⚛️ quantum physics

Closing the Loop: Resource-aware Hybrid NAS Guided by Analytical and Hardware-Calibrated Quantum Cost Modeling

تقدم هذه الورقة Hyb-HANAS، وهو إطار عمل للبحث عن بنية عصبية هجينة مدرك للأجهزة يستخدم نموذج تكلفة تحليلياً مبتكراً يدمج بيانات معايرة الخلفية الحقيقية لتحسين الدقة، وعدد المعلمات، وتكاليف الموارد العتادية القائمة على الوقت للشبكات العصبية الهجينة الكمية-الكلاسيكية بشكل مشترك.

المؤلفون الأصليون: Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

نُشر 2026-03-03

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Muhammad Kashif, Alberto Marchisio, Muhammad Shafique

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 بناء السيارة الهجينة المثالية. هذه السيارة تمتلك محركين: محرك بنزين تقليدي (الكمبيوتر الكلاسيكي) ومحرك كهربائي مستقبلي وتجريبي (الكمبيوتر الكمي).

هدفك هو تصميم السيارة المثالية التي تكون سريعة، وموفرة للوقود، ولا ترهق ميزانيتك. وللقيام بذلك، تحتاج إلى وسيلة لقياس مقدار "العمل" الذي يقوم به كل محرك حتى تتمكن من مقارنتهما وإيجاد التوازن الأفضل.

المشكلة: قياس التفاح والبرتقال

في عالم الحواسيب الكلاسيكية، يستخدم المهندسون وحدة معيارية تسمى FLOPs (عمليات الفاصلة العائمة) لقياس العمل. إنها تشبه عدّ عدد المرات التي تتحرك فيها مكابس محرك البنزين. إنه رقم رائع لمحركات البنزين.

ولكن هنا تكمن العقبة: الحواسيب الكمية ليس لديها مكابس. فهي تستخدم الـ "qubits"، والتي تشبه العملات المعدنية التي تدور ويمكن أن تكون "صورة" أو "كتابة" أو كليهما في نفس الوقت.

إذا حاولت قياس المحرك الكمي باستخدام "عدّ المكابس" (FLs)، فغالباً ما يكون الرقم صفراً أو مضللاً.
الأمر يشبه محاولة قياس سرعة قارب شراعي عن طريق عدّ عدد دورات عجلات سيارة. قد يكون القارب الشراعي يتحرك بسرعة، لكن عدّ العجلات يقول "صفر".

بسبب هذا، فإن مصممي الذكاء الاصطناعي الحاليين (الذين يحاولون بناء هذه السيارات الهجينة) يعملون في عماء. قد يختارون تصميماً يبدو رخيصاً على الورق (عدد FLOPs منخفض) ولكنه في الواقع كابوس لتشغيله على أجهزة كمية حقيقية لأنه يستغرق وقتاً طويلاً جداً أو يفشل بسبب "الضجيج" (التداخل الساكن).

الحل: مسطرة "زمنية" عالمية

قرر مؤلفو هذه الورقة البحثية، محمد، وألبرتو، ومحمد، التوقف عن عدّ المكابس والبدء في قياس الزمن.

لقد أدركوا أنه سواء كنت تشغل محرك بنزين أو محركاً كمياً، فإن التكلفة القصوى هي الوقت المستغرق لإنهاء المهمة.

لقد بنوا نموذج تكلفة تحليلي جديداً (آلة حاسبة متطورة) يعمل كمترجم عالمي:

للجزء الكلاسيكي: ينظر إلى عمليات الـ FLOPs ويحولها إلى "ثوانٍ" بناءً على سرعة شريحة الكمبيوتر الخاصة بك.
للجزء الكمي: لا يكتفي بعدّ البوابات فحسب؛ بل ينظر إلى كتيب التعليمات الخاص بالعتاد الحقيقي. فهو يتحقق من:
- كم من الوقت تستغرق بوابة معينة لتعمل؟
- كم عدد "الالتفافات" الإضافية (التوجيه/Routing) التي يحتاجها الدائرة لأن الـ qubits ليست كلها متصلة ببعضها؟
- كم من "إعادة العمل" مطلوب بسبب الضجيج؟ (إذا كانت الإشارة الكمية مشوشة، فقد تضطر لتكرار التجربة 10 مرات للحصول على نتيجة واحدة جيدة. هذا يُحتسب كزمن!)

الآن، يتم قياس كلا المحركين بـ الثواني. يمكنك أخيراً مقارنتهما بشكل عادل.

إطار عمل "Hyb-HANAS": المعماري الذكي

مع هذه المسطرة الجديدة، أنشأوا نظاماً يسمى Hyb-HANAS. فكر في هذا النظام كأنه معماري فائق الذكاء يستخدم خوارزمية تطورية (مثل الانتخاب الطبيعي) لتصميم أفضل سيارة هجينة.

العملية: يقوم المعماري بتوليد آلاف التصاميم العشوائية للسيارات.
الاختبار: بدلاً من بناء جميعها (لأن ذلك سيكون مكلفاً للغاية)، يستخدم المعماري "حاسبة الزمن" للتنبؤ بالوقت الذي سيستغرقه كل تصميم للعمل على أجهزة حقيقية.
الاختيار: يحتفظ بالتصاميم التي تكون:
1. دقيقة (السيارة تقود بشكل جيد).
2. سريعة (وقت إجمالي منخفض).
3. صغيرة (عدد قليل من المعلمات/Parameters).
النتيجة: يجد "جبهة باريتو" (Pareto Front) — وهي مجموعة من التصاميم المثالية حيث لا يمكنك جعل أحد جوانبها أفضل دون جعل جانب آخر أسوأ.

ما اكتشفوه

عندما قاموا بتشغيل هذا النظام، وجدوا بعض الأشياء المفاجئة:

الأكثر ليس دائماً الأفضل: الدائرة الكمية التي تحتوي على طبقات أكثر (أعمق) ليست دائماً أذكى. في كثير من الأحيان، تضيف الطبقات الإضافية مجرد "اختناقات مرورية" (أعباء التوجيه) و"ضجيجاً ساكناً"، مما يجعل السيارة أبطأ وأقل موثوقية.
العمل الجماعي هو المفتاح: أفضل التصاميم كانت غالباً عبارة عن محرك كمي بسيط مقترن بـ محرك كلاسيكي أقوى. كان الجزء الكلاسيكي يقوم بالعمل الشاق، بينما قام الجزء الكمي بما يكفي فقط لإعطاء دفعة خاصة.
ضريبة "الضجيج": أثبتوا أن تجاهل الضجيج خطأ فادح. التصميم الذي قد يبدو فعالاً في برنامج محاكاة قد يستغرق 100 ضعف وقت التشغيل على جهاز حقيقي لأنه سيضطر لتكرار الحسابات للتغلب على الأخطاء.

الصورة الكبيرة

هذه الورقة البحثية تشبه إعطاء المهندسين نظام GPS لمستقبل الكم. قبل ذلك، كانوا يقودون في عماء، ويخمنون أي التصاميم ستنجح. الآن، لديهم خريطة توضح بالضبط كم ستستغرق الرحلة، مع مراعاة حركة المرور (التوجيه)، وظروف الطريق (الضجيج)، ونوع المحرك.

هذا يسمح لهم ببناء أنظمة ذكاء اصطناعي هجينة ليست فقط رائعة من الناحية النظرية، بل هي أيضاً قابلة للتنفيذ والتشغيل على الحواسيب الكمية الحقيقية المتاحة اليوم. إنها تغلق الفجوة بين "ما نصممه" و"ما يعمل بالفعل".

إليك ملخص تقني مفصل لورقة البحث بعنوان: "إغلاق الحلقة: البحث عن البنى العصبية الهجينة المدركة للموارد والموجهة بنمذجة تكلفة كمومية تحليلية ومعايرة عتادية."

1. بيان المشكلة

تعالج الورقة التحدي الحرج المتمثل في تصميم الشبكات العصبية الهجينة (كمومية-كلاسيكية) (HQNNs) باستخدام البحث عن البنى العصبية (NAS). تعاني النهج الحالية من قصورين رئيسيين:

مقاييس تكلفة غير كافية: يعتمد البحث عن البنى العصبية التقليدي على عمليات الفاصلة العائمة (FLOPs) لتقدير التكاليف العتادية. ومع ذلك، فإن مقاييس FLOPs غير مناسبة جوهرياً للطبقات الكمومية لأن العمليات الكمومية ليست حسابات تنسورية. فمقاييس FLOPs إما تفشل في التقاط التكلفة الحقيقية (على سبيل المثال، في المحاكيات المحسنة مثل lightning.qubit حيث تظل FLOPs ثابتة رغم زيادة عمق الدائرة) أو تعكس فقط أعباء المحاكاة الكلاسيكية بدلاً من وقت تنفيذ الأجهزة الكمومية الفعلي.
الافتقار إلى الوعي بالعتاد: معظم تقييمات الشبكات الهجينة (HQNN) تتم على محاكيات كلاسيكية مثالية، متجاهلة القيود الفيزيائية الحرجة للأجهزة الكمومية ذات المقياس المتوسط والمشوبة بالضجيج (NISQ)، مثل حدود اتصال الكيوبتات (qubit connectivity)، ومدد البوابات، والأخطاء الناجمة عن الضجيج، وفقدان الترابط (decoherence). وهذا يخلق فجوة بين البنية المصممة وقابليتها الفعلية للتنفيذ على الأجهزة الحقيقية.

2. المنهجية

يقترح المؤلفون إطار عمل موحداً لنمذجة التكلفة القائمة على الزمن، مدمجاً في إطار بحث عن البنى العصبية متعدد الأهداف يسمى Hyb-HANAS.

أ. نموذج التكلفة التحليلي الموحد القائم على الزمن

لسد الفجوة بين المجالين الكلاسيكي والكمومي، يقوم المؤلفون بتحويل كلا النظامين الفرعيين إلى وحدة فيزيائية مشتركة: الزمن (بالثواني).

نموذج التكلفة الكلاسيكية التحليلي:
- بدلاً من FLOPs الخام، يحسب النموذج زمن التأخير الكلاسيكي (latency) عن طريق معايرة إنتاجية الجهاز ( $\Phi_{device}$ ) باستخدام نموذج مرجعي.
- الصيغة: $T_{classical} = \frac{FLOPs_{candidate}}{\Phi_{device}} \times N_{steps}$ .
- هذا يفصل التعقيد الخوارزمي عن كفاءة العتاد، مما يسمح بمقارنة عادلة عبر أجهزة مختلفة.
نموذج التكلفة الكمومية التحليلي:
- هذا هو الابتكار الجوهري. فهو يقدر زمن التنفيذ الكمومي باستخدام بيانات المعايرة اللحظية للخلفية (backend calibration data) (من أجهزة IBM Quantum).
- المكونات:
  - زمن تنفيذ البوابة: مجموع مدد بوابات الكيوبت الواحد، والكيوبت المزدوج، وبوابات القياس بناءً على الدوائر المترجمة (transpiled circuits).
  - أعباء التوجيه (Routing Overhead): يأخذ في الاعتبار بوابات SWAP الإضافية التي يتم إدراجها بسبب محدودية اتصال الكيوبتات (قيود NISQ).
  - أعباء الموثوقية: ينمذج العقوبة الإحصائية الناتجة عن الضجيج. بما أن الضجيج يفسد النتائج، يلزم إجراء المزيد من "الطلقات" (shots) (التكرارات) للحصول على عينة صالحة. يطبق النموذج معامل $(1 - p_{fail})^{-1}$ ، حيث $p_{fail}$ هو الاحتمال التراكمي لأخطاء البوابات وفقدان الترابط.
  - تقييم التدرج (Gradient Evaluation): يتضمن تكلفة قاعدة إزاحة المعاملات (parameter-shift rule) التي تتطلب تقييمين للدائرة لكل معامل، والمستخدمة في التدريب الكمومي الحقيقي.
- التكلفة الإجمالية: $C_{total} = T_{classical, total} + T_{quantum, total}$ .

ب. إطار عمل Hyb-HANAS

ينفذ المؤلفون Hyb-HANAS، وهو إطار عمل للبحث عن البنى العصبية المدرك للعتاد باستخدام خوارزمية NSGA-II (خوارزمية الجينات ذات الترتيب غير المهيمن II) التطورية.

فضاء البحث: يدعم وضعين:
1. CNN ثابت (Fixed CNN): الطبقات الكلاسيكية تكون ثابتة؛ ويتم تحسين البنية الكمومية فقط (عدد الكيوبتات، العمق، وطوبولوجيا التشابك).
2. CNN متغير (Variable CNN): يتم تحسين كل من المكونات الكلاسيكية (طبقات CNN، النوى، التنشيطات) والمكونات الكمومية معاً لإيجاد التكيف المشترك بين المجالات.
سير العمل:
1. الإعداد (Configuration): يحدد المستخدم حدود البحث ويختار الخلفية الكمومية (جهاز IBM حقيقي أو محاكي "زائف" بملفات تعريف ضجيج معايرة).
2. التقييم: يتم تدريب المرشحين لبضع حقبات (epochs) (مع تطبيق التوقف المبكر).
3. تقدير التكلفة: بدلاً من التشغيل على أجهزة حقيقية (وهو أمر بطيء ومكلف)، يستخدم الإطار نموذج التكلفة الكمومية التحليلي لتقدير تكلفة العتاد للدائرة المترجمة للمرشح.
4. التحسين: تقوم خوارزمية NSGA-II بالتحسين لثلاثة أهداف: دقة التحقق (Validation Accuracy)، إجمالي تكلفة العتاد (الزمن)، وإجمالي عدد المعاملات.

3. المساهمات الرئيسية

تحديد قصور مقاييس FLOPs: أثبتت الدراسة أن مقاييس FLOPs تفشل في التقاط البصمات الحسابية الكمومية، وغالباً ما تنهار إلى جبهات باريتو (Pareto fronts) غير مفيدة للنماذج الهجينة.
نموذج تكلفة تحليلي معاير عتادياً: تطوير نموذج مبتكر يتنبأ بزمن تأخير التدريب الكمومي باستخدام بيانات معايرة الخلفية الحقيقية، مع دمج مدد البوابات، وأعباء التوجيه، وعدم كفاءة أخذ العينات الناتجة عن الضجيج.
مقياس موحد عبر المجالات: إنشاء مقياس قائم على الزمن يسمح بالمقارنة المباشرة والتحسين المشترك للمكونات الكلاسيكية والكمومية.
إطار عمل Hyb-HANAS: إطار عمل للبحث عن البنى العصبية متعدد الأهداف يحدد البنى المثلى (Pareto-optimal) للشبكات الهجينة، موازناً بين الدقة والقيود العتادية الواقعية.
رؤى منهجية: تقديم تحليل حول كيفية هيمنة أعباء التوجيه وعقوبات الضجيج على التكاليف في الدوائر المعقدة، وكيف يمكن للتكيف المشترك بين الكلاسيكي والكمومي التخفيف من هذه العقوبات.

4. النتائج والمناقشة

التحقق من النموذج: تتوافق تقديرات الزمن في النموذج التحليلي بشكل وثيق مع مجدول IBM Qiskit المدمج (الذي يستخدم مدد النبضات المعايرة)، مما يؤكد دقتها في التنبؤ بنوافذ تنفيذ البوابات.
وضع CNN الثابت: عندما تتغير الطبقة الكمومية فقط، يكشف البحث أن الدوائر الفعالة والضحلة يمكن أن تحقق دقة مقاربة للدوائر الأعمق والأكثر تشابكاً ولكن بتكاليف عتادية أقل بكثير.
وضع CNN المتغير: ينتج عن التحسين المشترك جبهة باريتو أكثر ثراءً. يتعلم النظام التكيف المشترك:
- عندما تكون شبكة CNN الكلاسيكية قوية، يختار البحث دوائر كمومية أبسط وأقل عمقاً لتقليل أعباء التوجيه والضجيض.
- عندما تكون شبكة CNN الكلاسيكية خفيفة الوزن، تعوض عملية البحث باختيار بنى كمومية أكثر تعبيراً (ولكنها أعلى تكلفة).
تحليل الاستئصال (Ablation Analysis): يظهر تفكيك التكاليف أنه مع زيادة تعقيد الدائرة، تصبح أعباء التوجيه (بوابات SWAP الإضافية) وعقوبات الموثوقية (بسبب الضجيج/فقدان الترابط) هي العوامل المهيمنة في التكلفة الإجمالية، وغالباً ما تتجاوز زمن تنفيذ البوابات المنطقية.

5. الأهمية

يعمل هذا العمل على "إغلاق الحلقة" بين تصميم البنية عالية المستوى والقيود الفيزيائية للعتاد.

الواقعية: يتيح تصميم شبكات (HQNNs) قابلة للتنفيذ فعلياً على أجهزة (NISQ) الحالية، متجاوزاً المحاكيات المثالية.
الكفاءة: من خلال استخدام نموذج تحليلي يعتمد على بيانات المعايرة، يتجنب العمل عملية تشغيل آلاف التقييمات على أجهزة كمومية حقيقية، وهي عملية مكلفة وتستغرق وقتاً طويلاً.
الأثر الأوسع: يمكن تطبيق نموذج التكلفة المقترح خارج نطاق البحث عن البنى العصبية، ليكون بمثابة معيار لمترجمات الحوسبة الكمومية، واختيار العتاد، وتقدير وقت التدريب للخوارزميات الكمومية.

باختصار، توفر هذه الورقة منهجية صارمة قائمة على العتاد لتصميم الأنظمة الذكية الهجينة، مما يضمن أن البنى الناتجة ليست دقيقة فحسب، بل قابلة للتنفيذ أيضاً ضمن الحدود الفيزيائية للأجهزة الكمومية في عصرنا الحالي.