ملخص تقني: تعلم آلي كمي قابل للتوسع عبر دوائر كمية متغيرات متعددة الطبقات كاملة الاتصال

1. بيان المشكلة

تُعد الدوائر الكمية المتغيرة (VQCs)، المعروفة أيضاً بالدوائر الكمية ذات المعلمات أو الشبكات العصبية الكمية، إطار عمل رائد لتعلم الآلة الكمي في عصر الأجهزة الكمية متوسطة المدى (near-term). ومع ذلك، تواجه بنيات الـ VQC أحادية الهيكل التقليدية معضلة أساسية بين التعبيرية والقابلية للتدريب (expressivity–trainability dilemma):

• في الإعدادات منخفضة الأبعاد: تكون دوائر VQC الصغيرة والضحلة سهلة المحاكاة والتحسين، ولكنها غالباً ما تفتقر إلى المعلمات القابلة للتدريب الكافية لتعلم تمثيلات تنافسية (نقص في التوصيف/under-parameterization).
• في الإعدادات عالية الأبعاد: يؤدي زيادة عرض أو عمق الدائرة لتحسين التعبيرية إلى توسع أسي في فضاء هيلبرت ($O(2^d)$ لـ $d$ من الكيوبتات)، مما يجعل المحاكاة المباشرة غير مجدية. علاوة على ذلك، فإن الدوائر أحادية الهيكل العميقة أو التعبيرية بشكل كافٍ غالباً ما تعاني من الهضاب القاحلة (barren plateaus)، حيث تتلاشى التدرجات أسياً، مما يعيق عملية التحسين.

تعتمد النهج النمطية الحالية، مثل التعلم الآلي الكمي الموزع (federated QML)، أو طرق الشبكات الموترية (tensor-network)، أو الدوائر الشبيهة بالمجموعات (ensemble-style)، غالباً على نقل تعلم التمثيل إلى الواجهات الأمامية الكلاسيكية، أو تعتمد على قيود في الرتبة الهيكلية، أو تفشل في توفير تفاعل ميزات عالمي كافٍ. هناك حاجة إلى بنية كمية قابلة للتوسع تزيد من سعة النموذج دون بناء دائرة واحدة ضخمة أحادية الهيكل أو الاعتماد على مشفرات كلاسيكية قابلة للتدريب.

2. المنهجية: FC-VQC

يقترح المؤلفون الدوائر الكمية المتغيرة كاملة الاتصال متعددة الطبقات (FC-VQC)، وهو إطار عمل نمطي مصمم لزيادة المعلمات الكمية خطياً مع أبعاد المدخلات مع الحفاظ على الحسابات الكمية الفردية محلية وقابلة للتطبيق.

البنية الأساسية

تقوم FC-VQC بتقسيم المدخلات عالية الأبعاد إلى كتل VQC محلية ثابتة الحجم مكونة من $q$ من الكيوبتات. يتم ربط هذه الكتل عبر قواعد خلط الكتل الحتمية والخالية من المعلمات.

• طبقة المدخلات: يتم تقسيم متجه المدخلات $x \in \mathbb{R}^d$ إلى $B$ من الكتل بحجم $q$ (حيث $d = Bq$). إذا لم يكن $d$ قابلاً للقسمة على $q$، يتم تطبيق حشو صفري (zero-padding). بالنسبة للمهام منخفضة الأبعاد حيث يكون $B$ صغيراً، يتم تطبيق توسيع ميزة حتمي (مثل التحويلات متعددة الحدود أو الجذرية) قبل التقسيم لزيادة عدد الكتل.
• كتل VQC: كل كتلة هي خريطة $q$-qubit من نوع $f_\Theta: \mathbb{R}^q \to \mathbb{R}^{n_{out}}$. وهي تستخدم ترميز الدوران يليه $K$ من الطبقات من "الطبقات شديدة التشابك" (دوران أويلر أحادي الكيوبت العام وأنماط CNOT). ويتم اشتقاق المخرج من قيم توقع Pauli-Z.
• الطبقات الخفية (خلط الكتل): في كل طبقة $l$، يتم خلط مخرجات كتل الطبقة السابقة باستخدام خرائط حتمية $g^{(l)}_b$ قبل تغذيتها في كتل VQC المحلية التالية.
  • خلط النافذة المنزلقة (الأساسي): تتلقى كل كتلة معلومات من جوار حلقي محلي بحجم $r$. وهذا يسمح للمعلومات بالانتشار عبر أبعاد المدخلات بأكملها مع زيادة العمق ($R^{(L)}(b) \approx 2Lr + 1$).
  • الخلط كامل الاتصال: بديل حيث تتلقى كل كتلة معلومات مجمعة من جميع الكتل السابقة، مما يتيح الاعتماد العالمي في خطوة واحدة.
• طبقة المخرجات: تدعم الخرائط الحافظة للأبعاد (لحلول BSDE/PDE) أو تقليل الأبعاد المتدرج (للتراجع/التصنيف الجدولي) عن طريق قياس عدد أقل من الملاحظات لكل كتلة.

الدوافع النظرية

تستند البنية إلى ثلاث رؤى نظرية:

1. تراكم الضجيج: من خلال إدراج واجهات القياس وإعادة الترميز بين الكتل (بنية النوع 2)، يخفف النموذج من تراكم الضوضاء المتماسكة من النهاية إلى النهاية. بدلاً من انكماش الإشارة الأسي ($\lambda^D$) المعتاد في الدوائر المتماسكة العميقة، يصبح انتشار الخطأ خطياً مع عدد الطبقات، ومحصوراً بـ انحياز كل كتلة وضجيج العينات المحدود.
2. توسيع المجال الاستقبالي: يعمل خلط الكتل على توسيع دعم الاعتماد. وبينما تكون الكتل المتوازية منفصلة، فإن خلط النافذة المنزلقة يسمح للكتل المحلية بالتقاط التفاعلات بين الكتل التي تنمو مع العمق، بينما يحقق الخلط كامل الاتصال الاعتماد العالمي فوراً.
3. عدم تطابق الدعم: تُظهر الحدود النظرية أن دعم التفاعل المقيد (النماذج المنفصلة) يتسبب في خطأ لا يمكن تجنبه في الأهداف التي تتطلب تفاعلات بين الكتل. تقلل FC-VQC من هذا الخطأ من خلال توسيع العائلة الهيكلية للوظائف القابلة للتمثيل عبر الخلط.

3. المساهمات الرئيسية

1. معالجة المعضلة: تحل FC-VQC معضلة التعبيرية–القابلية للتدريب عن طريق زيادة السعة الكمية القابلة للتدريب من خلال العديد من الكتل المحلية الصغيرة بدلاً من دائرة واحدة عريضة أو عميقة أحادية الهيكل.
2. القابلية للتوسع: بالنسبة لحجم كتلة $q$ ثابت، تزدال المعلمات الكمية القابلة للتدريب خطياً مع أبعاد المدخلات $d$. وهذا يتيح محاكاة المشكلات عالية الأبعاد (مثل $d=300$) التي لا يمكن تنفيذها باستخدام VQC أحادية الهيكل ($O(2^{300})$).
3. كفاءة المعلمات: تحقق FC-VQC أداءً تنافسياً أو محسناً مقارنة بالشبكات العصبية العميقة (DNNs) المتوافقة هيكلياً مع استخدام معلمات أقل بكثير.

4. النتائج التجريبية

تم تقييم الإطار عبر ثلاثة أنظمة: التراجع الجدولي، التصنيف الجدولي، وتقريب المعادلات التفاضلية الجزئية/المعادلات التفاضلية العشوائية (BSDE/PDE) المكانية والزمانية.

الأداء التنبؤي

• المهام الجدولية: في مهمة تراجع قوة الخرسانة (Concrete Strength) ($d=8$)، حققت FC-VQC معامل تحديد $R^2$ قدره 0.8928، متفوقة على كل من VQC أحادية الهيكل (0.6768) و DNN المتوافقة هيكلياً (0.8486). وفي تصنيف جودة النبيذ ($d=11$)، وصلت FC-VQC إلى دقة 63.6%، متجاوزة خط الأساس DNN (58.4%).
• المعادلات التفاضيلية الجزئية (PDEs) المكانية والزمانية: تم اختبار FC-VQC على معادلات Black–Scholes وBurgers وOscillatory PDE مع أبعاد مكانية $d=36$ و $d=300$.
  • في Black–Scholes ($d=300$)، قللت FC-VQC متوسط الخطأ النسبي المطلق (Relative MAE) من 0.0189 (DNN) إلى 0.0098.
  • في Oscillatory PDE ($d=300$)، قللت الخطأ من 0.5699 إلى 0.4650.
  • في Burgers PDE (الحالة الأكثر صعوبة غير الخطية)، ظلت FC-VQC قابلة للمقارنة مع DNN، مع خطأ أعلى قليلاً عند $d=300$ (0.8842 مقابل 0.8737)، مما يشير إلى حدود الأداء المعتمدة على المهمة.

القابلية للتوسع والتعقيد

• جدوى المحاكاة: لم يكن بالإمكان محاكاة نماذج VQC أحادية الهيكل لـ $d=36$ أو $d=300$ بسبب قيود حجم متجه الحالة. نجحت FC-VQC، باستخدام دوائر محلية بحجم $q=3$، في محاكاة هذه المهام عالية الأبعاد بنجاح مع تعقيد توسع خطي $O(d)$.
• كفاءة المعلمات: حققت FC-VQC أداءً يضاهي أو يحسن أداء DNN مع معلمات قابلة للتدريب أقل بمقدار 7.1 إلى 77.2 ضعفاً. بالنسبة لـ PDEs عالية الأبعاد ($d=300$)، تجاوز الانخفاض 77 ضعفاً.

القابلية للتدريب والمتانة

• ديناميكيات التدرج: أظهر التحليل التجريبي على معيار قوة الخرسانة أن الـ VQCs أحادية الهيكل الضيقة تعاني من انهيار تباين التدرج. حافظت بنيات FC-VQC على ديناميكيات تدرج أكثر صحة عبر مختلف الأعماق والطبقات، مما يدعم الادعاء بأن التوسع النمطي يحافظ على القابلية للتدريب.
• المتانة في عصر NISQ: أظهرت الاختبارات الأولية مع ضجيج إزالة الاستقطاب (depolarizing noise) ($p=0.001, 0.01$) تدهوراً طفيفاً فقط (انخفاض 0.01–0.02 في $R^2$)، مما يشير إلى أن بنية القياس وإعادة الترميز تخفف من تراكم الضجيج المتماسك.

5. الأهمية والادعاءات

تضع الورقة FC-VQC ليس كادعاء بالتفوق الكمي الشامل على جميع النماذج الكلاسيكية، بل كبنية نمطية قابلة للتوسع تمد إمكانية الاستخدام العملي لنماذج نمط VQC إلى ما وراء النطاق منخفض الأبعاد.

• المساهمة التجريبية: يوضح العمل أن استبدال الوحدات الكلاسية القابلة للتدريب الكثيفة بكتل FC-VQC نمطية يمكن أن يضاهي أو يتجاوز أداء DNN المتوافقة هيكلياً مع استخدام معلمات أقل بكثير.
• التبرير البنيوي: توفر النتائج النظرية أساساً رسمياً لسبب تحسين خلط الكتل والقياس/إعادة الترميز للتعبيرية والمرونة تجاه الضجيج مقارنة بالدوائر المتماسكة العميقة.
• القيود: يقر المؤلفون بأن التجارب الرئيسية تعتمد على محاكاة حالة المتجه الكلاسيكية، وأن تحليل الضجيج هو فحص أولي وليس تقييماً كاملاً للأجهزة. كما أن تحليل ديناميكيات التدرج هو تحليل تجريبي ولا يشكل إثباتاً رسمياً للقضاء على الهضاب القاحلة. كما أن ميزة كفاءة المعلمات تُعرض مقارنة بـ DNNs المتوافقة هيكلياً، وليس بالضرورة ضد جميع البنيات الكلاسيكية المتخصصة (مثل الشبكات المتفرقة أو مجموعات الأشجار).

في الختام، تقدم FC-VQC مساراً قابلاً للتطبيق لتوسيع نطاق تعلم الآلة الكمي للمشكلات عالية الأبعاد من خلال تفكيك المشكلة إلى حسابات كمية محلية يمكن التحكم بها وربطها بخلط كلاسيكي حتمي، مما يوازن بين التعبيرية، والقابلية للتدريب، والجدوى الحسابية.