⚛️ quantum physics

GAT-QNN: Genetic Algorithm-Based Training of Hybrid Quantum Neural Networks

تقترح الورقة البحثية إطار عمل GAT-QNN، وهو إطار يعتمد على الخوارزمية الجينية لتدريب دائرة كبرى (macroCircuit) لشبكة عصبية كمومية هجينة، ومن ثم يستخدم مرحلة استدلال مدفوعة بالخوارزمية الجينية لاختيار بنيات دوائر صغرى (microCircuit) مثالية ومدركة لطبيعة المعالج الخلفي، مما يحقق مكاسب كبيرة في الدقة وكفاءة الموارد عبر الأجهزة الكمومية الخلفية غير المتجانسة.

المؤلفون الأصليون: Tasnim Ahmed, Alberto Marchisio, Muhammad Kashif, Nouhaila Innan, Muhammad Shafique

نُشر 2026-04-17

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Tasnim Ahmed, Alberto Marchisio, Muhammad Kashif, Nouhaila Innan, 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 روبوت طباخ فائق الذكاء (شبكة عصبية كمومية - Quantum Neural Network) للتعرف على أنواع مختلفة من الطعام (مثل التمييز بين البيتزا، والبرجر، والسلطة، والتاكو).

في العالم المثالي، سيمتلك هذا الروبوت مطبخاً ضخماً يحتوي على كل أداة، وأداة تقنية، ومكون يمكن تخيله. لكننا نعيش حالياً في "عصر NISQ" (الكم المقياسي متوسط الحجم والمشوب بالضجيج). فكر في هذا كأنه مطبخ حيث:

الأدوات قديمة ومعطلة (الضجيج الكمومي).
لديك عدد قليل فقط من الطاولات (كيوبتات محدودة).
إذا حاولت استخدام الكثير من الأدوات في وقت واحد، سينهار المطبخ بأكمـله.

المشكلة: ليس كل مقاس يناسب الجميع

عادةً، يقوم العلماء بتدريب روبوت الطباخ الخاص بهم في مطبخ مثالي ومحاكى (محاكي/Simulator)، ثم يحاولون إرساله إلى مطعم حقيقي. ولكن هنا تكمن المشكلة:

المطعم (أ) قد يكون لديه موقد يعمل بالغاز.
المطعم (ب) قد يكون لديه فرن كهربائي.
المطتم (ج) قد يكون عربة طعام صغيرة جداً.

إذا دربت روبوت الطباخ باستخدام وصفة ضخمة ومعقدة مصممة لمطبخ كبير، فقد يعمل بشكل رائع في المحاكاة، ولكنه سيفشل فشلاً ذريعاً في عربة الطعام الصغيرة لأن الأدوات مختلفة. كما أن استخدام وصفة ضخمة يستغرق وقتاً طويلاً ويستهلك الكثير من الطاقة.

الحل: GAT-QNN (نهج "المخطط الرئيسي")

ابتكرت تسنيم أحمد وفريقها طريقة ذكية من خطوتين تسمى GAT-QNN. إنهم يستخدمون خوارزمية جينية (Genetic Algorithm)، وهي ببساطة مبدأ "البقاء للأصلح" بالنسبة للكود البرمجي.

إليك كيف يعمل الأمر، باستخدام تشبيه المخطط الرئيسي:

الخطوة 1: تدريب "المخطط الرئيسي" (المطبخ التطوري)

بدلاً من تدريب روبوت طباخ واحد محدد، هم ينشئون مخططاً رئيسياً (يسمى macroCircuit). هذا المخطط ليس وصفة واحدة؛ بل هو مكتبة ضخمة تحتوي على كل التنوع الممكن للوصفات، من البسيطة إلى المعقدة.

الخوارزمية الجينية (مسابقة الطهاة): تخيل مسابقة طبخ. يقوم الكمبيوتر بإنشاء 10 "وصفات فرعية" عشوائية (تسمى microCircuits) عن طريق اختيار أدوات مختلفة من المخطط الرئيسي.
التجربة: يتم اختبار هذه الوصفات العشر. بعضها معقد للغاية ويفشل؛ وبعضها بسيط للغاية وطعمه سيء.
التطور: يتم الاحتفاظ بأفضل الوصفات. يقوم الكمبيوتر بخلط مكوناتها (العبور/Crossover) وتعديلها قليلاً (الطفرة/Mutation) لإنشاء وصفات جديدة وأفضل للجولة التالية.
السحر: مع استمرار المسابقة، لا يقوم الكمبيوتر فقط بحفظ الوصفات الفائزة؛ بل يحدث المخطط الرئيسي بالدروس المستفادة من جميع الفائزين. بمر مرور الوقت، يصبح المخطط الرئيسي "معلماً فائقاً" يعرف بالضبط أي الأدوات تعمل بشكل أفضل للمهمة، حتى لو تغيرت الوصفة المحددة.

الخطوة 2: "الاختيار الذكي" (التعبئة للرحلة)

بمج- بمجرد تدريب المخطط الرئيسي بالكامل، يحين وقت إرسال الروبوت إلى مطعم معين (جهاز كمبيوتر كمومي محدد).

الطريقة القديمة: ستأخذ المخطط الرئيسي بأكمله (المطبخ الضخم) وتحاول تشغيله. إنه ثقيل، بطيء، وعرضة للأخطاء.
طريقة GAT-QNN: تنظر إلى المخطط الرئيسي وتقول: "حسناً، نحن ذاهبون إلى عربة طعام صغيرة. أي وصفة خفيفة ومحددة من مكتبتنا ستعمل بشكل أفضل هنا؟"
يقوم النظام بإجراء جولة ثانية سريعة من الاختيار (دون إعادة التدريب) لاختيار الوصفة الفرعية المثالية والخفيفة (الـ microCircuit) التي تناسب أدوات ذلك المطعم تحديداً.

لماذا يعد هذا أمراً مهماً؟

اختبرت الورقة البحثية هذا على مهمة كلاسيكية: التعرف على الأرقام المكتوبة بخط اليد (0، 1، 2، 3).

دقة أفضل: من خلال استخدام منهجية "المخطط الرئيسي + الاختيار الذكي" هذه، حققوا دقة أفضل بنسبة 22-23% من الطريقة القديمة التي تعتمد فقط على تدريب نموذج ثابت واحد. الأمر يشبه تحول روبوت الطباخ فجأة إلى طاهٍ حائز على نجمة ميشلان لمجرد اختياره الأدوات المناسبة للمهمة.
توفير الموارد: كانت أفضل الوصفات التي وجدوها في الواقع أصغر وأبسط من المخطط الكامل. لقد استخدموا "بوابات" (أدوات) أقل، مما يعني فرصة أقل لتعطل المطبخ بسبب الضجيج.
الشمولية: نجح هذا الأمر سواء تمت محاكاة المطبخ على كمبيوتر قياسي، أو محاكي سحابي، أو محاكي كمومي متخصص. الطريقة تتكيف مع البيئة تلقائياً.

الخلاصة

فكر في GAT-QNN كأنه وكيل سفر ذكي لأجهزة الكمبيوتر الكمومية.

الطريقة القديمة: تشتري حقيبة سفر واحدة ضخمة وثقيلة (الدائرة الكاملة) وتحاول وضعها في كل سيارة وطائرة وقارب. إنها غير فعالة وغالباً ما تتعرض للتلف.
طريقة GAT-QNN: تجهز خزانة ملابس ضخمة ومتنوعة (المخطط الرئيسي). وعندما تصل إلى وجهتك، تختار بسرعة الزي المثالي الذي يناسب الطقس والمكان (الوصفة الفرعية). لست بحاجة لشراء ملابس جديدة (إعادة التدريب)؛ أنت فقط تختار الأنسب مما تعلمته بالفعل.

يسمح لنا هذا النهج ببناء ذكاء اصطناعي كمومي أفضل اليوم، حتى مع وجود أجهزتنا الكمومية غير الكاملة والمشوبة بالضجيج.

إليك ملخص تقني مفصل لورقة البحث بعنوان "GAT-QNN: التدريب القائم على الخوارزمية الجينية للشبكات العصبية الكمومية الهجينة".

1. بيان المشكلة

تعالج الورقة بحثاً مشكلتين حرجتين في نشر الشبكات العصبية الكمومية الهجينة (HQNNs) على الأجهزة الكمومية الحالية ذات المقياس المتوسط المشوبة بالضجيج (NISQ):

تباين الخلفيات (Backend Heterogeneity): غالباً ما يتم تدريب الشبكات العصبية الكمومية الهجينة (HQNNs) على محاكي أو خلفية معينة، ولكن يتم نشرها في بيئات متباينة (محاكيات مختلفة، أو مسارات تجميع، أو تغييرات هيكلية ناتجة عن التجميع). قد يكون تصميم الدائرة المحسن لخلفية معينة ضعيف الأداء على خلفية أخرى بسبب الاختلافات في الضجيج، وتنفيذ البوابات، والتغييرات الهيكلية الناتجة عن عملية التجميع (Compilation).
عدم كفاءة الموارد: غالباً ما يكون نشر "الدائرة الكلية" (macroCircuit) الكاملة والمعقدة أمراً غير ضروري ومكلفاً. فقد تحقق الدوائر الفرعية الأصغر ("microCircuits") أداءً مماثلاً أو حتى أفضل بعدد أقل من البوابات، مما يقلل من التعرض للضجيج ووقت التشغيل. ومع ذلك، فإن العثور على هذه الدوائر الفرعية المثلى يتطلب عادةً إعادة تدريب كل مرشح، وهو أمر مكلف حوسبياً.

غالباً ما تعيد الطرق الحالية بنية واحدة محسنة لإعداد معين، وتفشل في توفير آلية للتدريب لمرة واحدة ثم اختيار البنية الأفضل عند وقت الاستنتاج (Inference) لخلفية مستهدفة معينة دون الحاجة لإعادة التدريب.

2. المنهجية المقترحة: GAT-QNN

يقترح المؤلفون إطار عمل GAT-QNN، وهو إطار ذو مرحلتين يفصل بين التدريب والنشر باستخدام الخوارزميات الجينية (GAs). المفهوم الجوهري يعتمد على الدائرة الكلية (macroCircuit) (هيكل فائق يحدد مساحة بحث واسعة) والدوائر الجزئية (microCircuits) (بنيات فرعية محددة يتم أخذ عينات منها من الدائرة الكلية).

أ. ترميز الكروموسوم (Chromosome Encoding)

يتم ترميز كل دائرة جزئية مرشحة ككروموسوم صحيح ثابت الطول:

الهيكل: $g = [g^{(1)}_R, g^{(1)}_C, g^{(2)}_R, g^{(2)}_C, L]$ $g = [g_{R}^{(1)}, g_{C}^{(1)}, g_{R}^{(2)}, g_{C}^{(2)}, L]$
- $L$ : عدد الطبقات النشطة.
- $g^{(\ell)}_R$ : عدد بوابات الدوران أحادية الكيوبت (RX) ذات المعلمات في الطبقة $\ell$ .
- $g^{(\ell)}_C$ : عدد بوابات التشابك (CNOT) في الطبقة $\ell$ .
مساحة البحث: بالنسبة لتجارب الـ 4-qubit، تتراوح أعداد البوابات بين 1–4، والعمق بين 1–2.

ب. المرحلة الأولى: تدريب الدائرة الكلية المدفوع بالخوارزمية الجينية (GA-Driven MacroCircuit Training)

تقوم هذه المرحلة بتدريب مجمع المعلمات المشترك للدائرة الكلية عبر تطوير مجتمع من الدوائر الجزئية.

التهيئة: يتم إنشاء مجتمع من الكروموسومات العشوائية (بنيات الدوائر الجزئية).
التطور التكراري:
- أخذ العينات: يقوم كل كروموسوم بإنشاء دائرة جزئية محددة من مساحة بحث الدائرة الكلية.
- التدريب: يتم تدريب الدائرة الجزئية على المهمة (مثل تصنيف MNIST).
- إعادة دمج المعلمات: يتم تجميع المعلمات المتعلمة من الدائرة الجزئية المدربة وإعادتها إلى أوزان الدائرة الكلية المشتركة. وهذا يسمح للدائرة الكلية بتراكم المعرفة عبر مختلف المرشحات الهيكلية.
- عمليات الخوارزمية الجينية: يتم تطبيق عمليات الخوارزمية الجينية القياسية (اختيار الآباء، التكاثر متعدد النقاط، الطفرة) لتطوير المجتمع نحو تحقيق لياقة أعلى (دقة الاختبار).
النتيجة: دائرة كلية محسنة جينياً مع مجموعة موحدة من الأوزان.

ج. المرحلة الثانية: الاستنتاج المدفوع بالخوارزمية الجينية (GA-Driven Inference)

تختار هذه المرحلة بنية النشر المثلى دون إعادة التدريب.

التقييم القائم على الاستنتاج فقط: بدءاً من المجتمع النهائي لمرحلة التدريب، يتم تنفيذ تشغيل جديد للخوارزمية الجينية.
حساب اللياقة: يتم بناء الدوائر الجزئية المرشحة وتقييمها باستخدام أوزان الدائرة الكلية المدربة والمثبتة. لا تحدث أي تحديثات للمعلمات خلال هذه المرحلة.
الاختيار الواعي بالخلفية (Backend-Aware Selection): تختار الخوارمة الجينية الدوائر الجزئية التي تزيد من لياقة وقت الاستنتاج خصيصاً على الخلفية المستهدفة. وهذا يسمح للنظام بالتكيف مع ضجيج الخلفية وتأثيرات التجميع دون إعادة التدريب.
المخرج: مجموعة مرتبة من الدوائر الجزئية الأعلى أداءً والأكثر كفاءة في الموارد، والجاهزة للنشر.

3. المساهمات الرئيسية

إطار عمل GAT-QNN: خط إنتاج مبتكر يعتمد على الخوارزمية الجينية لتدريب دائرة كلية عبر أخذ عينات وتدريب وإعادة دمج الدوائر الجزئية بشكل تكراري، مما يتيح الاستكشاف المشترك للبنية والمعلمات تحت قيود أجهزة NISQ.
فصل التدريب عن الاستنتاج: تفصل الطريقة بين مرحلة التدريب (تراكم المعلمات) ومرحلة النشر (اختيار البنية). وهذا يلغي الحاجة لإعادة تدريب النماذج عند الانتقال بين الخلفيات المختلفة.
النشر المراعي للموارد: يحدد الإطار بشكل طبيعي الدوائر الجزئية الأصغر (عدد بوابات أقل) التي تحافظ على دقة عالية، مما يعالج قيود الضجيج في أجهزة NISQ.
خط إنتاج ذو مرحلتين: يحدد بوضوح سير عمل حيث يتم تدريب دائرة كلية مشتركة، يتبعها تشغيل استنتاج مستقل مدفوع بالخوارزمية الجينية لاختيار أفضل دائرة جزئية لبيئة التنفيذ المحددة.

4. النتائج التجريبية

تم التحقق من النهج باستخدام مهمة تصنيف MNIST ذات 4 فئات باستخدام 4-qubit HQNN.

مكاسب الأداء:
- تفوق خط الإنتاج المدرب بالخوارزمية الجينية والمدمج مع الاستنتاج المدفوع بالخوارزمية الجينية باستمرار على خطوط الأساس للتدريب العادي.
- تحسين الدقة: حقق زيادة في دقة الاختبار بنسبة 22-23% عبر خلفيات متعددة (PennyLane، وAWS Braket simulator، وQASM simulator) مقارنة باستخدام الاستنتاج المدفوع بالخوارزمية الجينية على دائرة كلية مدربة بالطريقة التقليدية.
- أفضل نتيجة: حققت دائرة جزئية محددة (الكروموسوم [3, 2, 2, 1, 2]) دقة اختبار بلغت 0.870 باستخدام 5 بوابات RX و3 بوابات CNOT فقط. في المقابل، حققت الدائرة الكلية الكاملة تحت التدريب العادي دقة 0.915 ولكنها تطلبت 8 بوابات RX و8 بوابات CNOT؛ ومع ذلك، فإن الدائرة الكلية المدربة بالخوارزمية الجينية أعطت دقة 0.780 مباشرة عند التقييم، مما يبرز ضرورة اختيار مرحلة الاستنتاج.
المتانة: كانت مكاسب الأداء متسقة عبر جميع الخلفيات الثلاث المختبرة، مما يثبت قدرة الطريقة على التعامل مع بيئات التنفيذ المتباينة.
الكفاءة: استخدمت الدوائر الجزئية المختارة غالباً موارد أقل بكثير (بوابات) من الدائرة الكلية مع الحفاظ على الدقة أو تحسينها.

5. الأهمية

حل عدم التطابق بين التدريب والنشر: يعالج GAT-QNN الفجوة الحرجة حيث تفشل النماذج المدربة في بيئة واحدة عند نقلها لبيئة أخرى. من خلال اختيار البنيات في وقت الاستنتاج بناءً على خصائص الخلفية المستهدفة، فإنه يضمن المتانة دون تكلفة إعادة التدريب.
التوافق مع NISQ: يعمل النهج صراحةً على تحسين الدوائر الضحلة وعدد البوابات المنخفض، مما يجعله مناسباً جداً للأجهزة الكمومية الحالية المشوبة بالضجيج.
القابلية للتوسع: يقدم النهج مساراً قابلاً للتوسع للبحث عن البنية الكمومية العصبية (QNAS) عبر توزيع تكلفة التدريب على دائرة كلية مشتركة، بدلاً من تدريب آلاف البنيات الفردية من الصفر.
التأثير المستقبلي: يمهد هذا العمل الطريق لنشر تعلم آلي كمومي عملي وغير مرتبط بخلفية محددة، حيث يمكن لنموذج واحد مدرب أن يتكيف ديناميكياً مع معالجات كمومية أو محاكيات مختلفة عبر اختيار البنية الفرعية المثلى.