Comparing Classical and Quantum Variational Classifiers on the XOR Problem

إليك ملخص تقني مفصل لورقة البحث بعنوان "مقارنة المصنفات التباينية الكلاسيكية والكمية على مسألة XOR" من تأليف ميراس سيلخان وأديلبيك تايزانوف.

1. بيان المشكلة

تتناول الورقة البحثية السؤال الجوهري حول ما إذا كانت المصنفات الكمية التباينية (VQC) تقدم أي ميزة عملية مقارنة بنماذج التعلم الآلي الكلاسيكية في مهام التصنيف غير الخطية. استخدم المؤلفون مسألة XOR (Exclusive OR) كمعيار للقياس.

• أهمية XOR: هي الحد الأدهى لمسألة تصنيف ثنائي غير قابلة للفصل خطياً. النماذج الخطية (مثل الانحدار اللوجستي) لا يمكنها حل هذه المسألة دون تحويلات ميزات غير خطية، مما يجعلها بيئة اختبار مثالية لتقيـم القدرة التعبيرية (القدرة على تمثيل الدوال المعقدة) لبنيات النماذج المختلفة.
• الهدف: مقارنة أداء، ومتانة، وكفاءة النماذج الكلاسيكية (الانحدار اللوجستي وMLP) مقابل مصنف كمي تبايني (VQC) مكون من 2 كيوبت تحت ظروف متغيرة (الضجيج، حجم مجموعة البيانات، عمق الدائرة، والقيود العتادية).

2. المنهجية

2.1 النماذج التي تم تقييمها

تقارن الدراسة بين ثلاث بنيات متميزة:

1. الانحدار اللوجستي (LR): مصنف خطي يعمل كخط أساس لإثبات فشل النماذج الخطية في حل مسألة XOR.
2. المدرك متعدد الطبقات (MLP): شبكة عصبية كلاسيكية بطبقة مخفية واحدة ($h=4$ وحدات) ودالة تنشيط سيجمويد (sigmoid)، والتي تمثل خط أساس كلاسيكي غير خطي قياسي.
3. المصنف الكمي التبايني (VQC): نموذج هجين (كمي-كلاسيكي) يستخدم 2 كيوبت.
   • الترميز (Encoding): يقوم ترميز الزاوية برسم ميزات المدخلات $x_1, x_2$ إلى زوايا دوران ($RX(\pi x_i)$).
   • الأنزات (Ansatz): دائرة معلمية بعمق $L \in \{1, 2\}$. تتكون كل طبقة من دورات أحادية الكيوبت وبوابات CNOT متشابكة.
   • القياس (Measurement): قيمة توقع Pauli-Z على كيوبت واحد، والتي تُحول إلى احتمالية.
   • التدريب: يتم التحسين باستخدام محسنات كلاسيكية (Adam/SGD) لتقليل الخطأ التقاطعي الثنائي (BCE).

2.2 مجموعات البيانات وبروتوكول التجربة

استخدم المؤلفون ثلاث مجموعات بيانات اصطناعية:

• المجموعة (A) (XOR نظيفة): النقاط الأربع المنفصلة الأساسية.
• المجموعة (B) (XOR المتكتلة ذات الضجيج): هي المعيار الأساسي. أربع كتل متمركزة حول زوايا XOR مع ضجيج غاوسي مضاف ($\sigma \in \{0.00, 0.05, 0.10, 0.20, 0.30\}$) وأحجام عينات متفاوتة ($n \in \{25, \dots, 500\}$ لكل كتلة).
• المجموعة (C) (XOR المستمرة): نسخة مستمرة تعتمد على العتبة (استُخدمت للتحليل النوعي).

مقاييس التقييم:

• الدقة (Accuracy): نسبة العينات المصنفة بشكل صحيح.
• الخسارة (Loss): الخطأ التقاطعي الثنائي (BCE).
• الكفاءة (Efficiency): وقت التدريب الفعلي (Wall-clock time) وعدد المعلمات القابلة للتدريب.
• المتانة (Robustness): الحساسية لمستويات الضجيج، وحجم مجموعة البيانات، والبدء العشوائي (البذور/seeds).

2.3 المحاكاة مقابل العتاد الحقيقي

أُجريت التجارب في نظامين:

1. المحاكاة المثالية: محاكاة تحليلية (خالية من الشوتات/shot-free) ومحاكاة ذات شوتات محدودة (128/1024 شوت).
2. العتاد الحقيقي: تنفيذ مرحلة الاستدلال فقط على خلفية IBM Quantum (جهاز NISQ) باستخدام المعلمات المدربة مسبقاً من المحاكاة لعزل تأثيرات ضجيج العتاد.

3. النتائج الرئيسية

3.1 القدرة التعبيرية وعمق الدائرة

• الفشل الخطي: كما هو متوقع نظرياً، فشل الانحدار اللوجستي في حل XOR، حيث حقق دقة تقترب من التخمين العشوائي (~50-75%).
• الاعتماد على العمق: اعتمد أداء الـ VQC بشكل صارم على عمق الدائرة ($L$).
  • عند $L=1$: افتقرت الدائرة الضحلة إلى القدرة التعبيرية الكافية. فشلت في تعلم حدود XOR غير الخطية، مما أدى إلى دقة مشابهة للتخمين العشوائي (~50-53%).
  • عند $L=2$: أدى زيادة العمق إلى مضاعفة المعلمات (من 6 إلى 12) وسمح للـ VQC بتعلم حدود القرار غير الخطية، محققاً دقة اختبار بنسبة 100%، مطابِقاً بذلك نموذج MLP.
• الاستنتاج: القدرة التعبيرية البنيوية (العمق/الطوبولوجيا) هي العامل الحاسم، وليس الطبيعة الكمية للنموذج نفسه.

3.2 مقارنة الأداء (MLP مقابل VQC)

عندما كان كلا النموذجين ذوي قدرة تعبيرية كافية (MLP بـ $h=4$ و VQC بـ $L=2$):

• الدقة: حقق كلاهما دقة مثالية (1.0) عبر مختلف مستويات الضجيج وأحجام البيانات.
• الخسارة (BCE): حقق الـ MLP باستمرار خسارة (BCE) أقل من الـ VQC. يشير هذا إلى أن الـ MLP ينتج تقديرات احتمالية أكثر حدة ومعايرة بشكل أفضل، بينما كانت مخرجات الـ VQC أكثر سلاسة/أقل ثقة رغم التصنيف المثالي.
• كفاءة التدريب: كان الـ VQC أبطأ بشكل ملحوه.
  • زمن تدريب MLP: حوالي 0.05 ثانية.
  • زمن تدريب VQC ($L=2$، تحليلي): حوالي 943 ثانية.
  • زمن تدريب VQC ($L=2$، 1024 شوت): حوالي 1776 ثانية.
  • ملاحظة: النموذج الكمي أبطأ بعدة أوامر مقدارية بسبب عبء المحاكاة وضجيج الشوتات، حتى قبل النظر في قيود العتاد الحقيقي.

3.3 المتانة والضجيج

• الحساسية للضجيج: أظهر كل من MLP و VQC ($L=2$) اتجاهات تدهور متشابهة مع زيادة الضجيج الغاوسي.
• البدء العشوائي: كان كلا النموذجين مستقرين عبر بذور عشوائية مختلفة، حيث حقق كل من MLP و VQC ($L=2$) دقة 100% باستمرار.
• الشوتات المحدودة: أدى تقليل عدد الشوتات (128 مقابل 1024) إلى إدخال تقلبات طفيفة في دقة الـ VQC ولكنه لم يغير هيكل القرار العالمي لـ $L=2$.

3.4 العتاد مقابل المحاكاة

عند نشر الـ VQC المدرب ($L=2$) على عتاد IBM Quantum الحقيقي:

• الهيكل العالمي: حافظ العتاد على هيكل قرار XOR العالمي (ظل هيكل الإشارة صحيحاً).
• الانحرافات المحلية: أظهرت دالة القرار المستمرة $f(x)$ انحرافات مهيكلة وعدم انتظام محلي مقارنة بالمحاكي المثالي.
• القياس الكمي: بلغ متوسط الانحراف المطلق (MAD) بين العتاد والمحاكاة حوالي 0.118. يسلط هذا الضوء على أنه بينما قد تظل مقاييس الدقة مثالية، فإن دالة القرار الأساسية تتعرض للتشويه بفعل ضجيج الجهاز (أخطاء البوابات، فك الترابط، وانحياز القراءة).

4. المساهمات الرئيسية

1. التقييم المنهجي: تقديم مقارنة صارمة وموحدة بين النماذج الكلاسيكية والكمية على مسألة XOR الأساسية، مع عزل متغير "الكمية" عن "القدرة التعبيرية".
2. العمق كمتغير حرج: إثبات أن عمق الدائرة هو المحدد الرئيسي للنجاح في نماذج VQC؛ فالـ VQC الضحل ($L=1$) ليس أفضل من المصنف الخطي، بينما الـ VCF الأعمق ($L=2$) يطابق الشبكات العصبية الكلاسيكية.
3. فحص واقع العتاد: تحديد "التشوه على مستوى الدالة" الذي يسببه عتاد NISQ. توضح الدراسة أن الدقة العالية على العتاد قد تخفي تشوهات هيكلية كبيرة في دالة القرار، وهي أمور لا تظهر في مقاييس الدقة القياسية.
4. تحليل الكفاءة: تسليط الضوء على الافتقار الحالي للميزة العملية للنماذج الكمية في المهام منخفضة الأبعاد، مع الإشارة إلى عقوبات زمن التدريب الهائلة والقدرة الأقل دقة في معايرة الاحتمالات مقارنة بـ MLP الكلاسيكي.

5. الأهمية والخاتمة

تخلص الورقة إلى أن النماذج التباينية الكمية، بالنسبة للمهام غير الخطية البسيطة ومنخفضة الأبعاد مثل XOR، لا تقدم بعد ميزة عملية على الشبكات العصبية الكلاسيكية.

• القدرة التعبيرية هي المفتاح: القدرة على حل XOR تتحدد بقدرة النموذج على تمثيل الحدود غير الخطية (العمق في VQC، والوحدات المخفية في MLP)، وليس باستخدام ميكانيكا الكم.
• لا يوجد "غداء مجاني": بينما يمكن لـ VQCs مطابقة الدقة الكلاسيكية، فإنها تفعل ذلك بتكلفة حوسبية أعلى بكثير (زمن التدريب) ومع معايرة احتمالية أقل دقة قليلاً.
• قيود العتاد: يسبب العتاد الكمي الحقيقي ضجيجاً مهيكلاً يشوه دالة القرار، حتى عندما تظل دقة التصنيف مثالية.

النظرة المستقبلية: يقترح المؤلفون أن الميزة الكمية قد تظهر فقط في الأنظمة التي تصل فيها النماذج الكلاسيكية إلى حدود التمثيل (البيانات عالية الأبعاد) أو حيث توفر خصائص كمية محددة (مثل التشابك في فضاءات هيلبرت عالية الأبعاد) ميزة في التوسع لم يتم رصدها بعد في معايير الاختبار منخفضة الأبعاد.