⚛️ quantum physics

Shot-Based Quantum Encoding: A Data-Loading Paradigm for Quantum Neural Networks

تقدم هذه الورقة البحثية الترميز الكمي القائم على عدد الضربات (SBQE)، وهو نموذج جديد لتحميل البيانات يستفيد من أعداد الضربات كمعلمات قابلة للتعلم لإنشاء تمثيل للحالة المختلطة يتوافق مع التنشيطات غير الخطية، محققاً دقة تنافسية على مجموعات البيانات المرجعية دون الحاجة إلى بوابات ترميز البيانات، مع التغلب على قيود العمق في الأجهزة الكمية الحالية.

المؤلفون الأصليون: Basil Kyriacou, Viktoria Patapovich, Maniraman Periyasamy, Alexey Melnikov

نُشر 2026-04-08

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Basil Kyriacou, Viktoria Patapovich, Maniraman Periyasamy, Alexey Melnikov

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

إليك شرح لورقة بحثية بعنوان "التشفير الكمي القائم على الجولات" (Shot-Based Quantum Encoding) باستخدام لغة بسيطة وتشبيهات إبداعية.

المشكلة الكبرى: "الازدحام المروري" الكمي

تخيل أنك تريد إرسال مكتبة ضخمة من الكتب (بياناتك) إلى مكتبة صغيرة فائقة السرعة (كمبيوتر كمي).

حالياً، هناك طريقتان رئيسيتان للقيام بذلك، وكلتاهما تعانيان من مشكلات كبيرة:

طريقة "واحد تلو الآخر" (تشفير الزاوية - Angle Encoding): تضع كتاباً واحداً على رف واحد. هي طريقة سهلة التنفيذ، ولكن إذا كان لديك 1000 كتاب، فستحتاج إلى 1000 رف. أنت بذلك لا تستغل كامل إمكانات المكتبة.
طريقة "الضغط السحري" (تشفير السعة - Amplitude Encoding): تحاول حشر الـ 1000 كتاب داخل صندوق سحري واحد يتسع لكل شيء. المشكلة؟ بناء هذا الصندوق يتطلب آلة معقدة للغاية وهشة، تنكسر قبل أن تتمكن حتى من إنهاء عملية تحميل الكتب. هذه هي "عقبة العمق" (depth bottleneck) — أي أن الدائرة الكهربائية تكون عميقة جداً ومليئة بالضجيج بالنسبة لأجهزة الكمبيوتر الحالية.

النتيجة: أجهزة الكمبيوتر الكمية عالقة. لديها إمكانات هائلة، لكننا لا نستطيع إدخال البيانات إليها بالسرعة الكافية دون أن تتعطل.

الحل الجديد: استراتيجية "القائم على الجولات" (Shot-Based)

يقترح مؤلفو هذه الورقة حلاً ذكياً للالتفاف على هذه المشكلة يسمى "التشفير الكمي القائم على الجولات" (SBQE).

بدلاً من محاولة بناء آلة معقدة لتحميل البيانات، قاموا بتغيير قواعد اللعبة. لقد توقفوا عن محاولة فرض البيانات داخل ذاكرة الكمبيوتر الكمي، وبدلاً من ذلك، استخدموا آلية العد الموجودة بالفعل.

التشبيه: "منصة التصويت"

تخيل أن الكمبيوتر الكمي هو منصة تصويت.

الطريقة القديمة: تحاول كتابة كود سري ومعقد على ورقة واحدة وتسليمها للقاضي. يجب على القاضي فك تشفير هذا الكود، وهو أمر يستغرق وقتاً طويلاً وعرضة للأخطاء.
طريقة SBQE: أنت لا تكتب كوداً. بدلاً من ذلك، لديك كيس يحتوي على 1000 كرة ملونة (هذه هي "الجولات" أو الـ shots).
- إذا كانت بياناتك "حمراء"، تضع 900 كرة حمراء و100 كرة زرقاء في الكيس.
- إذا كانت بياناتك "زرقاء"، تضع 900 كرة زرقاء و100 كرة حمراء في الكيس.

أنت لا تحتاج إلى آلة معقدة للقيام بذلك؛ بل تحتاج فقط إلى إنسان (كمبيوتر كلاسيكي) لفرز الكرات. ثم تسلم الكيس إلى الكمبيوتر الكمي. الكمبيوتر الكمي لا يحتاج إلى "قراءة" كود معقد؛ هو فقط ينظر إلى نسبة الألوان.

السحر: "البيانات" ليست مخزنة في بوابة كمية؛ بل هي مخزنة في التوزيع الاحتمالي للكرات. الكمبيوتر الكمي ببساطة يعالج هذا المزيج.

كيف يعمل الأمر من الناحية العملية

الإعداد: بدلاً من بدء كل تجربة بنفس "الحالة الصفرية" تماماً، يقوم الباحثون بإعداد مجموعة صغيرة من الحالات البسيطة والسهلة الصنع (مثل "كلها أصفار" أو "كلها آحاد").
التشفير: لكل قطعة من البيانات (مثل صورة قطة)، يقومون بحساب وصفة. تقول هذه الوصفة: "قم بتشغيل تجربة 'كلها أصفار' بنسبة 60% من الوقت، وتجربة 'كلها آحاد' بنسبة 40% من الوقت".
التنفيذ: يقومون بتشغيل الكمبيوتر الكمي آلاف المرات (جولات/shots)، متبعين تلك الوصفة.
النتيجة: المخرج النهائي هو "حالة مختلطة". إنها تشبه "السموذي" المصنوع من فواكه مختلفة. النكهة (البيانات) تتحدد من خلال كمية كل نوع من الفاكهة وضعتها، وليس من خلال كيفية خلطها.

لماذا يعد هذا أمراً مذهلاً؟

اختبرت الورقة هذه الطريقة على مجموعتي بيانات شهيرتين للصور: Fashion-MNIST (الملابس) و Semeion (الأرقام المكتوبة بخط اليد).

المنافسة: قارنوا طريقتهم الجديدة بطريقة "الضغط السحري" القياسية وبرنامج كمبيوتر كلاسيكي بسيط.
الفائز: طريقة SBQE انتصرت.
- كانت أكثر دقة من الطريقة الكمية القياسية.
- طابقت أو تفوقت على الكمبيوتر الكلاسيكي البسيط.
- والأهم من ذلك: فعلت ذلك دون استخدام أي بوابات معقدة لتحميل البيانات. كانت أسرع، وأقل عرضة للأخطاء، واستخدمت الأجهزة كما هي اليوم تماماً.

الارتباط بـ "الشبكة العصبية"

أدرك المؤلفون شيئاً رائعاً: طريقتهم الكمية مطابقة رياضياً لـ "المدرك متعدد الطبقات" (MLP)، وهو نوع قياسي من أنواع الذكاء الاصطناعي (AI).

في الذكاء الاصطناعي العادي، لديك طبقات من الخلايا العصبية التي تمرر الأرقام لبعضها البعض.
في SBQE، "الخلايا العصبية" هي الدوائر الكمية، و"الروابط" هي عدد الجولات (counts).
هذا يعني أنهم بنوا شبكة عصبية كمية حيث يتم التعامل مع "الأوزان" (جزء التعلم) بواسطة الكمبيوتر الكمي، ولكن "المدخلات" يتم التعامل معها عبر مزيج احتمالي بسيط.

الخلا الخلاصة

فكر في هذه الورقة كطريقة جديدة لتحميل شاحنة.

الطريقة القديمة: حاول بناء ذراع روبوتية معقدة للغاية لتعبئة الشاحنة بشكل مثالي (مكلفة، وتتعطل بسهء).
طريقة SBQE: فقط أخبر السائق: "حمل 70% من الشاحنة بصناديق من الكومة اليسرى و30% من الكومة اليمنى".

من خلال استخدام "الجولات" (عدد مرات تشغيل التجربة) كحامل للبيانات، وجد المؤلفون طريقة لتجاوز القيود المادية لأجهزة الكمبيوتر الكمية الحالية. لقد أثبتوا أنك لا تحتاج إلى آلات مثالية وخالية من الأخطاء للقيام بتعلم آلي رائع؛ أنت فقط بحاجة إلى أن تكون ذكياً في كيفية عد أصواتك.

باختصار: لقد حولوا قيداً (الحاجة إلى تشغيل التجارب مرات عديدة) إلى قوة خارقة (استخدام تلك الأعداد لتخزين البيانات).

إليك ملخص تقني مفصل للورقة البحثية بعنوان: "الترميز الكمي القائم على الطلبات (Shots): نموذج لتحميل البيانات في الشبكات العصبية الكمية."

1. بيان المشكلة

تتناول الورقة البحثية عقبة حرجة في تعلم الآلة الكمي في عصر "الكم المتوسط المترابط ذي الضجيج" (Near-Term QML): وهي التحميل الفعال للبيانات في السجلات الكمية.

القيود الحالية: تواجه مخططات الترميز الحالية مقايضة بين عمق الدائرة والقدرة التمثيلية:
- ترميز الزاوية (Angle Encoding): يقوم برسم الميزات كدوارات كيوبيت (qubit rotations). وهو صديق للأجهزة (دوائر ضحلة) ولكنه يتوسع خطياً مع عدد الكيوبيتات، مما يؤدي إلى الفشل في استغلال الفضاء الهيلبرتي الأسي.
- ترميز السعة (Amplitude Encoding): يضغط $2^n$ من الميزات في $n$ من الكيوبيتات. وبينما يعظم القدرة الاستيعابية، فإن إعداد الحالة الدقيقة يتطلب $O(2^n)$ من البوابات، مما يتجاوز ميزات التماسك وحدود الدقة لأجهزة NISQ الحالية.
التحدي: كيفية تحميل البيانات الكلاسيكية في نظام كمي دون التسبب في دوائر عميقة تؤدي إلى تراكم الضجيج، مع الاستمرار في الاستفادة من الأبعاد الأسية لفضاء الحالة الكمية.

2. المنهجية: الترميز الكمي القائم على الطلبات (SBQE)

يقترح المؤلفون الترميز الكمي القائم على الطلبات (SBQE)، وهو نموذج ينقل عبء الترميز من البوابات الكمية المتماسكة إلى طبقة التحكم الكلاسيكية التي تدير تكرارات الدائرة ("الطلبات" أو "Shots").

المفهوم الجوهي: بدلاً من إعداد حالة نقية واحدة لنقطة بيانات، يعامل SBQE البيانات كـ توزيع احتمالي كلاسيكي فوق مجموعة ثابتة من الحالات الكمية الأولية سهلة الإعداد (مثل حالات القاعدة الحسابية $|0\rangle, |1\rangle, |+\rangle, |-\rangle$ ).
الآلية:
1. المعالجة المسبقة الكلاسيكية: يتم رسم نقطة بيانات $x$ إلى متجه احتمالية $p(x) = (p_1, \dots, p_n)$ حيث $\sum p_j = 1$ .
2. تخصيص الطلبات (Shot Allocation): بالنسبة لإجمالي ميزانية الطلبات $N_{tot}$ ، يقوم النظام بسحب أعداد صحيحة $N_j$ من توزيع متعدد الحدود $Multinomial(N_{tot}, p(x))$ .
3. التنفيذ: يتم تنفيذ الدائرة الكمية $N_j$ من المرات بدءاً من الحالة الأولية $j$ -التي هي $|\psi_j\rangle$ .
4. النتيجة: المدخل الفعلي للدائرة التباينية هو حالة مختلطة (مصفوفة كثافة):
  $\rho(x) = \sum_{j} p_j(x) |\psi_j\rangle\langle\psi_j|$
الخطية والتركيب: القيم المتوقعة للملاحظات (observables) خطية في الاحتمالات الكلاسيكية $p_j(x)$ . وهذا يسمح بتركيب الطبقة الكمية مع دوال تنشيط كلاسيكية غير خطية، مما يتيح بنى عميقة.
بنية متعددة الطبقات: يمكن أن يكون مخرج طبقة ما (متجه احتمالية) بمثابة مدخل للتوزيع الاحتمالي للطبقة التالية. عرّف المؤلفون دالة تنشيط محددة (سلسلة "log-ReLU cascade") تحافظ على هيكل متجه الاحتمالية، مما يسمح ببناء "بيرسيبترونات كمية" متراكمة حيث توجد جميع الأوزان القابلة للتدريب في معاملات الدائرة الكمية.

3. المساهمات الرئيسية

نموذج ترميز مبتكر: يتجاوز SBQE الحاجة إلى بوابات ترميز البيانات بالكامل. فهو يستخدم "الطلبات" (وهي مورد متوفر بالفعل في تجارب NISQ) كدرجة حرية قابلة للتعلم.
التكافؤ الهيكلي مع الـ MLPs: يثبت المؤلفون أن SBQE مكافئ هيكلياً لـ المدرك متعدد الطبقات (MLP) حيث يتم تحقيق مصفوفات الأوزان بواسطة دوائر كمية. هذا يجسر الفجوة بين نظرية التعلم العميق الكلاسيكية والخوارزميات التباينية الكمية.
التوافق مع الأجهزة: من خلال إلغاء بوابات ترميز البيانات، يقلل SBFE بشكل كبير من عمق الدائرة، مما يجعله متوافقاً مع أجهزة NISQ الحالية (ميزانية أخطاء تقارب 100 بوابة) ويقلل من تراكم الخطأ المتماسك.
القابلية للفصل الخطي: على عكس VQCs ذات ترميز الزاوية، التي تنتج سلاسل فوريه مبتورة وتواجه صعوبة في حدود القرار الخطي، فإن SBQE (الترميز عبر الاحتمالات) ليس مقيداً بالدوال الدورية ويمكنه بسهولة فصل البيانات القابلة للفصل خطياً.

4. النتائج التجريبية

قام المؤلفون باختبار SBQE على مهمتين لتصنيف الصور: Semeion (الأرقام المكتوبة بخط اليد) و Fashion-MNIST. استخدمت النماذج 8 كيوبيتات و4 طبقات تباينية.

مجموعة بيانات Semeion:
- دقة SBQE: $89.1\% \pm 0.9\%$ .
- المقارنة: تفوق على ترميز السعة بتقليل الخطأ النسبي بمقدار 5.3%. وطابق أداء MLP كلاسيكي مطابق في العرض ( $89.6\% \pm 1.3\%$ ) ضمن الضوضاء الإحصائية.
مجموعة بيانات Fashion-MNIST:
- دقة SBQE: $80.95\% \pm 0.10\%$ .
- المقارنة: تفوق على ترميز السعة بنسبة 2.0% وعلى MLP خطي بنسبة 1.3%.
الأهمية الإحصائية: أكدت اختبارات t المقترنة أن SBQE أفضل بكثير من ترميز السعة ( $p < 0.01$ ) في كلا المجموعتين.
الكفاءة: تم تحقيق جميع النتائج بـ صفر من بوابات ترميز البيانات، مع البقاء ضمن قيود عمق NISQ.

5. الأهمية والآثار المترتبة

إعادة تخصيص الموارد: توضح الورقة أن "درجة حرية الطلبات" (shot degree of freedom)، التي غالباً ما تُعت see كضرورة إحصائية فقط لدقة القياس، هي قناة قوية لترميز البيانات.
القابلية للتوسع: يوفر SBQE توسعاً لوغاريتمياً للكيوبيتات مع عدد الميزات (مشابه لترميز السعة) ولكن دون عقوبة عمق الدائرة الأسية. على سبيل المثال، يمكن ترميز 784 بكسل للصورة في سجل مكون من 10 كيوبيتات دون بوابات ترميز.
الاتجاهات المستقبلية: يشير المؤلفون إلى أن SBQE مناسب جداً للمدخلات عالية الأبعاد، ويمكن دمجه مع تقنيات تخفيف الخطأ (مثل الظلال الكلاسيكية - classical shadows) والتنظيم الناجم عن الضجيج.
القيود: يتطلب النهج ميزانية طلبات كافية للتمييز بين التوزيعات الاحتمالية (مشاكل التباين)، ويعتمد على خطوة معالجة مسبقة لخرائط المتجهات الاحتمالية، والتي تتطلب حالياً اختياراً تجريبياً (heuristic).

الخلاية: يمثل SBQE تحولاً عملياً في بنية QML، حيث يثبت أن تخصيص الطلبات الاحتمالي يمكن أن يتفوق على طرق الترميز التقليدية كثيفة البوابات على الأجهزة الحالية، مما يوحد بفعالية التعبيرية للدوائر الكمية مع الكفاءة للنمذجة الاحتمالية الكلاسيكية.