⚛️ quantum physics

Sequence and Image Transformations with Monarq: Quantum Implementations for NISQ Devices

تقدم هذه الورقة إطار عمل Monarq، الذي يدمج ترميز QCrank مع تحويلات EHands متعددة الحدود لإثبات عمليات تنفيذ موثوقة لمهام معالجة الإشارات والصور الأساسية، مثل الالتفاف وكشف الحواف، على الأجهزة الكمومية الحالية ذات المقياس المتوسط المشوبة بالضجيج.

المؤلفون الأصليون: Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano

نُشر 2026-03-03

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jan Balewski, Roel Van Beeumen, E. Wes Bethel, Talita Perciano

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

الصورة الكبيرة: قيادة سيارة رياضية مهتزة

تخيل أن لديك سيارة رياضية جديدة تماماً، فائقة السرعة. إنها قادرة على الوصول إلى سرعات لا يمكن لأي سيارة أخرى مضاهاتها. ومع ذلك، فإن الطريق الذي تسير عليه الآن مليء بالحفر والحصى (وهذا يمثل الحالة "الضوضائية" الحالية للحواسيب الكمومية).

سأل مؤلفو هذه الورقة سؤالاً بسيطاً: "هل يمكننا استخدام هذه السيارة السريعة والمهتزة للقيام بمهام يومية، مثل تحرير صورة أو مزج الموسيقى، دون أن تتحطم؟"

لقد بنوا مجموعة أدوات تسمى Monarq. فكر في Monarq كأنها مجموعة خاصة من الوصلات والتعليمات التي تسمح لك بقيادة هذه السيارة الكمومية على طريق الحصى مع ضمان رحلة سلسة. لقد أثبتوا أنه نعم، يمكنك القيام بعمل مفيد على هذه الأجهزة الحالية، حتى لو لم تكن مثالية بعد.

المكونان الرئيسيان

لجعل هذا العمل ممكناً، دمج الفريق بين تقنيتين موجودتين تتحدثان نفس "اللغة".

1. QCrank (رصيف التحميل)

ما هو: وسيلة لإدخال البيانات إلى الحاسوب الكمومي.
التشبيه: تخيل مكتبة. عادةً، لكي تجد كتاباً، عليك السير في كل الممرات. QCrank يشبه حزاماً ناقلاً سحرياً يضع كل كتاب فوراً على الرف الصحيح في نفس اللحظة تماماً. إنه يأخذ قائمة من الأرقام (مثل صورة أو موجة صوتية) ويقوم بتحميلها في الحاسوب الكمومي بكفاءة.
لماذا يهم: إنه يوفر الوقت والطاقة، وهو أمر بالغ الأهمية لأن الحواسيب الكمومية تفقد "ذاكرتها" بسرعة كبيرة.

2. EHands (الورشة)

ما هو: وسيلة للقيام بالعمليات الحسابية داخل الحاسوب الكمومي.
التشبيه: تخيل أنك بحاجة لبناء شكل معقد من الصلصال. بدلاً من نحت الشكل بأكمله دفعة واحدة (وهو أمر صعب وفوضوي)، فإن EHands يعطيك قطعاً بسيطة جاهزة (مثل مكعبات الليغو). تقوم بتركيبها معاً للقيام بعمليات الضرب أو الجمع.
لماذا يهم: هذه "القطع" بسيطة بما يكفي بحيث لا ينكسر الحاسوب الكمومي تحت ضغط العمليات الحسابية.

الرابط السحري:
أفضل ما في الأمر هو أن رصيف التحميل (QCrank) والورشة (EHands) يستخدمان نفس اللغة تماماً. لا تحتاج إلى مترجم. يمكنك تحميل البيانات والبدء في البناء بها على الفور.

ماذا فعلوا بالفعل؟ (الاختبارات)

اختبر الفريق مجموعة الأدوات هذه على أربع مهام مختلفة، تتراوح من الرياضيات البسيطة إلى معالجة الصور المعقدة.

1. مزج الإشارات (الالتفاف - Convolution)

المهمة: مزج قائمتين من الأرقام معاً.
التشبيه: مثل خلط عصير الفراولة مع عصير الموز لصنع نكهة جديدة.
النتيجة: قاموا بهذا على حاسوب كمومي حقيقي من IBM. لقد نجح الأمر، لكن "النكهة" كانت ضعيفة قليلاً، لذا اضطروا لرفع مستوى الصوت (المعايرة) لتتناسب مع الطعم الحقيقي.

2. تفكيك الصوت (تحويل فوريه للزمن المتقطع - Discrete-Time Fourier Transform)

المهمة: أخذ إشارة معقدة وتحديد الترددات المحددة داخلها.
التشبيه: الاستماع إلى نغمة على البيانو وتحديد النوتات المحددة (C, E, G) التي تُعزف.
النتيجة: قاموا بهذا على محاكاة حاسوبية مثالية. لقد عمل الأمر بشكل مثالي، مما يثبت صحة الرياضيات.

3. إيجاد المنحدرات (الميل التربيعي - Squared Gradient)

المهمة: النظر إلى صورة وحساب مدى انحدار "التلال" في الصورة.
التشبيه: تخيل خريطة تضاريس. هذه الأداة تخبرك أين الأرض مسطحة وأين توجد منحدرات حادة.
النتيجة: اختبروا هذا على شريحة كمومية حقيقية. كانت النتائج "ضبابية" بعض الشيء (بسبب الضجيج)، لكنهم استطاعوا رؤية المنحدرات والأرض المسطحة بوضوح.

4. تتبع الخطوط العريضة (كشف الحواف - Edge Detection)

المهمة: إيجال حواف الأشياء في صورة ما.
التشبيه: أخذ صورة بالأبيض والأسود لقطة واستخدام قلم تحديد لتتبع الخط الخارص للقطة فقط، مع تجاهل الفراء في الداخل.
النتيجة: قاموا بمحاكاة هذا على نطاق أكبر. نجح الحاسوب في تحديد حواف البكتيريا في صورة ما.

النتائج: أخبار جيدة، ولكن كن واقعياً

الأخبار الجيدة:
لقد أثبتوا أنه يمكنك تشغيل مهام معالجة الصور والإشارات هذه على الأجهزة الكمومية الحالية. يعمل إطار العمل "Monarq" كجسر، يربط العالم الحقيقي الفوضوي بالعالم الكمومي.

الواقعية:

ليس أسرع بعد: في الوقت الحالي، لا يزال الحاسوب التقليدي العادي (مثل حاسوبك المحمول) أسرع في القيام بهذه المهام. هذه التجربة لا تتعلق بالتفوق على سرعة الضوء؛ بل تتعلق بإثبات أن السيارة الكمومية يمكنها القيادة.
مشكلة "الضجيج": نظرًا لأن الحواسيب الكمومية "ضوضائية"، فإن النتائج كانت تأتي أحياناً خافتة جداً. اضطر الفريق لتطبيق "عامل معايرة" (مثل رفع مستوى الصوت في الميكروفون) لجعل النتائج تطابق الواقع.
قيود الحجم: تمكنوا فقط من معالجة صور صغيرة (مثل شبكة 32×32 بكسل). للقيام بصورة كاملة عالية الدقة (HD)، سيحتاجون إلى تقطيع الصورة إلى قطع صغيرة ومعالجتها واحدة تلو الأخرى.

الخلاصة

فكر في هذه الورقة كأنها أول رحلة طيران للأخوين رايت. الطائرة لم تحمل ركاباً، ولم تذهب بعيداً. لكنها أثبتت أن الطيران ممكن.

يظهر إطار العمل Monarq أن الحواسيب الكمومية ستتمكن في النهاية من التعامل مع مهام معقدة مثل التصوير الطبي، ومستشعرات القيادة الذاتية، وتحليل البيانات العلمية. نحن لسنا هناك بعد، لكن مجموعة الأدوات هذه تعطينا المخطط لكيفية الوصول إلى هناك عندما تصبح الأجهزة أفضل.

ملخص تقني لورقة بحثية: تحويلات المتواليات والصور باستخدام Monarq: تطبيقات كمومية لأجهزة NISQ

1. بيان المشكلة

تحمل الحوسبة الكمومية وعوداً نظرية لمهام معالجة الإشارات والصور (مثل الالتفاف، وتحويل فوريه، وكشف الحواف). ومع ذلك، فإن ترجمة هذه الخوارزميات إلى تطبيقات عملية على أجهزة الكم المتوسطة المقياس ذات الضجيج (NISQ) تواجه عقبات كبيرة:

القيود العتادية: الضجيج المتأصل، وأوقات التماسك المحدودة، والاتصال المقيد بين الكيوبتات تمنع تنفيذ الدارات العميقة.
فجوات الترميز والمعالجة: تتطلب العديد من المقترحات الحالية دارات عميقة أو تفتقر إلى طرق فعالة لترميز البيانات ذات القيم الحقيقية وإجراء الحسابات قبل حدوث فك الترابط (decoherence).
التحقق التجريبي: هناك ندرة في العروض التجريبية الشاملة (end-to-end) على أجهزة كمومية حقيقية تثبت موثوقية عمليات معالجة البيانات الكمومية مقارنة بالحقائق الكلاسيكية الأرضية.

السؤال البحثي الجوهري هو: هل يمكن للتطبيقات الكمومية لعمليات معالجة البيانات الكلاسيكية أن تعطي نتائج موثوقة على أجهزة NISQ الحالية؟

2. المنهجية

قدم المؤلفون Monarq، وهو إطار عمل موحد لمعالجة البيانات الكمومية مصمم خصيصاً لقيود أجهزة NISQ. تعتمد المنهجية على التكامل السلس لبروتوكولين قائمين:

ترميز QCrank:
- الوظيفة: إدخال المتواليات ذات القيم الحقيقية بكفاءة إلى المعالجات الكمومية.
- الآلية: يستخدم بوابات الدوران المتحكم بها موحداً (UCR) بالتوازي لترميز $n_d \cdot 2^{n_a}$ من القيم الحقيقية ( $x \in [-1, 1]$ ) باستخدام $n_a$ من كيوبتات العنوان و $n_d$ من كيوبتات البيانات.
- مخطط الترميز: يستخدم ترميز قيمة التوقع (EVEN)، حيث يتم ترميز القيمة $x$ عبر دوران $R_y(\theta)$ حيث $\theta = \arccos(x)$ .
بروتوكول EHands:
- الوظيفة: إجراء تحويلات متعددة الحدود على الأجهزة الكمومية.
- الآلية: يحدد العمليات الحسابية الأولية (الضرب $\Pi$ ، المجموع الموزون $\Sigma$ ، والنفي) التي تشكل دارات ضحلة.
- التوافق: يستخدم نفس ترميز EVEN الخاص بـ QCrank، مما يسمح للبيانات المرمزة بواسطة QCrank بأن تُعالج مباشرة بواسطة مؤثرات EHands دون الحاجة لتحويل وسيط.
التكامل (مسار Monarq):
1. الترميز: يتم تحميل البيانات الكلاسيكية في حالة كمومية باستخدام QCrank.
2. الحوسبة: تطبق مؤثرات EHands تحويلات متعددة الحدود (مثل $x^2$ ، $xy$) على كيوبتات البيانات.
3. فك الترميز: يتم استرداد النتائج عبر قيم توقع قياس Pauli-Z، مشروطة بسجل العنوان.
تخفيف الخطأ:
- المعايرة: يتم تطبيق عامل تخفيف ما بعد المعالجة على قيم التوقع المقاسة لتصحيح التوهين المنهجي للإشارة الناتج عن عدم دقة البوابات.
- التبليط (Tiling): بالنسبة للصور الكبيرة (مثل كشف الحواف)، يتم تقسيم المدخلات إلى بلاطات (tiles) تُعالج بواسطة دوائر أصغر متعددة لتناسب حدود الكيوبتات والبوابات في العتاد.
- تحليل الخطأ: يتم نمذجة الخطأ الإجمالي كمجموع تربيعي لضجيج العينات (shot noise $\sigma_{shot}$ ) وعدم دقة البوابات التراكمي ( $\sigma_{hw}$ ).

3. المساهمات الرئيسية

إطار عمل Monarq: دمج مبتكر لترميز بيانات QCrank وحوسبة متعددات الحدود EHands عبر مخطط ترميز EVEN مشترك، مما يخلق مساراً انسيابياً لمعالجة البيانات الكمومية.
التحقق من الخوارزميات: تنفيذ واختبار أربع خوارزميات متنوعة:
- الالتفاف (Convolution): الضرب العنصري لمتواليتين.
- تحويل فوريه المتقطع (DFT): يُحسب عبر الجمع في الموقع (in-situ summation) (عن طريق عدم قياس كيوبتات العنوان).
- الميل المربع (Squared Gradient): حساب تدرجات الصورة باستخدام الفروق المركزية.
- كشف الحواف (Edge Detection): دمج التدرجات ثنائية الأبعاد مع عتبة التحديد (thresholding).
المنهجية التجريبية: إجراء معياري لتقييم دقة المعالجة باستخدام جذر متوسط مربع الخطأ (RMSE) مقابل الحقيقة الكلاسيكية الأرضية، بما في ذلك معايرة محددة لتوهين العتاد.
تحسين NISQ: تقديم دارات ضحلة غير متغيرة (non-variational) مصممة خصيصاً لقيود الأجهزة الحالية (مثل معالجات IBM Quantum)، وتجنب مشكلات "الهضاب القاحلة" (barren plateaus) الشائعة في النهج المتغيرة.

4. النتائج التجريبية

تحقق المؤلفون من إطار العمل على أجهزة IBM Quantum (Pittsburgh, Kingston, Aachen) وعلى محاكيات مثالية.

الالتفاف (على العتاد):
- الإعداد: دائرة مكونة من 7 كيوبتات على IBM Pittsburgh.
- الأداء: حقق RMSE قدره 0.065 بعد معايرة ما بعد المعالجة.
- الحد: متاح للدارات التي تتطلب ما يصل إلى ~200 بوابة CNOT مترجمة؛ حيث تنخفض الدقة بشكل كبير بعد هذا الحد.
الميل المربع (على العتاد):
- الإعداد: دوائر مكونة من 8 كيوبتات على IBM Aachen (64 دائرة مبلطة لصورة $32 \times 32$ ).
- الأداء: توافق بصري قوي مع خرائط التدرج الكلاسيكية. تطلب عامل معايرة قدره 2.9.
- رؤية: أكد أن الدارات الكمومية يمكنها تحديد السمات الهامة في الصورة بشكل موثوق ( $G^2_x > 0.1$ ).
تحويل فوريه المتقطع DFT (على المحاكي):
- الإعداد: دائرة مكونة من 20 كيوبت على محاكي مثالي (تحليل إشارة موجات الجاذبية).
- الأداء: دقة عالية عبر نطاقات تردد مختارة. الانحرافات كانت ناتجة فقط عن ضجيج العينات، ويمكن تقليلها بزيادة عدد العينات.
كشف الحواف (على المحاكي):
- الإعداد: دائرة مكونة من 20 كيوبت على محاكي مثالي (صورة $192 \times 128$ بكسل مقسمة إلى 24 بلاطة).
- الأداء: نجح في تحديد الحدود والهياكل الداخلية مع كبح الضجيج، منتجاً خريطة حواف ثنائية نظيفة.
تدرج الخطأ: تتناسب الدقة عكسياً مع عدد بوابات CNOT. أظهرت عمليات التشغيل على العتاد عوامل توهين (مثلاً 1.96 للالتفاف، و2.9 للميل) كانت قابلة للتنبؤ والتصحيح.

5. الأهمية

معيار جدوى: يثبت هذا العمل أن الحصول على نتائج حسابية ذات مغزى لمهام معالجة البيانات الكلاسيكية أمر ممكن على أجهزة NISQ الحالية، حتى دون ادعاء "التفوق الكمومي" على الطرق الكلاسيكية.
أساس لخوارزميات مستقبلية: يوفر إطار العمل اللبنات الأساسية (الالتفاف، التحويلات، التدرجات) اللازمة لتطوير خوارزميات كمومية متقدمة في تعلم الآلة والرؤية الحاسوبية.
خارطة طريق عملية: من خلال تحديد تدرج الخطأ (عدد البوابات مقابل الدقة) وتوضيح استراتيجيات التبليط (tiling)، تقدم الورقة خارطة طريق عملية لتوسيع نطاق معالجة البيانات الكمومية مع تحسن العتاد.
القيمة التعليمية: تسلط الضوء على التحديات العملية لتطوير خوارزميات NISQ، مثل المعايرة، وإدارة ضجيج العينات، وقيود عمق الدارة، مما يجعلها مرجعاً للأبحاث المستقبلية في معالجة الإشارات الكمومية.