعمارية ممكناً لعدد أكبر من الكيوبتات حيث يصبح البحث العالمي مستحيلاً.
• التحسين المخصص للمهام: تثبت الدراسة أن نماذج "النموذج الواحد الذي يناسب الجميع" (one-size-fits-all) غالباً ما تكون غير مثالية، وأن التنقيح المحلي التكراري يمكن أن يصمم دوائر مخصصة لمهام كيميائية أو رياضية محددة.
• الواقع العملي للأجهزة: تقدم الورقة تقييماً نقدياً للحالة الراهنة لتعلم الآلة الكمومي (QML)، حيث تظهر أنه بينما يمكن للخوارزميات نظرياً تحسين الدوائر، فإن مستويات ضجيج الأجهزة الحالية تمنع هذه المكاسب النظرية من التحول إلى أداء حقيقي في مهام معقدة.
• الاتجاه المستقبلي: يشير العمل إلى أن التقدم المستقبلي في QML يتطلب التحسين المشترك لكل من الخوارزميات (مثل LQAS) وتحسينات الأجهزة (تصحيح الخطأ/تخفيف الخطأ) لسد الفجوة بين المحاكاة والواقع.