Soft-Quantum Algorithms

1. بيان المشكلة

تتناول الورقة البحثية العائق الحرج في تدريب الدوائر الكمومية التباينية (VQCs)، والمعروفة أيضاً باسم الشبكات العصبية الكمومية (QNNs)، على أجهزة العصر الكمومي ذي المقياس المتوسط المشوب بالضجيج (NISQ) أو المحاكيات.

• تكلفة التدريب: يتطلب تدريب الـ VQCs عادةً تفكيك البيانات والمعاملات إلى عمليات قائمة على البوابات (gate-based operations). ومع زيادة عدد البوابات، ينمو وقت المحاكاة بشكل باهظ، خاصة بالنسبة لمجموعات البيانات الكبيرة.
• مشكلات القابلية للتوسع: تعاني المحاكاة الكلاسيكية للـ VQCs من صعوبة في التوسع بسبب التوسع الأسي لحالات الكيوبت (qubit states) ووقت التشغيل التراكمي الذي تضيفه كل بوابة في الدائرة.
• قيود الـ Ansatz: تعتمد الـ VQCs القياسية على "ansatz" محدد (بنية الدائرة). هذه البنية تقيد تدفق البيانات ولا توفر أي ضمان للأمثلية. وغالباً ما يتطلب تغيير البنية لتحسين الأداء إعادة التدريب من البداية.
• القيود السابقة: بينما حاولت أعمال سابقة (مثل Máté et al.) تجاوز تفكيك البوابات عن طريق تدريب مصفوفة يونيتارية واحدة مباشرة، إلا أنها اعتمدت على الرفع الأسي للمصفوفات (matrix exponentiation) للمصفوفات الـ skew-Hermitian. هذا النهج مكلف حوسبياً، لا سيما أثناء الانتشار العكسي (backpropagation)، حيث يجب على المُحسّن (optimizer) مراعاة التأثيرات المعقدة لعملية الرفع الأسي على كل معامل.

2. المنهجية: الخوارزميات الكمومية الناعمة (Soft-Quantum Algorithms)

يقترح المؤلفون مسار تدريب يتكون من خطوتين، وهو مستقل عن الـ ansatz، ويتجنب عملية الرفع الأسي للمصفوفات تماماً.

الخطوة 1: تدريب اليونيتاري الناعم (Soft-Unitary Training)

بدلاً من تدريب معاملات البوابات، تقوم هذه الطريقة بتدريب عناصر المصفوفة اليونيتارية ($U$) مباشرة.

• التمثيل المباشر للمعاملات: تُعامل عناصر المصفوفة كمعاملات قابلة للتدريب.
• التنظيم (Regularization): لضمان بقاء المصفوفة يونيتارية دون استخدام عملية رفع أسي مكلفة، يتم إضافة حد تنظيم إلى دالة الخسارة:
  $$L_{total} = L_{task} + \lambda \|U^\dagger U - I\|$$
  حيث أن $\lambda$ هو معامل تنظيم، و $I$ هي مصفوفة الوحدة، والنمط (norm) يقيس مدى الانحراف عن كونها يونيتارية.
• اليونيتاريات الناعمة: المصفوفات الناتجة هي "يونيتاريات ناعمة" (soft-unitaries)—وهي كائنات قريبة من كونها يونيتارية ولكنها ليست يونيتارية تماماً. وهذا يسمح بتحسين أسرع لأن التكلفة لا تعتمد على عدد البوابات.

الخطوة 2: محاذاة الدائرة (Circuit Alignment)

بما أن الأجهزة الكمومية تتطلب عمليات قائمة على البوابات، يجب تجميع اليونيتاري الناعم المدرب إلى دائرة فيزيائية.

• التجميع التبايني (Variational Compilation): يتم تدريب مجمع كمومي تبايني (دائرة ذات معاملات) لتقريب اليونيتاري النافي الناعم المستهدف ($U_{soft}$).
• خسارة المحاذاة: يقوم المجمع بتقليل المسافة بين مخرجاته والهدف:
  $$L_{alignment} = \frac{1}{2^n M} \sum_{i} \|U_{target, i} - U_{circuit, i}\|$$
• الاستقلالية: هذه الخطوة مستقلة عن حجم مجموعة بيانات التدريب الأصلية ($d$)، وتعتمد فقط على حجم المصفوفة ($2^n \times 2^n$).

3. المساهمات الرئيسية

• إلغاء الرفع الأسي للمصفوفات: قدمت الورقة طريقة لفرض خاصية اليونيتارية عبر التنظيم بدلاً من الرفع الأسي الجبري (Lie-algebraic exponentiation)، مما قلل بشكل كبير من العبء الحوسبي أثناء الانتشار العكسي.
• فك الارتباط بين البيانات والبنية: من خلال فصل تدريب المؤثر اليونيتاري عن تفكيك البوابات، تسمح هذه الطريقة للباحثين باستكشاف كامل فضاء هيلبرت (أقصى قدرة تعبيرية) دون التقيد بعمق دائرة أو طوبولوجيا معينة خلال مرحلة التدريب الأولية.
  tersebut.
• تقليل التعقيد: أظهر المؤلفون أن التعقيد المشترك لعملية الخطوتين يتبع المقياس $O(d) + O(g)$ (حيث $d$ هي نقاط البيانات و $g$ هي البوابات)، بينما يتبع تدريب الـ VQC المباشر المقياس $O(d \cdot g)$. وهذا يوفر تسريعاً كبيراً للمشكلات ذات مجموعات البيانات الكبيرة.
• التكامل الهجين: نجحت الطريقة في دمج اليوناتيريات الناعمة في البنى الهجينة الكمومية-الكلاسيكية لتعلم التعزيز (reinforcement learning).

4. النتائج التجريبية

تحقق المؤلفون من صحة الطريقة في مهمتين متميزتين:

أ. التصنيف الخاضع للإشراف (دالة Top-Hat)

• الإعداد: مهمة تصنيف بـ 5 كيوبتات مع 1,000 نقطة بيانات.
• الأداء:
  • الدقة: حقق مسار اليونيتاري الناعم خسارة "binary cross-entropy" أقل وملاءمة بصرية أفضل للدالة المستهدفة مقارنة بـ VQC المدرب مباشرة.
  • السرعة: كان إجمالي وقت التدريب 3 دقائق و42 ثانية (48 ثانية لتدريب اليونيتاري الناعم + 174 ثانية للمحاذاة). في المقابل، استغرق تدريب VQC المباشر أكثر من ساعتين (حوالي 138 دقيقة).
  • العمق: استخدمت الدائرة المحاذية فعلياً 69 طبقة تشابكية (ما يعادل عدد معاملات اليونيتاري الناعم)، بينما كان الـ VQC المباشر محدوداً بـ 10 طبقات بسبب قيود الوقت. لو تم تدريب VQC مباشر بـ 69 طبقة، لاستغرق الأمر حوالي 14 ساعة.

ب. تعلم التعزيز (Cartpole)

• الإعداد: وكيل هجين كمومي-كلاسيكي (Parallel Hybrid Network) يحل مشكلة توازن الـ Cartpole، مقارنة بشبكة MLP كلاسيكية مكونة من 3 طبقات.
• البنية: استخدم الفرع الكمومي 3 كيوبتات مع يونيتاريات ناعمة تعمل كمؤثر نيورال فورييه (Fourier neural operator) لالتقاط الهياكل واسعة النطاق، بينما تعامل الفرع الكلاسيكي مع التفاصيل الدقيقة.
• الأداء:
  • وصل الوكيل الهجين إلى أقصى مدة للحلقة (500 خطوة) بشكل أسرع بكثير من النموذج الكلاسيكي الأساسي.
  • متوسط المدة: عبر 340 حلقة، حقق النموذج الهجين متوسط مدة قدره 417.0، مقارنة بـ 232.9 للشبكة الكلاسيكية.
  • التقارب: وصل النموذج الهجين إلى المدة القصوى في آخر 71 حلقة، مما أظهر استقراراً وقدرة تعلم فائقة.
  • الدقة (Fidelity): كانت خسارة اليونيتاري النهائية $10^{-4}$، وخسارة المحاذاة 0.07، مما يؤكد أن اليونيتاريات الناعمة تكاد تكون غير قابلة للتمييز عن العمليات الكمومية الحقيقية.

5. الأهمية والقيود

الأهمية:

• أداة بحثية: توفر اليونيتاريات الناعمة وسيلة لسبر "الحد التعبيري" لفضاء هيلبرت دون الالتزام ببنية دائرة محددة. فهي تسمح للباحثين بتحديد سقف الأداء النظري قبل تصميم دائرة فيزيائية.
• الكفاءة: توفر الطريقة تسريعاً يزيد عن 100 ضعف في وقت التدريب لمشكلات الكيوبتات القليلة ذات مجموعات البيانات الكبيرة، مما يجعل المحاكاة الكلاسيكية للنماذج الكمومية العميقة أكثر جدوى.
• الإمكانات الهجينة: تثبت أن المكونات الكمومية يمكن أن تتفوق على النماذج الكلاسيكية البحتة في البنى الهجينة، حتى مع أعداد قليلة من الكيوبتات.

القيود:

• القابلية للتوسع: الطريقة مقيدة بالمشكلات ذات عدد الكيوبتات القليل. حيث يتوسع حجم المصفوفة كـ $4^n$ (حيث $n$ هو عدد الكيوبتات)، مما يعني أن متطلبات الذاكرة والحوسبة تنفجر عندما يكون $n > 10-12$.
• الهضاب القاحلة (Barren Plateaus): نظرًا لأن اليونيتاريات الناعمة تمتلك أقصى قدرة تعبيرية (تغطي مجموعة اليونيتاري بأكملها)، فإن مشهد الخسارة مضمون أن يظهر "هضاباً قاحلة" (تلاشي التدرجات) للدوائر العميقة، مما قد يعيق عملية التحسين.
• التقريب: تتطلب الخطوة الأخيرة تجميع مصفوفة "ناعمة" في دائرة قائمة على البوابات، مما يؤدي إلى خطأ تقريب صغير، وإن كانت التجارب قد أظهرت أن هذا الخطأ ضئيل للغاية.

في الختن، تقدم الورقة "الخوارزميات الكمومية الناعمة" كتقنية وسيطة قوية لعصر الـ NISQ، مما يتيح اكتشافاً أسرع للنماذج الكمومية المثلى والبنى الهجينة من خلال تجاوز الاختناقات الحوسبية لتدريب البوابات والرفع الأسي للمصفوفات.