Layered Quantum Architecture Search for 3D Point Cloud Classification

إليك ملخص تقني مفصل للورقة البحثية بعنوان "البحث الطبقي عن البنية الكمومية لتصنيف السحب النقطية ثلاثية الأبعاد" (Layered Quantum Architecture Search for 3D Point Cloud Classification).

1. بيان المشكلة

تعالج الورقة البحثية تحدي تصميم الدوائر الكمومية ذات المعلمات (PQCs) الفعالة لـ تصنيف السحب النقطية ثلاثية الأبعاد. وبينما تعد الحوسبة الكمومية بتعبير عالٍ بمعلمات قليلة، فإن تصميم بنيات الـ PQC لمهام محددة يظل صعباً بسبب:

• نقص التحيزات الاستقرائية: على عكس التعلم العميق الكلاسيكي (الذي يستخدم طبقات قياسية مثل التلافيف والانتباه)، تفتقر دوائر PQC إلى لبنات بناء معمارية معيارية.
• مشكلات القابلية للتدريب: تعاني دوال PQC من ظاهرة الهضاب القاحلة (Barren Plateaus)، حيث يصبح مشهد الخسارة مسطحاً، مما يجعل التحسين القائم على التدرج مستحيلاً.
• محدودية اللاخطية: تتكون دوائر PQC أساساً من تحويلات خطية؛ فهي تفتقر إلى دالات التنشيط غير الخطية التي تمنح الشبكات الكلاسيكية قدرتها التمثيلية، وتعتمد بدلاً من ذلك على القياسات الكمومية لتحقيق اللاخطية.
• النهجات الحالية غير الفعالة: غالباً ما تستخدم الأعمال السابقة على السحب النقطية ثلاثية الأبعاد (مثل sQCNN-3D) دوائر PQC كمجرد مستخرجات للميزات تغذي شبكات كلاسيكية ضخمة، مما يؤدي إلى عدم استغلال كامل إمكانات النموذج الكمومي.

2. المنهجية: البحث الطبقي عن البنية الكمومية (Layered-QAS)

يقترح المؤلفون استراتيجية Layered-QAS، وهي مستوحاة من مورفية الشبكة الكلاسيكية والتطور اللاماركي (تحديداً خوارزمية LEMONADE). بدلاً من البحث في فضاء هائل من الدوائر العشوائية، تقوم هذه الطريقة بتنمية وتكييف دائرة PQC بشكل تدريجي.

أ. ترميز البيانات (ترميز السعة - Amplitude Encoding)

• المدخلات: يتم تحويل السحب النقطية ثلاثية الأبعاد إلى شبكة (Voxelization) بحجم $2^k \times 2^k \times 2^k$.
• الترميز: يتم حساب كثافة النقاط في كل "فوكسل" وتطبيعها لتشكيل توزيع احتمالي، ثم يتم ترميزها في متجه حالة كمومي $|\psi\rangle$ باستخدام ترميز السعة.
• عدد الكيوبتات: بالنسبة لدرجة تفصيل $k$، يستخدم النظام $3k$ من الكيوبتات (لترميز إحداثيات $x, y, z$). تستخدم الورقة $k=3$ (أي 9 كيوبتات).

ب. خوارزمية Layered-QAS

عملية البحث هي عملية تكرارية (من الجيل $i$ إلى $i+1$):

1. التهيئة: البدء بدائرة هوية بسيطة ($U_0 = I$) تحتوي فقط على ترميز البيانات والقياس.
2. توليد المرشحين: في كل خطوة، يتم إضافة طبقة جديدة $L_{i+1}$ إلى الدائرة الموجودة $U_i$. يتناوب نوع الطبقة بشكل دوري بين ثلاثة أنواع:
   • طبقات الكيوبت الواحد: تطبيق دورات Pauli ($R_X, R_Y, R_Z$) على الكيوبتات الفردية.
   • طبقات التشابك: تطبيق دورات متحكم بها (مثل $CR_X$) بين أزواج الكيوبتات لإدخال الارتباطات.
   • طبقات التقليم (Pruning): إزالة البوابات التي تقل قيمة معاملاتها عن حد معين (مثلاً $\pi/10$)، مما يقلل التعقيد دون التضحية بالقدرة التعبيرية.
3. التقييم: يتم تدريب عدة دوائر مرشحة (بتهيئات طبقات مختلفة) لعدة حقبات (epochs).
4. الاختيار: يتم اختيار المرشح صاحب أعلى دقة تحقق (validation accuracy) ليكون هو الدائرة الأساسية الجديدة $U_{i+1}$. ومن المهم ملاحظة أن معلمات الطبقات السابقة يتم الاحتفاظ بها وتحسينها لاحقاً (Warm-starting)، بدلاً من إعادة تهيئتها.

ج. خط معالجة التصنيف

• القياس: يتم قياس الكيوبتات في قواعد Pauli X و Y و Z، مما ينتج عنه $3 \times 3k$ من الميزات.
• المصنف: تُغذى هذه الميزات في طبقة خطية كلاسيكية (Logits) متبوعة بدالة Softmax وخسارة الإنتروبيا المتقاطعة (Cross-Entropy).
• المرونة: يختبر المؤلفون كلاً من الطبقات الخطية القابلة للتدريب والمجمدة (إسقاط غاوسي عشوائي) لإثبات أن PQC نفسها تتعلم ميزات تمييزية.

3. المساهمات الرئيسية

1. سياسة Layered-QAS: منهجية بحث معمارية تصاعدية مبتكرة تتجنب التجربة والخطأ اليدوي. تجمع بين التهيئة المدروسة، والتدريب على مستوى الطبقة، والتقليم لاكتشاف تصميمات PQC متكيفة مع المهام.
2. خط معالجة كمومي متكامل (End-to-End): إطار عمل لتصنيف السحب النقطية ثلاثية الأبعاد حيث تكون PQC هي المستخرج الرئيسي للميزات والمصنف، مما يقلل من المعالجة الكلاسيكية اللاحقة.
3. التخفيف من الهضاب القاحلة: من خلال استخدام استراتيجية النمو التدريجي (إضافة طبقات إلى دائرة مدربة مسبقاً) والتهيئة الاستراتيجية، تخفف الطريقة من مشكلة الهضاب القاحلة وتحسن القابلية للتدريب.
4. آلية التقليم: استراتيجية تقليم محددة تقوم بإزالة البوابات القريبة من الهوية لتقليل عمق الدائرة وعدد المعلمات دون خسارة كبيرة في الدقة.

4. النتائج التجريبية

تم تقييم الطريقة على مجموعات بيانات ModelNet10 و ModelNet40 باستخدام محاكي كمومي خالٍ من الضجيج.

• الأداء مقابل النماذج المرجعية:

  • مقابل sQCNN-3D: تفوقت طريقة Layered-QAS المقترحة بشكل كبير على الطريقة السابقة الرائدة كمومياً (sQCNN-3D) في كلا المجموعتين. على سبيل المثال، في ModelNet10، حققت Layered-QAS دقة اختبار بلغت 85% مقارلة بـ 72% لـ sQCNN-3D.
  • مقابل النماذج الكلاسيكية: حققت النماذج الكمومية دقة تنافسية مع نموذج "Vanilla CNN" ذي القدرة التعبيرية المماثلة ولكن بـ معلمات أقل بكثير (مثلاً 270 معلماً كمومياً مقابل 590 معلماً كلاسيكياً لـ ModelNet10).
  • الطبقة الخطية المجمدة: حتى مع وجود طبقة خطية مجمدة (عشوائية)، حققت PQC وحدها دقة تقارب 78% في ModelNet10، مما يثبت أن الدائرة الكمومية تعلمت ميزات تمييزية عالية. في المقابل، انخفضت دقة sQCNN-3D مع MLP مجمد إلى حوالي 17%.

• المقارنة مع طرق البحث الأخرى عن البنية (QAS):

  • تفوقت Layered-QAS على البحث التطوري (باستخدام الدوائر الفائقة - super-circuits) والبحث المحلي.
  • واجه البحث التطوري صعوبة في القابلية للتوسع وتضارب مشاركة الأوزان على مجموعات البيانات الكاملة، وغالباً ما استقر عند بنيات فرعية. أظهرت Layered-QAS تحسناً ثابتاً ورتيباً في الدقة مع إضافة الطبقات.

• دراسات الاستئصال (Ablation Studies):

  • التقليم: أدى تقليم البوابات ذات المعاملات الصغيرة إلى تقليل عدد البوابات بنسبة ~30% دون التأثير على الدقة.
  • درجة التفصيل (Granularity): أدت زيادة درجة تفصيل الفوكسل ($k$) إلى تحسين الدقة، لكن $k=3$ قدمت أفضل توازن بين التفاصيل والتكلفة الحسابية.

5. الأهمية والخاتمة

• التصميم الكمومي المتخصص للمهام: تثبت الورقة أن البحث الآلي عن البنية ضروري لإطلاق إمكانات PQCs في المجالات المعقدة والهيكلية مثل الرؤية ثلاثية الأبعاد.
• الكفاءة: تثبت الطريقة أن النماذج الكمومية يمكن أن تحقق أداءً عالياً بعدد قليل جداً من المعلمات، مما يعزز حجة "كفاءة المعلمات" في التعلم الآلي الكمومي.
• القابلية للتدريب: تنجح استراتيجية النمو الطبقي في تجاوز مشكلة الهضاب القاحلة، مما يوفر مساراً عملياً لتدريب دوائر كمومية أعمق.
• الآفاق المستقبلية: بينما تعتمد النماذج الحالية على عمليات PQC خطية، فإن نجاح البحث عن البنية هذا يشير إلى أن التصميمات المستقبلية التي تدمد اللاخطية الوسيطة (عبر القياس) أو الترميز الثنائي قد تسد الفجوة بشكل أكبر بين الأداء الكمومي والكلاسيكي.

باختاً، يرسخ هذا العمل Layered-QAS كإطار عمل قوي لتصميم الشبكات العصبية الكمومية، حيث نجح في تطبيقها على مهمة تصنيف ثلاثية الأبعاد صعبة، متفوقاً على النماذج الكمومية والكلاسيكية المرجعية من حيث نسبة الدقة إلى عدد المعلمات.