⚛️ quantum physics

Evidential Quantum Vertical Federated Learning

تقترح هذه الورقة البحثية التعلم الاتحادي الكمي البرهاني (eviQVFL)، وهو إطار عمل هجين كلاسيكي-كمي يستخدم الانتقال الآني الكمي لنقل الميزات مع الحفاظ على الخصوصية، ودائرة دمج قائمة على نظرية الأدلة لتحقيق دقة تصنيف واستقرار تدريب متفوقين مقارنة بالنماذج المرجعية الحالية.

المؤلفون الأصليون: Hao Luo, Zhiyuan Zhai, Qianli Zhou, Jun Qi, Yong Deng, Xin Wang

نُشر 2026-03-24

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Hao Luo, Zhiyuan Zhai, Qianli Zhou, Jun Qi, Yong Deng, Xin Wang

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 مجموعة من الخبراء يحاولون حل لغز معقد، لكنهم جميعًا في غرف مختلفة ولا يمكنهم مشاركة ملاحظاتهم الخام بسبب قواعد خصوصية صارمة. هذا هو عالم التعلم الاتحادي الرأسي (Vertical Federated Learning - VFL).

في هذا السيناريو:

الطرف (أ) (مثل البنك) يعرف عادات إنفاقك.
الطرف (ب) (مثل شركة التواصل الاجتماعي) يعرف إعجاباتك ومشاركاتك.
الخادم/السيرفر (المحقق) يريد التنبؤ بما إذا كنت تشكل خطرًا ائتمانيًا.

عادةً، يتعين عليهم إرسال ملاحظاتهم إلى المحقق، لكن هذا يخاطر بتسريب بياناتك الخاصة. تقترح هذه الورقة البحثية طريقة جديدة ومستقبلية لحل ذلك باستخدام الحوسبة الكمومية ومفهوم نظرية الأدلة (Evidence Theory).

إليك تفصيل حلهم، eviQVFL، باستخدام تشبيهات بسيطة.

1. المشكلة: قاعدة "عدم الاستنساخ"

في الطريقة القديمة، كانت الأطراف تحسب نتيجة ما ثم ترسلها إلى الخادم. لكن في العالم الكمومي، هناك قاعدة تسمى مبرهنة عدم الاستنساخ (No-Cloning Theorem): لا يمكنك صنع نسخة مثالية لحالة كمومية. إذا حاولت قياسها لإرسالها، فإنك تدمر المعلومات الدقيقة بداخلها.

التشبيه: تخيل أن البيانات عبارة عن فقاعة صابون متوهجة وهشة. إذا حاولت لمسها للنظر إليها (قياسها)، فإنها تنفجر وتفقد الشكل. الطرق القديمة كانت ستفجر الفقاعة لتلتقط صورة لها. هذه الورقة تقول: "دعونا لا نفجر الفقاعة!"

2. الحل: الانتقال الآني الكمومي (الـ "ناقل السحري")

بدلاً من تفجير الفقاعة، تستخدم الأطراف الانتقال الآني الكمومي (Quantum Teleportation).

التشبيه: تخيل أن الأطراف والخادم يمتلكون زوجًا من "النرد السحري المتشابك". هذه النرد مرتبطة عبر الفضاء؛ إذا رميت نردًا وظهر الرقم 6، يصبح الآخر فورًا رقم 6، بغض النظر عن المسافة بينهما.

يضع الطرف فقاعته الهشة (البيانات) في آلة خاصة.
يتفاعل مع نرده السحري.
يرسل رسالة نصية بسيطة (بتّين كلاسيكيين من المعلومات) إلى الخادم يقول فيها: "لقد حصلت على الرقم 6".
ينظر الخادم إلى نرده السحري، ويطبق "التواءً" بسيطًا بناءً على الرسالة النصية، وها هو ذا! تظهر الفقاعة مرة أخرى كاملة وسليمة تمامًا على جانب الخادم، دون أن تُلمس أو تُفجر أبدًا أثناء الرحلة.

هذا يضمن حصول الخادم على المعلومات الكاملة دون أن يرى البيانات الخام أبدًا.

3. العقل المدبر: نظرية الأدلة (ميزان الثقة)

بمجرد أن يمتلك الخادم جميع الفقاعات من الأطراف المختلفة، فإنه يحتاج إلى دمجها. تستخدم الورقة نظرية الأدلة (Evidence Theory) (نظرية دمبستر-شيفر).

التشبيه: تخيل أنك تحاول التخمين ما إذا كانت السماء ستمطر.

الطرف (أ) يقول: "أنا متأكد بنسبة 80% أنها ستمطر".
الطرف (ب) يقول: "أنا متأكد بنسبة 60% أنها ستمطر".
الذكاء الاصطناعي الكلاسيكي قد يقوم ببساطة بمتوسط هذه الأرقام (70%).
نظرية الأدلة أكثر ذكاءً. فهي تسأل: "ما مدى إيماننا بأنها ستمطر؟ ما مدى عدم إيماننا بذلك؟ وكم نحن غير متأكدين حقًا؟"

إنها تعامل عدم اليقين كشيء حقيقي، وليس مجرد نقص في البيانات. إنها تبني "ميزان ثقة" يمكنه أن يقول: "نحن واثقون جدًا من أنها تمطر"، أو "نحن مشوشون تمامًا".

4. السر المكنون: الدمج "غير المعلمي" (Non-Parametric Fusion)

عادةً، يتطلب دمج هذه الفقاعات الكمومية دائرة كمومية ضخمة ومعقدة يصعب تدريبها (مثل محاولة موازنة بيت من الورق في وسط إعصار). وهذا ما يسمى بمشكلة الهضاب القاحلة (Barren Plateau) — حيث يتعثر النموذج ولا يتعلم شيئًا.

خدعة المؤلفين؟ هم لا يستخدمون دائرة معقدة وقابلة للتدريب لخلط الفقاعات. بل يستخدمون دائرة كمومية ثابتة ومصممة مسبقًا بناءً على قواعد نظرية الأدلة.

التشبيه: بدلاً من استئجار طاهٍ فوضوي لخلط المكونات (والذي قد يفسد الطبخة)، هم يستخدمون آلة مثالية ومعدة مسبقًا تعرف بالضبط كيفية دمج "دليل المطر" و"دليل السحب" للوصول إلى التنبؤ النهائي. ولأن الآلة ثابتة وذكية، فهي لا تتعثر، وتعمل بشكل مثالي حتى مع الأجهزة الكمومية المحدودة.

5. النتائج: لماذا تتفوق؟

اختبرت الورقة هذا النظام على مشكلات من العالم الحقيقي:

التعرف على الأرقام المكتوبة بخط اليد (MNIST).
التنبؤ بسرطان الثدي من البيانات الطبية.
كشف الاحتيال في بطاقات الائتمان.

النتيجة:

دقة أعلى: لقد خمنت الإجابات بشكل أفضل من كل من الحواسيب الكلاسيكية والطرق الكمومية الأخرى.
الاستقرار: لم تتعثر (لا توجد "هضاب قاحلة").
الخصوصية: حافظت على سلامة البيانات من خلال عدم قياسها إلا في النهاية تمامًا.

الملخص

eviQVFL يشبه فريقًا من المحققين الذين:

يحتفظون بقرائنهم مخبأة في فقاعات هشة (حالات كمومية).
يستخدمون ناقلات سحرية لإرسال الفقاعات إلى المقر الرئيسي دون كسرها.
يستخدمون آلة ذكية ومعدة مسبقًا (نظرية الأدلة) لدمج القرائن في حكم نهائي.

النتيجة هي نظام أسرع، وأذكى، وأكثر خصوصية بكثير مما لدينا اليوم. إنه جسر يربط بين عالم خصوصية البيانات الفوضوي وعالم الحوسبة الكمومية القوي والغامض.

إليك ملخص تقني مفصل لورقة البحث "Evidential Quantum Vertical Federated Learning" (eviQVFL).

1. بيان المشكلة

السياق:

التعلم الاتحادي الرأسي (Vertical Federated Learning - VFL): في الـ VFL، تمتلك أطراف متعددة سمات (features) مختلفة لنفس مجموعة من العينات (على سبيل المثال، بنك ومنصة تجارة إلكترونية يتشاركان بيانات العملاء). الهدف هو تدريب نموذج مشترك دون مشاركة البيانات الخام.
التعلم الاتحادي الكمي (Quantum Federated Learning - QFL): بينما تم استكشاف الـ QFL، تركز الأبحاث الحالية بشكل أساسي على التعلم الاتحادي الأفقي (HFL)، حيث تتشارك الأطراف نفس السمات ولكن عينات مختلفة.
تحديات الـ VFL الكمي:
1. الخصوصية: نقل الحالات الكمية الوسيطة بين الأطراف والخادم ينطوي على مخاطر تسرب المعلومات إذا لم يتم التعامل معه بشكل صحيح.
2. الهضاب القاحلة (Barren Plateaus): يؤدي تدريب الدوائر الكمية المتغيرة (VQCs) العميقة لدمج البيانات عبر الأطراف غالبًا إلى مشكلة "الهضبة القاحلة"، حيث تتلاشى التدرجات أسياً مع عدد الكيوبتات، مما يجعل التدريب مستحيلاً.
3. فقدان المعلومات: قياس الحالات الكمية على مستوى الطرف قبل الإرسال يدمر التماسك الكمي ويؤدي لفقدان المعلومات.
4. التعقيد: نظرية الأدلة الكلاسيكية (نظرية دمبستر-شافر) لدمج المعلومات غير المؤكدة تتسم بتعقيد حسابي أسي ( $2^n$ ) فيما يتعلق بالمجموعة الجزئية للفرضيات.

2. المنهجية: إطار عمل eviQVFL

يقترح المؤلفون eviQVFL، وهو إطار عمل هجين (كلاسيكي-كمي) مصمم خصيصاً للـ VFL. وهو يدمج نظرية الأدلة (Evidence Theory) مع تعلم الآلة الكمي لمعالجة التحديات المذكورة أعلاه.

أ. البنية العامة

يتكون إطار العمل من $K$ من الأطراف وخادم مركزي واحد.

المعالجة على جانب الطرف (محلياً):
- المدخلات: متجهات السمات المحلية $x_{i,k}$ .
- تقليل الأبعاد: تقوم شبكة تينسور-ترين (Tensor-Train Network - TTN) بتقليل السمات الكلاسيكية عالية الأبعاد إلى متجه منخفض الأبعاد. هذا يقلل من عدد المعلمات مع الحفاظ على القدرة التعبيرية.
- الترميز الكمي: يتم ترميز السمات المختزلة في حالة كمية باستخدام ترميز الزاوية (Angle Encoding) (بوابات Rotation-Y).
- التطور المحلي: تقوم دائرة كمية متغيرة (VQC) بمعالجة الحالة المرمزة. المخرج هو حالة كمية $|\psi_{i,k}\rangle$ تمثل "الدليل" المحلي (توزيع الاعتقاد الأساسي - Basic Belief Assignment) فيما يتعلق بالتصنيف.
- الإرسال: بدلاً من القياس، يقوم الطرف بإرسال الحالة الكمية $|\psi_{i,k}\rangle$ إلى الخادم عبر النقل الآني الكمي (Quantum Teleportation). هذا يحافظ على المعلومات الكمية الكاملة ويضمن الخصوصية (لا يتم الكشف عن البيانات الخام أو القياسات الكلاسيكية).
المعالجة على جانب الخادم (الدمج العالمي):
- الدمج: يستقبل الخادم الحالات الكمية من جميع الأطراف $K$ . يقوم بدمجها باستخدام دائرة دمج أدلة غير معلمية (non-parametric Evidential Fusion Circuit).
- الآلية: تنفذ هذه الدائرة قاعدة الجمع المشترك (Conjunctive Combination Rule - CCR) لنظرية الأدلة باستخدام بوابات Multi-Controlled X.
  - رياضياً، تقوم هذه الدائرة برسم تقاطع الأدلة من الأطراف المختلفة على سعات (amplitudes) الحالة الكمية النهائية.
  - والأهم من ذلك، أن طبقة الدمج هذه ثابتة (غير قابلة للتدريب) وضحلة، مما يتجنب الحاجة إلى دوائر معلمية عميقة تسبب الهضاب القاحلة.
- الاستدلال: يتم قياس الحالة المدمجة باستخدام مؤثرات إسقاطية. الاحتمالات الناتجة تقابل دالة التوافر (Plausibility Function) في نظرية الأدلة، والتي يتم تمريرها بعد ذلك عبر دالة Softmax لتوليد التنبؤ النهائي.

ب. الأساس النظري

التكافؤ بين الأدلة والكم: تستفيد الورقة من حقيقة أن نظام $n$ -qubit يمتلك $2^n$ من حالات الأساس، مما يطابق طبيعياً $2^n$ من العناصر في المجموعة الجزئية لنظرية الأدلة. هذا يسمح بمعالجة التعقيد الأسي لدمج الأدلة بكفاءة في حالة التراكب الكمي.
الخصوصية: من خلال استخدام النقل الآني الكمي، يعيد الخادم بناء الحالة دون قياس الحالات الوسيطة أبداً، مما يلتزم بنظرية عدم الاستنساخ (No-Cloning Theorem) ويمنع تسرب البيانات.

3. المساهمات الرئيسية

أول إطار عمل للتعلم الاتحادي الرأسي الكمي: اقترح eviQVFL، وهو أول إطار عمل للتعلم الاتحادي الكمي المصمم خصيصاً لبيئة التعلم الاتحادي الرأسي.
بنية هجينة: قدم بنية TTN-VQC لاستخراج السمات الكلاسيكية وتشفيرها بكفاءة، مما يوازن بين كفاءة المعلمات والقدرة التمثيلية.
دمج أدلة غير معلمي: صمم دائرة كمية ثابتة العمق تعتمد على نظرية الأدلة (دمبستر-شافر) لدمج معلومات الأطراف المتعددة. هذا يتجنب مشكلة الهضبة القاحلة الشائعة في الـ VQCs العميقة القابلة للتدريب.
إرسال يحافظ على الخصوصية: استخدم النقل الآني الكمي لنقل حالات الأدلة المحلية إلى الخادم، مما يضمن بقاء السمات المحلية والمخرجات الوسيطة خاصة وغير مقاسة حتى عملية الدمج النهائي.
التحليل النظري: قدم حدوداً توضح أن خطأ التقريب للنموذج المشترك يتناقص مع العدد الإجمالي للكيوبتات عبر جميع الأطراف، بدلاً من أن يكون محدوداً بموارد كل طرف على حدة.

4. النتائج التجريبية

قيم المؤلفون eviQVFL على أربع مجموعات بيانات: MNIST، و FashionMNIST، و Breast Cancer Wisconsin، و Credit Card Fraud Detection.

النماذج المرجعية (Baselines): تمت المقارنة مع المتوسطات الكلاسيكية، والدمج الكلاسيكي، ومختلف النماذج الكمية المرجعية (بما في ذلك "القياس ثم المتوسط" و "القياس ثم VQC").
الأداء:
- الدقة: حقق eviQVFL دقة تصنيف أعلى باستمرار من جميع النماذج المرجعية الكلاسيكية والكمية عبر جميع مجموعات البيانات وميزانيات المعلمات.
- القابلية للتدريب: على عكس النموذج المرجعي "النقل الآني ثم VQC" (الذي استخدم VQC قابلة للتدريب للدمج وعانى من الهضاب القاحلة)، تدرب eviQVFL باستقرار وتقارب بسرعة.
- الخسارة (Loss): بينما أظهرت النماذج الكمية قيم خسارة أعلى بسبب الحد الأدنى النظري لخسارة التقاطع العرضي للمخرجات الكمية، حقق eviQVFL أدنى قيمة خسارة بين النماذج الكمية.
نتائج محددة:
- في مهام سرطان الثدي والاحتيال في بطاقات الائتمان (البيانات الجدولية)، تفوق eviQVFL بشكل كبير على النموذج المرجعي "القياس ثم VRC"، الذي فشل في التعلم بسبب الهضاب القاحلة.
- أظهر إطار العمل أن استخدام إجمالي الموارد الكمية لجميع الأطراف (عبر الدمج المشترك) يؤدي إلى قدرة تمثيلية أفضل من مجرد متوسط النماذج المحلية.

5. الأهمية

حل مشكلة الهضبة القاحلة في الـ VFL: من خلال استبدال طبقة الدمج القابلة للتدريب بطبقة أدلة غير معلمية قائمة على أسس نظرية، تقدم الورقة حلاً عملياً لمشاكل القابلية للتدريب في التعلم الاتحادي الكمي واسع النطاق.
خصوصية معززة: يوفر استخدام النقل الآني الكمي ضماناً نظرياً أقوى للخصوصية مقارنة بالـ VFL الكلاسيكي، الذي يعتمد غالباً على مخططات تشفير معقدة (مثل التشفير المتماثل) التي قد تكون مكلفة حاسوبياً.
الربط بين النظرية والتطبيق: نجح العمل في دمج نظرية الأدلة (للتعامل مع عدم اليقين والدمج) مع الحوسبة الكمية (للمعالجة الفعالة للحالات)، مما يقدم نموذجاً جديداً لتعلم الآلة الكمي القابل للتفسير والقوي.
القابلية للتوسع: يشير إطار العمل إلى أن التفوق الكمي في الـ VFL يمكن تحقيقه حتى مع موارد محلية محدودة، حيث يستفيد النموذج العالمي من السعة الكمية المجتمعة لجميع الأطراف المشاركة.

باختصار، يمثل eviQVFL خطوة مهمة للأمام في تعلم الآلة الكمي من خلال معالجة القيود المحددة لتقسيم البيانات الرأسي، مقدمًا حلاً قوياً، خاصاً، وقابلاً للتدريب يتفوق على النهج الكلاسية والكمية الحالية.