⚛️ quantum physics

Merged amplitude encoding for Chebyshev quantum Kolmogorov--Arnold networks: trading qubits for circuit executions

تقدم هذه الورقة ترميز السعة المدمج لشبكات تشيبيشيف كولموغوروف-كارناد الكمية، وهي تقنية تقلل من تنفيذات الدائرة بمعامل قدره $n$ مقابل تكلفة تقتصر على إضافة 1–2 من الكيوبتات فقط، وتوفر أدلة تجريبية على أن هذا الترميز الموفر للموارد يحافظ على قابلية التدريب بشكل مماثل للأساس التسلسلي الأصلي تحت ظروف محاكاة متنوعة.

المؤلفون الأصليون: Hikaru Wakaura

نُشر 2026-03-03

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Hikaru Wakaura

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

🚚 شاحنة النقل الكمومية: حزم المزيد في وقت أقل

تخيل أنك تقوم بنقل منزلك. لديك مساحة محدودة في شاحنتك (وهذا يشبه الـ qubit، وهي وحدة الذاكرة في الحاسوب الكمومي)، ولديك وقت محدود قبل انتهاء مدة استئجار الشاحنة (وهذا يشبه تنفيذ الدائرة أو المدة التي يستغرقها الحاسوب لإجراء عملية حسابية).

المشكلة:
في عالم الذكاء الاصطناعي الكمومي (Quantum AI)، هناك صراع مستمر بين المساحة والوقت.

الطريقة القديمة (التسلسلية): تقوم بتعبئة صندوق واحد في كل مرة. تستخدم شاحنة صغيرة جدًا (عدد قليل من الـ qubits)، ولكن عليك القيام بالرحلة إلى المنزل الجديد مرات عديدة وكثيرة جدًا (عمليات تنفيذ كثيرة للدائرة). هذا بطيء.
الطريقة المتوازية: تستأجر شاحنة ضخمة. يمكنك وضع كل صناديقك في رحلة واحدة. تقوم بالرحلة مرة واحدة فقط. ولكن، قد لا تجد حتى شاحنة بهذا الحجم، أو قد تكلفك الكثير من المال (كثير من الـ qubits).

الفكرة الجديدة (ترميز السعة المدمج - Merged Amplitude Encoding):
ابتكر مؤلف هذه الورقة البحثية، هيكارو واكورا، حلاً وسطاً ذكياً. بدلاً من القيام برحلة واحدة لكل صندوق، أو استئجار شاحنة ضخمة، وجد طريقة لـ تعبئة عدة صناديق بإحكام داخل صندوق واحد أكبر قليلاً.

يطلقون على هذا اسم "ترميز السعة المدمج" (Merged Amplitude Encoding).

ماذا يفعل: يأخذ عدة قطع من المعلومات (الروابط الرياضية في الذكاء الاصطناعي) ويضغطها معاً في حالة كمومية واحدة.
المقايضة: تحتاج فقط إلى 1 أو 2 إضافي من الـ qubits (شاحنة أكبر قليلاً)، ولكنك ستتمكن من تقليل عدد الرحلات بمقدار 4 إلى 10 أضعاف.

🧪 السؤال الكبير: هل لا يزال الأمر يعمل؟

مجرد قدرتك على تعبئة الصناديق بإحكام لا يعني أنك لن تكسر الأطبية بداخلها.

في عالم الذكاء الاصطناعي، "الأطباق" هي القدرة على التعلم (trainability). كان الباحثون قلقين: إذا غيرنا طريقة حساب الكمبيوتر للأشياء لتوفير الوقت، فهل سينسى الذكاء الاصطناعي كيفية التعلم؟ هل سيصاب بالارتباك بسبب الضجيج؟

لمعرفة ذلك، أجروا تجربة محاكاة ضخمة. فكر في الأمر كأنه مشروع معرض علوم حيث اختبروا ثلاث استراتيجيات مختلفة للنقل:

الأصلية: الطريقة القياسية البطيئة (رحلة واحدة لكل صندوق).
المدمجة (الجديدة): طريقة التعبئة الجديدة، بدءاً من الصفر.
المدمجة (المنقولة): طريقة التعبئة الجديدة، ولكن باستخدام "ذاكرة العضلات" (الإعدادات) من الطريقة الأصلية للبدء.

اختبروا هذه الطرق في ثلاث بيئات:

العالم المثالي: لا يوجد ضجيج، ولا توجد أخطاء.
العالم المليء بالضجيج: مثل النقل أثناء المطر (أخطاء إحصائية).
العالم المحطم: مثل النقل أثناء زلزال (أخطاء الأجهزة/Hardware).

🏆 النتائج: إنها تعمل!

إليك ما وجدوه:

القدرة على التعلم: تعلمت الطريقة "المدمجة" بنفس كفاءة الطريقة "الأصلية". لم يكن هناك فرق جوهري في مدى جودة حل الذكاء الاصطناعي للمشكلات. لم تكسر "الأطباق".
السرعة: لأنها قامت بعدد أقل من الرحلات، كانت الطريقة المدمجة أكثر كفاءة من حيث الوقت، على الرغم من أنها استخدمت ذاكرة أكبر قليلاً.
خدعة "النقل": عندما أخذوا الإعدادات من الطريقة القديمة ووضعوها في الطريقة الجديدة، تعلموا بسرعة أكبر في العالم المثالي. ومع ذلك، في العالم "المليء بالضجيج"، كان البدء من الصفر في الواقع أكثر أماناً.

🍕 تشبيه البيتزا

تخيل أنك تطلب بيتزا لحفلة ما.

الطريقة القديمة: تطلب شريحة واحدة في كل مرة. يجب على عامل التوصيل أن يأتي إلى منزلك 20 مرة. هذا يستغرق وقتاً طويلاً جداً، لكنك لا تحتاج إلى ثلاجة كبيرة لتخزينها.
الطريقة المدمجة: تطلب صندوق بيتزا عملاقاً يتسع لـ 20 شريحة. يأتي السائق مرة واحدة. تحتاج إلى ثلاجة أكبر قليلاً (1-2 إضافي من الـ qubits)، ولكنك تحصل على طعامك أسرع بـ 20 مرة.
الاستنتاج: تثبت الورقة أن طعم البيتزا هو نفسه تماماً، سواء وصلت في 20 صندوقاً صغيراً أو في صندوق واحد عملاق.

⚠️ العقبة (القيود)

رغم أن هذه أخبار رائعة، إلا أن الورقة كانت صادقة بشأن بعض الأمور:

إنها محاكاة: لم يجربوا هذا على حاسوب كمومي حقيقي بعد. لقد قاموا بمحاكاته على حاسوب خارق عادي. الحواسيب الكمومية الحقيقية فوضوية ومليئة بالضجيج.
لا يوجد تسريع "سحري": هذا لا يعني أن الذكاء الاصطناعي الكمومي أصبح الآن أسرع من الذكاء الاصطناعي الكلاسيكي العادي. هذا يعني فقط أنه إذا كنت تستخدم حاسوباً كمومياً، فيمكنك استخدامه بكفاءة أكبر.
نطاق صغير: لقد اختبروا هذا على مشكلات صغيرة. لا نعرف بعد ما إذا كانت خدعة التعبئة هذه ستنجح مع المشكلات الضخمة في العالم الحقيقي.

🚀 الخلا سصة

تقدم هذه الورقة "خدعة تعبئة" للحواسيب الكمومية. فهي تسمح لنا بالمقايضة بين القليل من الذاكرة (qubits) وكمية هائلة من الوقت (تنفيذ الدوائر). والأهم من ذلك، أنها تثبت أن هذه الخدعة لا تفسد قدرة الذكاء الاصطناعي على التعلم.

إنها خطوة صغيرة ولكنها مهمة نحو جعل الحواسيب الكمومية أدوات عملية للمستقبل، بدلاً من كونها مجرد ألعاب باهظة الثمن.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "ترميز السعة المدمج لشبكات كولموغوروف-كنو (KAN) الكمومية ذات أسس تشيبيشيف: مقايضة الكيوبتات بعدد مرات تنفيذ الدارات" للباحث هيكارو واكورا.

1. بيان المشكلة

تواجه بنيات التعلم الآلي الكمومي (QML)، ولا سيما الخوارزميات الكمومية التباينية (VQAs)، مقايضة جوهرية في الموارد على أجهزة العصر الكمومي ذي الضجيج والمتوسط الحجم (NISQ): عدد الكيوبتات مقابل تكرار تنفيذ الدارة.

شبكة (CCQKAN) المستمرة القائمة على تشيبيشيف: تقوم هذه البنية بتقييم دالات التنشيط للحواف عبر نواتج الضرب الداخلي الكمومي.
المقايضة:
- التقييم المتوازي (Parallel Evaluation): يخصص سجل كيوبت منفصل لكل حافة. عدد الكيوبتات مرتفع ( $Q_{par}$ )، ولكن يتم تنفيذ الدارة مرة واحدة فقط لكل طبقة.
- التقييم المتسلسل (Sequential Evaluation): يعيد استخدام سجل كيوبت صغير واحد لجميع الحواف. عدد الكيوبتات منخفض ( $Q_{seq}$ )، ولكنه يتطلب العديد من عمليات التنفيذ المنفصلة ( $C_{seq} = n^2 + n$ ).
الفجوة: هناك حاجة لاستراتيجية وسيطة توازن بين العبء الإضافي للكيوبتات وزمن انتقال تنفيذ الدارة، لا سيما بالنسبة للأجهزة المتاحة عبر السحابة حيث يتجاوز زمن انتقال تقديم المهام غالباً زمن تنفيذ البوابات. علاوة على ذلك، بينما يوجد تكافؤ رياضي بين استراتيجيات الترميز، فمن غير الواضح ما إذا كانت تظل متساوية في القابلية للتدريب ضمن حلقة تحسين تعتمد على التدرج تحت ظروف الضجيج.

2. المنهجية

تقدم الورقة البحثية "ترميز السعة المدمج" (Merged Amplitude Encoding) وتتحقق من صحته من خلال تجارب عددية منهجية.

أ. تقنية ترميز السعة المدمج

المفهوم: بدلاً من تقييم كل حافة بشكل مستقل (متسلسل) أو بالتوازي، تقوم هذه التقنية بتعبئة نواتج الضرب العنصري لمعامل تشيبيشيف ومتجهات الأساس لجميع حواف المدخلات الـ $n$ لعقدة مخرجات معينة في حالة سعة واحدة.
الأساس الرياضي: تعتمد على خطية الضرب الداخلي. يتم حساب مجموع تنشيطات الحواف $S_j$ كالتداخل بين حالة موحدة وحالة متجه مدمجة $| \tilde{m}_j \rangle$ .
متطلبات الموارد:
- الكيوبتات: $Q_{red} = \lceil \log_2(n(d + 1)) \rceil$ . هذا يزيد بمقدار 1-2 كيوبت فقط عن الخط المرجعي المتسلسل ( $Q_{seq}$ ).
- التنفيذ: يقلل عدد تنفيذات الدارة بمعامل قدره $n$ مقارنة بالخط المرجعي المتسلسل ( $C_{red} = n + 1$ مقابل $C_{seq} = n^2 + n$ ).
- استعادة الإشارة: بما أن القياسات الكمومية تعطي مربعات التداخلات ( $|\langle \psi | \phi \rangle|^2$ )، يجب استعادة إشارة الضرب الداخلي كلاسيكياً أو عبر اختبار هادام (Hadamard test) إضافي (بإضافة كيوبت مساعد واحد). هذا القيد مشترك مع البنية الأصلية.

ب. الإعداد التجريبي

تكوينات الشبكة: 10 تكوينات من شبكات [n, n, 1] مع درجات تشيبيشيف $d \in \{2, 3, 4, 5\}$ .
المهام:
1. الانحدار الاصطناعي (Synthetic Regression): 3 دالات مستهدفة ( $f_2, f_3, f_4$ ) باستخدام 30 نقطة تدريب.
2. تصنيف MNIST: ثنائي (0 مقابل 1) و10 فئات (واحد مقابل الكل) على بيانات مخفضة عبر تحليل المكونات الرئيسية (PCA) بحجم 8×8.
ظروف المحاكاة:
1. المثالية (Ideal): محاكاة متجهة الحالة (statevector) دقيقة.
2. ضجيج العينات (Shot Noise): 1000 عينة قياس لكل ضرب داخلي.
3. الضجيج (العيّنات + الجهاز): إضافة ضجيج إزالة الاستقطاب (depolarizing noise) بنسبة ( $p=0.01$ ) إلى تحضير الحالة.
النماذج المقارنة:
1. الأصلي (Original): CCQKAN المتسلسل القياسي.
2. Red-T: الترميز المدمج مع نقل المعلمات (بدء تهيئة الأوزان من النموذج الأصلي المدرب).
3. Red-I: الترميز المدمج مع التهيئة العشوائية المستقلة.
التحليل الإحصائي: 16 بذرة عشوائية لكل حالة. تم استخدام اختبار ويلكوكسون لمراتب الإشارات (Wilcoxon signed-rank tests) لمقارنة خسائر متوسط مربع الخطأ (MSE) النهائية.

3. المساهمات الرئيسية

ترميز السعة المدمج: استراتيجية ترميز مبتكرة تقايض زيادة لوغاريتمية في الكيوبتات ( $O(\log n)$ ) مقابل تقليل خطي في تنفيذات الدارة ( $O(n)$ ).
التحقق التجريبي من القابلية للتدريب: تتجاوز الورقة التكافؤ الرياضي لتثبت تجريبياً أن بنية الترميز المدمج تحافظ على القابلية للتدريب. كما تعالج السؤال المفتوح حول ما إذا كان إعادة ترتيب الحساب عبر تنفيذات الدارة يؤثر على ديناميكيات التحسين.
تحليل مقايضة الموارد: تقدم مقارنة ملموسة (الجدول I) تظهر أن النهج المدمج يشغل موقعاً متوسطاً بين المتطرفين: المتوازي (عدد كيوبتات مرتفع، زمن انتقال منخفض) والمتسلسل (عدد كيوبتات منخفض، زمن انتقال مرتفع).
دراسة الحساسية للضجيج: توضح كيف تتضاءل المزايا الهيكلية تحت ظروف الضجيج الواقعية، مما يقدم إرشادات للنشر في أجهزة NISQ.

4. النتائج

أ. الظروف المثالية

نقل المعلمات (Red-T): تفوق بشكل ملحوظ على النموذج الأصلي (خسارة أقل في 10/10 من التكوينات، $p < 0.001$ ). وهذا يؤكد أن البنية المدمجة يمكنها صقل المعلمات المدربة مسبقاً بفعالية.
التهيئة المستقلة (Red-I): لم تظهر أي فرق جوهري مقارنة بالنموذج الأصلي في 9 من أصل ما يعادل 10 تكوينات ( $p > 0.05$ ). وهذا يشير إلى أن الترميز المدمج لا يضعف القابلية للتدريب بطبيعته.

ب. ظروف الضجيج (ضجيج العينات والضجيج الجهازي)

تساوي الأداء: مع زيادة الضجيج، تضاءلت الفروق في الأداء بين النماذج الأصلية وRed-T وRed-I. تحت ظروف (العيّنات + الضجيج)، كانت جميع المقارنات (9/10 أو 10/10) غير جوهرية.
التفسير: يحد ضجيج الأجهزة من القدرة التعبيرية الفعالة للدوائر الكمومية ذات المعلمات، مما يحجب المزايا الهيكلية.
استراتيجية التهيئة: تحت ضجيج العينات، كان أداء Red-T أسوأ قليلاً من النموذج الأصلي (4/10 حالات جوهرية)، مما يشير إلى أن المعلمات المحسنة للظروف المثالية لا تنتقل جيداً إلى الأنظمة ذات الضجيج. التهيئة المستقلة (Red-I) هي الأفضل للأجهزة التي تعاني من الضجيج.

ج. تصنيف MNIST

الثنائي (0 مقابل 1): حققت جميع النماذج دقة $\ge 99.8\%$ . كانت المهمة سهلة جداً لتمييز البنيات.
10 فئات (واحد مقابل الكل): تراوحت دقة الاختبار بين 53% و78%.
- الأصلي مقابل Red-I: لم يكن هناك فرق جوهري في دقة الاختبار أو الخسارة عبر أي من أحجام الشبكة الخمسة المختبرة (الجدول VI).
- الاستنتاج: يحافظ الترميز المدمج على الأداء في المهام ذات القدرة التمييزية الحقيقية.

5. الأهمية والقيود

الأهمية:

تحسين NISQ: النهج المدمج مفيد في الأجهزة التي يهيمن فيها العبء الإضافي لكل تنفيذ (تحضير الحالة، القياس، زمن جدولة المهام) على تراكم ضجيج البوابات (مثل الحواسيب الكمومية المتاحة عبر السحابة).
ضمان القابلية للتدريب: يوفر أول دليل تجريبي على أن "دمج" حالات السعة لا يكسر مشهد التحسين، مما يثبت صلاحية التقنية للتطبيقات المستقبلية الأكبر حجماً.
إدارة الموارد: يوفر "مقبض تحكم" قابل للضبط للممارسين لموازنة توافر الكيوبتات مقابل حدود تنفيذ الدارة.

القيود:

النطاق: التجار تجري على نطاق صغير ( $n \le 4$ , $Q_{red} \le 5$ ) باستخدام محاكاة متجهة الحالة الكلاسيكية. لا يتم ادعاء أي تفوق كمي (Quantum Advantage).
نموذج الضجيج: تم تطبيق ضجيج إزالة الاستقطاب بشكل مبسط على مستوى متجهة الحالة؛ وهو لا يلتقط الاتصال الخاص بالأجهزة، أو التداخل (Crosstalk)، أو فترات التحلل (T1/T2).
عدد البوابات: رغم تقليل عدد التنفيذات، إلا أن إجمالي عدد البوابات لكل تمريرة أمامية يظل ثابتاً تقريباً (الدمج يزيد العمق لكل تنفيذ). تعتمد الفائدة العملية على المقارنة بين زمن انتقال الأجهزة ومعدل خطأ البوابات.
ميزانية التدريب: اقتصر التدريب على 20 خطوة؛ ولم يتم الوصول إلى التقارب الكامل، مما يعني أن بعض فروق الأداء قد تظهر مع فترات تدريب أطول.

الخلاصة:
تخلص الورقة إلى أن ترميز السعة المدمج هو استراتيجية قابلة للتطبيق لإعادة توزيع الموارد الكمومية في شبكات CCQKAN. فهو ينجح في مقايضة الكيوبتات بعدد مرات تنفيذ الدارة دون التضحية بالقابلية للتدريب تحت الظروف المختبرة، وإن كان يُنصح بالتهيئة المستقلة بدلاً من نقل المعلمات عند العمل تحت قيود الضجيج الواقعي. يتطلب العمل المستقبلي التحقق من الصحة على أجهزة كمومية حقيقية وعلى مجموعات بيانات أكبر حجماً.