⚛️ quantum physics

QNAS: A Neural Architecture Search Framework for Accurate and Efficient Quantum Neural Networks

تقدم الورقة البحثية QNAS، وهو إطار عمل للبحث عن البنى العصبية يوحد بين التقييم المدرك للأجهزة، والتحسين متعدد الأهداف، والإدراك بعبء قطع الدوائر، لاكتشاف بنى الشبكات العصبية الهجينة الكمومية-الكلاسيكية ذات الكفاءة والدقة تلقائياً والمصممة خصيصاً لأجهزة NISQ.

المؤلفون الأصليون: Kooshan Maleki, Alberto Marchisio, Muhammad Shafique

نُشر 2026-04-09

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Kooshan Maleki, Alberto Marchisio, Muhammad Shafique

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 أنك تحاول بناء شبكة عصبية كمومية (QNN). فكر في هذا كأنه دماغ روبوت فائق الذكاء مصنوع من الضوء والاحتمالات، مصمم لحل مشكلات مثل التعرف على القطط في الصور أو تصنيف الزهور.

ومع ذلك، فإن بناء هذه الأدمغة الروبوتية أمر صعب للغاية في الوقت الحالي لأن الأجهزة التي نمتلكها (المعروفة باسم أجهزة NISQ) تشبه ورشة عمل صغيرة وهشة. فهي تمتلك أدوات قليلة جدًا (كيوبتات/qubits) وتتعطل بسهولة إذا حاولت القيام بالكثير من المهام في وقت واحد.

المشكلة: معضلة "أكبر من حجم الورشة"

في الماضي، حاول المهندسون تصميم هذه الأدمغة الروبوتية يدويًا. كان عليهم تخمين الأجزاء التي يجب تضمينها.

الفخ: غالبًا ما بنوا أدمغة كانت عبقرية من الناحية النظرية ولكنها أكبر من حجم الورشة. ولجعلها تتناسب مع الحجم، استخدموا حيلة تسمى "تقطيع الدوائر" (Circuit Cutting).
التشبيه: تخيل أن لديك لغزًا (بازل) ضخمًا مكونًا من 100 قطعة، لكن طاولتك لا تتسع إلا لـ 10 قطع فقط. لكي تحل اللغز، عليك تقطيعه إلى 1ز 10 ألغاز صغيرة منفصلة، وحل كل منها على حدًا، ثم لصق الإجابات معًا.
التكلفة: كلما زاد عدد القطع التي تقطعها، أصبح "اللصق" (المعالجة الكلاسيكية اللاحقة) أصعب. في الحوسبة الكمومية، تصبح عملية "اللصق" هذه (المعالجة الكلاسيكية اللاحقة) أصعب بشكل أسي. إذا قطعت اللغز إلى قطع كثيرة جدًا، فإن الوقت الذي ستستغرقه لحله سيصبح أطول من عمر الكون.

الأساليب الحالية لتصميم هذه الأدمغة كانت تهتم فقط بـ الدقة (مدى ذكاء الدماغ) وتجاهلت تكلفة التقطيع. لقد وجدت أدمغة "ذكية" ولكن كان من المستحيل استخدامها فعليًا لأن تكلفة "اللصق" كانت عالية جدًا.

الحل: QNAS (المهندس المعماري الذكي)

ابتكر مؤلفو هذه الورقة أداة جديدة تسمى QNAS (البحث عن البنية العصبية الكمومية). فكر في QNAS كأنه مهندس معماري مؤتمت بالكامل لا يصمم مبنى فحسب، بل يصمم مبنى يناسب تمامًا قطعة أرض صغيرة محددة وبتكلفة بناء منخفضة.

إليك كيف يعمل QNAS، باستخدام تشبيهات بسيطة:

1. "الدماغ الخارق" بضربة واحدة (الدائرة الفائقة - SuperCircuit)

بدلاً من بناء واختبار 1,000 دماغ روبوتي مختلف من الصفر (مما قد يستغرق وقتًا طويلاً)، يبني QNAS "دماغًا فائقًا" واحدًا ضخمًا يحتوي على كل جزء ممكن من كل تصميم ممكن.

التشبيه: تخيل مجموعة "ليجو" ضخمة تحتوي على كل مكعب، وعجلة، ونافذة قد تحتاج إليها يومًا ما. لا يقوم QNAS ببناء 1,000 سيارة؛ بل يقوم فقط بتركيب مجموعات مختلفة من المكعبات من هذه المجموعة الضخمة الواحدة لاختبارها بسرعة. إنه يدرب هذه المجموعة الضخمة قليلاً ليرى أي المجموعات تبدو واعدة.

2. سباق الأهداف الثلاثة (التحسين متعدد الأهداف)

يستخدم QNAS محرك بحث ذكي (يسمى NSGA-II) للعثور على أفضل التصميمات. لكنه لا يبحث فقط عن "أذكى" دماغ. إنه يدير سباقًا مع ثلاثة حكام:

الدقة: ما مدى جودة حل الدماغ للمشكلة؟ (حكم "قوة الدماغ").
السرعة/التكلفة: كم من الوقت يستغرق التشغيل؟ (حكم "الكفاءة").
عقوبة "التقطيع": كم عدد القطع التي يتعين علينا تقطيعها لتناسب أجهزتنا الصغيرة؟ (حكم "ملاءمة الورشة").

السحر: يبحث QNAS عن "جبهة باريتو" (Pareto Front). وهذا مصطلح منمق يعني "النقطة المثالية" (Sweet Spot). إنه يجد التصميمات التي لا يمكنك فيها الحصول على دقة أكثر دون فقدان السرعة، أو حيث لا يمكنك أن تكون أسرع دون الحاجة إلى مزيد من التقطيع. إنه يقدم لك قائمة خيارات حتى تتمكن من اختيار توازنك الخاص.

3. خدعة "العدات القليلة" (Few-Epoch Trick)

تدريب دماغ كمومي عادة ما يستغرق وقتًا طويلًا. QNAS ذكي بما يكفي ليعرف أنك لست بحاجة لتدريب دماغ لمدة 100 ساعة لتعرف ما إذا كان تصميمًا جيدًا.

التشبيه: إذا كنت تريد معرفة ما إذا كان محرك سيارة جديد جيدًا، فأنت لا تقودها عبر البلاد. أنت فقط تقوم بتشغيل المحرك لمد دقيقتين. إذا تعثر، فهو سيء. إذا عمل بسلاسة، فمن المرجح أنه جيد. يقوم QNAS بتدريب المرشحين لفترة وجيزة فقط (عدتين أو 2 "epochs") لتصفية التصميمات السيئة بسرعة، مما يوفر وقتًا هائلًا.

ماذا وجدوا؟ (النتائج)

اختبر الفريق QNAS في ثلاثة تحديات مختلفة:

MNIST (الأرقام المكتوبة بخط اليد): وجدوا دماغًا صغيرًا مكونًا من 8 كيوبتات بدقة 97%. كان فعالًا جدًا لدرجة أنه لم يحتاج إلى تقطيع كثير.
Fashion-MNIST (الملابس): كان هذا التحدي أصعب. وجدوا دماغًا مكونًا من 5 كيوبتات بدقة 87%.
Iris (بيانات الزهور): بالنسبة لهذه البيانات البسيطة، وجدوا دماغًا صغيرًا مكونًا من 4 كيوبتات بدقة 100%.

الاكتشافات الرئيسية:

الندرة أفضل (Sparse is Better): وجدوا أن الاتصالات "الخفيفة/المتباعدة" (حيث لا يحاول الدماغ ربط كل جزء بكل جزء آخر) كانت تعمل بشكل أفضل بكثير من الاتصالات "الكثيفة". إنه يشبه شبكة اجتماعية حيث يعرف الجميع بعضهم البعض (فوضى) مقابل شبكة حيث يتحدث الناس فقط مع جيرانهم (كفاءة).
أدوات مختلفة لوظائف مختلفة: بالنسبة للصور (MNIST)، كان نوع معين من إدخال البيانات يسمى "Angle-Y" هو الأفضل. أما بالنسبة لبيانات الزهور (Iris)، فقد كان النوع الآخر المسمى "Amplitude" هو الفائز. لقد اكتشف QNAS ذلك تلقائيًا!

لماذا يهم هذا؟

قبل QNAS، ربما صمم الباحثون دماغًا كموميًا رائعًا بدا ممتازًا على الورق ولكنه مستحيل التشغيل على الأجهزة الحقيقية لأنه يتطلب الكثير من "التقطيع".

QNAS هو بمثابة دليل عملي. إنه يخبرنا: "إليك دماغًا ذكيًا، وسريعًا، ويمكن تشغيله فعليًا في ورشتك الصغيرة دون الحاجة إلى لصق 1,000 قطعة معًا."

إنه ينقلنا من "الأحلام الكمومية النظرية" إلى "الواقع الكمومي العملي"، مما يساعدنا على بناء أدمغة روبوتية يمكنها العمل فعليًا على أجهزة الكمبيوتر الكمومية التي نمتلكها اليوم.

إليك ملخص تقني مفصل لورقة البحث بعنوان "QNAS: إطار عمل للبحث عن البنية العصبية لشبكات عصبية كمومية دقيقة وفعالة".

1. بيان المشكلة

يواجه تصميم الشبكات العصبية الكمومية (QNNs) لأجهزة العصر الكمومي ذو المقياس المتوسط والمشوب بالضجيج (NISQ) ثلاثة تحديات حرجة:

معضلة المقايضة: يجب أن توازن بنى الشبكات العصبية الكمومية المصممة يدويًا (ansätze) بين القدرة التعبيرية، والقابلية للتدريب، وقيود الموارد. غالبًا ما تعاني الدوائر المصممة بشكل سيئ من "الهضاب القاحلة" (Barren Plateaus - تلاشي التدرجات) أو تكون عميقة جدًا بالنسبة للأجهزة الحالية.
استدلالات الموارد: تركز طرق البحث عن البنية الكمومية (QAS) الحالية بشكل أساسي على تحسين الدقة مع التحكم الاستدلالي فقط في الموارد (عدد الكيوبتات، وعمق البوابة). وهي غالبًا ما تتجاهل القيود المحددة للنشر في العالم الحقيقي.
عبء قطع الدائرة (Circuit Cutting Overhead): لتشغيل الدوائر على أجهزة تحتوي على عدد أقل من الكيوبتات مما هو مطلوب، يلزم استخدام "قطع الدائرة" (تقسيم دائرة كبيرة إلى دوائر فرعية أصغر). ومع ذلك، يتسبب القطع في عبء أسي في وقت التنفيذ والمعالجة الكلاسيكية اللاحقة ( $O(4^k)$ حيث $k$ هو عدد القطوع). نادرًا ما تأخذ طرق البحث عن البنية الكمومية (QAS) الحالية هذا الأمر في الاعتبار، مما قد يؤدي إلى اكتشاف بنى دقيقة في المحاكاة ولكنها مكلفة للغاية من الناحية العملية عند النشر.

2. المنهجية: إطار عمل QNAS

يقترح المؤلفون QNAS، وهو إطار عمل للبحث عن البنية العصبية مصمم خصيصًا للشبكات العصبية الهجينة (الكمومية-الكلاسيكية) (HQNNs). وهو يدمج ثلاثة مكونات أساسية:

أ. التقييم بضربة واحدة مدرك للأجهزة (Hardware-Aware One-Shot Evaluation)

تدريب الدائرة الفائقة (SuperCircuit Training): يقوم QNAS بتدريب "دائرة فائقة" ذات معاملات مشتركة لعدد قليل من الحقبات (epochs) على مجموعة فرعية من البيانات. هذا يقلل من تكلفة تقييم آلاف البنى المرشحة.
وكيل الحقبات القليلة (Few-Epoch Proxy): يثبت المؤلفون أن التدريب لمدة 2-5 حقبات فقط يوفر وكيلًا عالي الدقة ( $r > 0.9$ ) لأداء النموذج النهائي، مما يقلل تكاليف البحث بشكل كبير مقارنة بالتدريب الكامل.

ب. التحسين متعدد الأهداف (NSGA-II)

بدلاً من التحسين من أجل الدقة فقط، يستخدم QNAS خوارزمية التطور NSGA-II لتحسين ثلاثة أهداف بشكل مشترك:

$F_1$ (خطأ التحقق): تقليل خطأ التصنيف.
$F_2$ (وكيل تكلفة وقت التشغيل): قياس وقت تنفيذ الجدار (ثانية/عينة) لالتقاط كفاءة الأجهزة.
$F_3$ (عبء القطع): تقدير عدد الدوائر الفرعية المطلوبة لتناسب بنية مرشحة ضمن ميزانية كيوبت مستهدفة ( $Q_{target}$ ). تقليل هذا الهدف يقلل مباشرة من تكلفة التنفيذ الأسية المرتبطة بقطع الدائرة.

ج. مساحة بحث مدمجة

يبحث الإطار عبر "جينوم" محدد يشمل:

نوع التضمين (Embedding Type): التضمين الزاوي ( $X, Y, Z$ ) أو تضمين السعة (Amplitude encoding).
معاملات الدائرة: عدد الكيوبتات ( $n$ )، العمق ( $L$ )، مدى التشابك ( $r$ )، ونمط CNOT (الكل، الفردي، الزوجي، لا يوجد).
المعلمات الفائقة (Hyperparameters): معدل التعلم.

د. الترجمة (Transpilation) ومحاكاة الضجيج

لضمان قابلية النشر، يتضمن QNAS خطوة ترجمة تقوم برسم الدوائر المثالية إلى تنفيذات مقيدة بالجهاز (مثل fake_melbourne من IBM). ويستخدم "خلفيات قائمة على اللقطات" (snapshot-based backends) تدمج نماذج ضجيج واقعية (أخطاء إلغاء الاستقطاب، الاسترخاء الحراري) مشتقة من بيانات الأجهزة الحقيقية.

3. المساهمات الرئيسية

إطار عمل موحد: أول إطار عمل للبحث عن البنية الكمومية (QAS) يحسن بشكل مشترك الدقة، وتكلفة وقت التشغيل، وعبء قطع الدائرة (عدد الدوائر الفرعية) بشكل صريح.
استراتيجية بحث فعالة: خط تدريب "ضربة واحدة" بحقات قليلة يتيح بحثًا تطوريًا سريعًا دون التضحية بدقة الترتيب.
رؤى تصميمية قابلة للتنفيذ: يظهر الإطار تلقائيًا تفضيلات بنيوية خاصة بالمجال (مثل أنواع تضمين محددة وأنماط تشابك) بدلاً من مجرد إخراج نموذج واحد "أفضل".
مفتوح المصدر: تم إصدار الكود برمته علنًا لتسهيل إعادة الإنتاج.

4. النتائج التجريبية

تم تقييم الإطار على ثلاثة معايير: MNIST، وFashion-MNIST، وIris.

أ. MNIST (تصنيف الصور)

أفضل بنية: 8 كيوبتات، طبقتان، تضمين Angle-Y، نمط CNOT من نوع "none-odd".
الأداء: حقق دقة اختبار بلغت 97.16%.
الكفاءة: تطلب 5 دوائر فرعية فقط لميزانية مستهدفة قدرها 4 كيوبتات ( $Q_{target}=4$ ).
رؤية رئيسية: تفوقت أنماط التشابك المتفرقة (تحديدًا "none-odd") بشكل كبير على الأنماط الكثيفة، التي عانت من الهضاب القاحلة (دقة $\approx$ عشوائية).

ب. Fashion-MNIST (تصنيف صور أكثر صعوبة)

أفضل بنية: 5 كيوبتات، طبقتان، تضمين Angle-Y، نمط CNOT من نوع "none-none".
الأداء: حقق دقة اختبار بلغت 87.38%.
رؤية رئيسية: تماشياً مع MNIST، كان تضمين Angle-Y والـ CNOT المتفرق هما الأفضل. تعكس الدقة المنخفضة مقارنة بـ MNIST التباين العالي داخل الفئات في هذه المجموعة من البيانات.

ج. Iris (بيانات جدولية)

أفضل بنية: 4 كيوبتات، طبقتان، تضمين السعة (Amplitude embedding)، نمط CNOT من نوع "none-odd".
الأداء: حقق دقة تحقق بلغت 100%.
رؤية رئيسية: على عكس بيانات الصور، هيمن تضمين السعة في البيانات الجدولية، ويرجع ذلك على الأرجب إلى أن مساحة الميزات الصغيرة (4 ميزات) تتناسب طبيعيًا مع فضاء هيلبرت لـ 2 كيوبت ( $2^2=4$ ).

د. تحليل عبء القطع

أدى إدراج $F_3$ (عدد الدوائر الفرعية) كهدف إلى تقليل متوسط عبء القطع بنسبة 62.8% مقارنة بالطرق التي تتجاهله، مع الحفاظ على دقة مماثلة.
البنى ذات التشابك المتفرق تطلبت دوائر فرعية أقل، مما جعل تنفيذها أرخص أسيًا على الأجهزة محدودة الكيوبتات.

5. الأهمية والخاتمة

قابلية النشر العملية: ينقل QNAS التركيز من الدقة النظرية إلى قابلية النشر العملية على أجهزة NISQ. من خلال معاقبة عبء قطع الدائرة صراحةً، فإنه يمنع اكتشاف البنى "الدقيقة نظريًا ولكن المستحيلة عمليًا".
التكيف مع المجالات: نجح إطار العمل في التكيف مع نماذج البيانات المختلفة، حيث حدد أن Angle-Y هو الأمثل للصور بينما Amplitude هو الأمثل للبيانات الجدولية.
القابلية للتوسع: تجعل استراتيجية التدريب لعدد قليل من الحقبات البحث عملية حسابية ممكنة، حيث تتوسع لتشمل مئات المرشحين دون تكاليف باهظة.
التأثير المستقبلي: يوفر هذا العمل مخططًا لأتمتة تصميم الخوارزميات الكمومية التي يمكنها العمل بالفعل على الأجهزة الكمومية الحالية والقريبة، مما يسد الفجوة بين التعلم الآلي الكمي النظري والتطبيق العملي.

باختاً، يثبت QNAS أنه من خلال معاملة كفاءة الموارد وعبء القطع كعناصر أساسية في حلقة التحسين، يمكن اكتشاف شبكات عصبية كمومية مدمجة وعالية الدقة وجاهزة للنشر على المعالجات الكمومية الحالية والمستقبلية المحدودة الكيوبتات.