⚛️ quantum physics

Explainable quantum regression algorithm with encoded data structure

تقدم هذه الورقة أول خوارزمية انحدار كمي هجينة قابلة للتفسير تقوم بربط المعلمات التباينية مباشرة بمعاملات الانحدار ذات القيم الحقيقية عبر بنية بيانات مشفرة، مما يضمن شفافية النموذج، ويقلل من تعقيد البوابات، ويحسن استخدام الموارد للأجهزة الكمية الضوضائية مع توفير حدود صارمة لتعقيد الخطأ والعينات.

المؤلفون الأصليون: C. -C. Joseph Wang, F. Perkkola, I. Salmenperä, A. Meijer-van de Griend, J. K. Nurminen

نُشر 2026-04-20

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: C. -C. Joseph Wang, F. Perkkola, I. Salmenperä, A. Meijer-van de Griend, J. K. Nurminen

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 تعليم روبوت كيفية التنبؤ بالمستقبل بناءً على بيانات ماضية. في عالم الحواسيب التقليدية، نفعل ذلك باستخدام الانحدار (Regression): وهو إيجاد صيغة (مثل خط مستقيم أو منحنى) تربط بين المدخلات (مثل مساحة المنزل) والمخرجات (مثل سعر المنزل).

لفترة طويلة، تم اقتراح استخدام الحواسيب الكمومية للقيام بذلك بشكل أسرع. لكن هناك عقبة: معظم الخوارزميات الكمومية الحالية تشبه "الصناديق السوداء". تضع البيانات في الداخل، وتقوم الآلة ببعض العمليات الرياضية السحرية، ثم تعطيك الإجابة. لكن لا أحد داخل الآلة يعرف لماذا أعطت هذه الإجابة. إذا سألت الحاسوب الكمومي: "لماذا اعتقدت أن هذا المنزل يساوي 500,000 دولار؟"، قد يجيب ببساطة: "لأن الرياضيات قالت ذلك". وهذا أمر خطير في مجالات مثل الرعاية الصحية أو التمويل، حيث تحتاج إلى الثقة في المنطق وراء القرار.

تقدم هذه الورقة البحثية خوارزمية انحدار كمومي قابلة للتفسير (Explainable Quantum Regression Algorithm). فكر في الأمر كبناء حاسوب كمومي لا يعطيك الإجابة فحسب، بل يسلمك أيضًا "الإيصال" الذي يوضح بالضبط كيف قام بحساب السعر.

إليك كيف يعمل الأمر، مقسماً بتبسيط عبر التشبيهات:

1. التعبئة بأسلوب "الترميز الأحادي" مقابل "التعبئة المدمجة" (تشفير البيانات)

للقيام بالعمليات الحسابية على حاسوب كمومي، يجب عليك أولاً وضع بياناتك (الأرقام) في الحالة الكمومية.

الطريقة القديمة (الترميز الأحادي - One-Hot): تخيل أن لديك مكتبة بها 1,000 كتاب. لكي تجد كتاباً معيناً، تخصص رفاً ضخماً وفريداً لهذا الكتاب وحده. إذا كان لديك 1,000 كتاب، فستحتاج إلى 1,000 رف. هذا أمر مسرف ويستهلك مساحة كبيرة (الكيوبتات - Qubits) في الحاسوب الكمومي.
الطريقة الجديدة (الترميز الثنائي المدمج - Compact Binary): بدلاً من تخصيص رف ضخم لكل كتاب، تستخدم نظام فهرسة للمكتبة. تستخدم بضعة بتات (مثل الرمز الثنائي) للإشارة إلى الكتاب. الأمر يشبه استخدام الرمز البريدي بدلاً من العنوان التفصيلي لكل منزل. هذا يوفر مساحات هائلة، وهو أمر بالغ الأهمية لأن الحواسيب الكمومية الحالية صغيرة ومليئة بالضجيج.

2. آلية "المقابض" (معاملات الانحدار)

في الانحدار العادي، لديك "أوزان" (أرقام) تخبرك بمدى أهمية كل ميزة.

المشكلة: في العديد من الخوارزميات الكمومية، تكون هذه الأوزان مخفية داخل رياضيات معقدة ومتشابكة.
الحل: صمم المؤلفون دائرة كمومية خاصة حيث تكون "الأوزان" حرفياً هي المقابض (الزوايا) الموجودة على الآلة.
- تخيل صفاً من مقابض التحكم. تدوير المقبض قليًلاً يغير التنبؤ.
- في هذه الخوارزمية الجديدة، وضعية المقبض هي الوزن. إذا تم تدوير المقبض إلى 30 درجة، فإن هذا الرقم هو مدى أهمية تلك الميزة.
- هذا يجعل النموذج شفافاً. يمكنك النظر إلى الآلة، ورؤية المقابض، والقول: "آه، مقبض 'المساحة المربعة' مدور بشكل عالٍ، لذا فإن السعر مرتفع لهذا السبب".

3. "قياس الظل" (قراءة النتيجة)

كيف تحصل على الإجابة؟

تستخدم الخوارزمية "كيوبت مساعد" (مساعد) يعمل مثل لاعب خيال الظل.
يقوم الحاسوب الكمومي بـ "رقصة" حيث تتفاعل البيانات مع "المقابض".
في النهاية، يتم قياس الكيوبت المساعد. نتيجة هذا القياس تخبرك بـ "الخطأ" (مدى سوء التنبؤ).
يقوم الحاسوب بعد ذلك باستخدام مُحسّن كلاسيكي (خوارزمية بحث ذكية) لتدوير المقابض حتى يصبح الخطأ أصغر ما يمكن. ولأن المقابض هي الأوزان مباشرة، فإن الوضعية النهائية للمقابض تعطيك صيغة الانحدار المثالية.

4. التعامل مع "الضجيج" (مشكلة العالم الحقيقي)

الحواسيب الكمومية الحقيقية مليئة بالضجيج؛ فهي ترتكب أخطاء (مثل راديو به تشويش).

الاستراتيجية: بدلاً من محاولة تشغيل مجموعة البيانات الضخمة بالكامل على آلة واحدة مليئة بالضجيج (والذي سيؤدي للفشل)، يستخدم المؤلفون تقنية تسمى أخذ عينات البوتستراب (Bootstrap Sampling).
التشبيه: تخيل أنك تحاول تخمين متوسط طول الأشخاص في مدينة ما، لكن مسطرتك مكسورة ومهتزة. بدلاً من قياس الجميع مرة واحدة، تقيس مجموعات صغيرة من الناس 1,000 مرة. في كل مرة، تحصل على إجابة مختلفة قليلاً. ثم تقوم بمتوسط كل تلك الإجابات.
على الرغم من أن كل قياس صغير مليء بالضجيج، إلا أن متوسط 1,000 قياس مليء بالضجيج يعطيك نتيجة دقيقة للغاية. تُظهر هذه الورقة أن هذا يعمل بشكل مثالي لخوارزميتهم الكمومية.

5. لماذا يهم هذا؟

الثقة: بما أن "المقابض" هي الأوزان الفعلية، يمكن للأطباء والمصرفيين والعلماء الوثوق بالنموذج. يمكنهم رؤية بالضبط أي العوامل دفعت القرار.
الكفاءة: من خلال استخدام طريقة "التعبئة المدمجة"، يمكنهم وضع المزيد من البيانات على حواسيب كمومية أصغر وأكثر ضجيجاً متاحة اليوم (عصر NISQ).
سحر العلاقات غير الخطية: على الرغم من أن الرياضيات خطية، إلا أنه يمكنهم التعامل مع العلاقات المعقدة والمنحنية (مثل التنبؤ بموجة جيبية) من خلال إجراء القليل من "المعالجة المسبقة" للبيانات قبل دخولها إلى الآلة الكمومية. الأمر يشبه تقطيع الخضروات مسبقاً قبل وضعها في القدر؛ حيث تصبح عملية الطبخ (الجزء الكمومي) أسرع بكثير.

الخلا الخلاصة

هذه الورقة البحثية تشبه بناء آلة حاسبة كمومية شفافة وذاتية الشرح. إنها تأخذ واقع الحوسبة الكمومية المليء بالضجيج وتُحوله إلى أداة لا تعطيك رقماً فحسب، بل تشرح لك لماذا هذا الرقم صحيح، باستخدام نظام ذكي من "المقابض" و"الظلال" الذي يتناسب مع الرقائق الكمومية الصغيرة الحالية. إنها خطوة كبيرة نحو جعل التعلم الآلي الكمومي مفيداً لاتخاذ القرارات الواقعية عالية المخاطر.

إليك ملخص تقني مفصل لورقة البحث بعنوان "خوارزمية انحدار كمي قابلة للتفسير مع بنية بيانات مشفرة" للباحث س.-س. جوزيف وانغ وآخرون.

1. بيان المشكلة

تتناول الورقة بحثية مشكلتين حرجتين في تعلم الآلة الكمي (QML) الحالي، وتحديداً ضمن عصر الأجهزة الكمية ذات الحجم المتوسط والضجيج (NISQ):

الافتقار إلى القابلية للتفسير: تعتمد معظم الخوارزميات الهجينة المتغيرة (VQAs) على نماذج (ansatzes) عشوائية أو تكيفية تعمل كـ "صناديق سوداء". لا ترتبط المعلمات المتغيرة مباشرة بكميات فيزيائية أو إحصائية ذات معنى، مما يجعل من المستحيل تفسير عملية اتخاذ القرار في النموذج. وهذا يشكل عائقاً أمام النشر في المجالات عالية المخاطر مثل الرعاية الصحية والتمويل.
ضجيج الأجهزة وقابلية التوسع: تفترض مقترحات الانحدار الكمي الحالية غالباً أجهزة مقاومة للأخطاء (fault-tolerant) أو تعتمد على طرق قلب المصفوفات التي لا يمكن تنفيذها على الأجهزة الحالية التي تعاني من الضجيج. علاوة على ذلك، تتطلب مخططات تشفير البيانات القياسية موارد كيوبرت (qubit) مفرطة، مما يؤدي لتفاقم مشا_ل الضجيج.

يهدف المؤلفون إلى تطوير خوارزمية انحدار كمي تكون:

قابلة للتفسير بالكامل: يجب أن ترتبط المعلمات المتغيرة مباشرة بمعاملات الانحدار.
فعالة من حيث الأجهزة: قادرة على العمل على أجهزة ضوضائية مع تقليل عمق الدائرة وعدد الكيوبرتات.
دقيقة: تجنب أخطاء التقريب الشائعة في عمليات "تروتيرية" (Trotterization) أو النماذج العامة.

2. المنهجية

أ. الخوارزمية الأساسية: الانحدار الكمي المتغير القابل للتفسير

يقترح المؤلفون خوارزمية هجينة (كمية-كلاسيكية) حيث تم تصميم هيكل الدائرة الكمية صراحةً ليعكس الصيغة الرياضية للانحدار الخطي.

تشفير البيانات: يتم تشفير البيانات الكلاسيكية $(X, Y)$ في سعات الحالة الكمية $|\psi_D\rangle$ . يتم توحيد البيانات (المتوسط صفر، والتباين واحد) وتطبيعها عالمياً.
ربط المعلمات (الابتكار الرئيسي):
- بدلاً من استخدام بوابات دوران عامة، تستخدم الخوارزمية بوابات طور متحكم بها (controlled phase gates) تعمل على كيوبرت مساعد وسجلات البيانات.
- تطبق الدائرة طورًا $\phi_m$ على العمود الميزي رقم $m$ .
- من خلال تسلسل محدد (تحضير الكيوبرت المساعد $\leftarrow$ الطور المتحكم به $\leftarrow$ بوابة هادامارد $\leftarrow$ الإسقاط على $|0\rangle$ )، تقوم الخوارزمية بتحويل علاقة الطور بحيث يكون السعة الناتجة متناسبة مع $\cos(\phi_m)$ .
- القابلية للتفسير: يتم اشتقاق معامل الانحدار $W_m$ مباشرة من المعلمة المتغيرة $\phi_m$ عبر العلاقة:
  $W_m \propto -\frac{\cos(\phi_m)}{\cos(\phi_0)}$
  حيث يتوافق $\phi_0$ مع متغير الاستجابة. يضمن هذا أن المعلمات المتغيرة هي أرقام حقيقية يمكن تفسيرها مباشرة كأوزان.
دالة التكلفة: دالة التكلفة هي متوسط مربع الخطأ (MSE). تقيس الدائرة الكمية مؤثرًا $\hat{M}$ يكون القيمة المتوقعة له $\langle \hat{M} \rangle$ مكافئة رياضياً لـ MSE لنموذج الانحدار.
التحسين: يستخدم المؤلفون خوارزمية نيلدر-ميد (Nelder-Mead) وهي خوارزمية خالية من التدرج لإيجال المعلمات المثلى. هذا يتجنب مشكلة "الهضاب القاحلة" (barren plateaus) المرتبطة غالباً بالطرق القائمة على التدرج في البيئات الضوضائية، ويسمح بالبحث العالمي دون معرفة مسبقة بتضاريس التكلفة.

ب. مخططات تشفير البيانات

لمعالجة قيود الموارد، تفصل الورقة استراتيجيتين للتشفير:

التشفيد بنظام الرمز الواحد (One-Hot Encoding):
- يربط كل مدخل بيانات $(l, m)$ بحالة أساس فريدة $|1_j\rangle$ .
- المزايا: تنفيذ بسيط للدائرة؛ مناسب لإثبات المفهوم.
- العيوب: يتطلب $O(L \times M)$ من الكيوبرتات الفيزيائية، وهو أمر غير مجدٍ لمجموعات البيانات الكبيرة على أجهزة NISQ.
- القياس: يتطلب قياس مجموع معقد من المؤثرات ( $X_j X_k + Y_j Y_k$ )، والذي يمكن التخفيف من حدته باستخدام "توموجرافيا الظل" (shadow tomography).
التشفير الثنائي المضغوط (Compact Binary Encoding):
- يشفر مؤشرات الصفوف $l$ ومؤشرات الأعمدة $m$ بنظام ثنائي، مما يتطلب فقط $O(\log(LM))$ من الكيوبرتات لسجل المعالجة.
- تحضير البيانات: يستخدم سجل ذاكرة كمي لتخزين قيم البيانات الرقمية. تقوم عملية وحدوية (unitary operation) بنقل هذه القيم إلى طور كيوبرت مساعد مشروط على الفهرس في سجل QPU.
- تعقيد البوابة: يستخدم بوابات مولمر-سورينسن (MS) (الأصلية في منصات الأيونات الباردة/ريدبرج) لتنفيذ دورات متعددة الكيوبرت بكفاءة، مما يقلل تعقيد البوابة مقارنة بالبوابات الرقمية المحلية.
- القياس: يتبسط قياس دالة التكلفة بشكل كبير إلى مجموع مؤثرات Pauli-X على سجل الأعمدة، مما يجعله فعالاً للغاية.

ج. استراتيجية التدريب: التعلم الجماعي (Ensemble Learning)

للتعامل مع الأجهزة الضوضائية ومجموعات البيانات الكبيرة، يقترح المؤلفون استراتيجية تجميع العينات (bagging):

يتم تقسيم مجموعة البيانات الرئيسية إلى عينات بوتستراب أصغر.
تقوم الخوارضة الكمية بتدريب نموذج انحدار على كل دفعة صغيرة.
تكون الأوزان النهائية هي متوسط المجموعة لنتائج الدفعات.
يحدد هذا النهج عدم اليقين (الأخطاء المعيارية) ويخفف من تأثير ضجيج الأجهزة وفرط التخصيص (overfitting).

3. المساهمات الرئيسية

أول خوارزمية انحدار كمي قابلة للتفسير: صاغت الورقة أول VQA حيث ترتبط المعلمات المتغيرة تماماً بمعاملات الانحدار، مما يوفر تفسيراً واضحاً "كالصندوق الأبيض" للنموذج الكمي.
الربط الدقيق بدون تقريب: على عكس العديد من خوارزميات VQA التي تستخدم نماذج تقريبية، تستخدم هذه الخوارزمية بوابات الطور المتحكم بها لإنشاء ربط رياضي دقيق بين تطور الحالة الكمية ومعادلة الانحدار الخطي.
ضغط الموارد: يقلل اقتراح التشفير الثنائي المضغوط من متطلبات الكيوبرت من خطي $O(LM)$ إلى لوغاريتمي $O(\log(LM))$ ، مما يجعل الخوارزمية قابلة للتطبيق على مجموعات بيانات أكبر على الأجهزة المتاحة حالياً.
تخفيف الضجيج عبر التعلم الجماعي: يوضح الجمع بين أخذ عينات البوتستراب والتدريب الكمي كيفية التعامل بفعالية مع ضجيج الأجهزة وتوفيد فترات الثقة الإحصائية للأوزان المتعلمة.
التمديد غير الخطي: توضح كيفية تمديد الخوارزمية الخطية إلى انحدار غير خطي عن طريق معالجة البيانات الكلاسيكية مسبقاً لإنشاء ميزات حدودية (مثل $x, x^2, x^3$ ) قبل التشفير، مما يتجنب الحاجة إلى دوائر كمية عميقة.

4. النتائج العددية

تحقق المؤلفون من صحة الخوارزمية باستخدام محاكاة كلاسيكية لأجهزة كمية ضوضائية:

الدقة: نجحت الخوارزمية في استعادة الأوزان الحقيقية لبيانات خطية اصطناعية بدقة عالية.
المتانة تجاه الضجيج:
- في وجود ضجيج غاوسي ( $\delta=0.1$ )، أنتجت طريقة التجميع تقديرات للأوزان قريبة من القيم النظرية.
- تحليل حجم العينة: لوحظ الأداء الأمثل مع أحجام دفعات حول 150. عانت الدفعات الأصغر من تباين عالٍ، بينما أظهرت الدفعات الأكبر (>150) علامات على نقص الملاءمة (underfitting) بسبب تكرار البيانات في عينات البوتستراب.
اختيار الميزات: سمح دمج تنظيم L1 (LASSO) و L2 (Ridge) في دالة التكلفة للخوارزمية بتحديد الميزات غير ذات الصلة وتصفيرها بشكل صحيح، مما أظهر فائدتها في اختيار المتغيرات.
القدرة غير الخطية: نجحت الخوارزمية في نمذجة $Y = \sin(x)$ عن طريق معالجة المدخلات في أساس حدودي، والتقارب نحو معاملات متسلسلة تايلور الصحيحة.

5. الأهمية والخاتية

تمثل هذه العمل خطوة مهمة نحو تعلم آلة كمي عملي وموثوق. من خلال حل مشكلة القابلية للتفسير، يسد المؤلفون الفجوة بين التفوق الكمي النظري والتطبيقات في العالم الحقيقي.

الصلة بالأجهزة: تم تصميم الخوارزمية خصيصاً لأجهزة NISQ، حيث تستفيد من بوابات الطور المتحكم بها والتشفير المضغوط لتقليل عمق الدائرة وعدد الكيوبرتات.
القابلية للتوسع: يوفر الجمع بين التشفير الثنائي والتدريب الجماعي مساراً لتوسيع نطاق الانحدار الكمي ليشمل مجموعات بيانات أكبر دون الحاجة إلى مقاومة كاملة للأخطاء.
النظرة المستقبلية: يشير المؤلفون إلى أنه باستخدام الحوسبة الرقمية-التناظرية (باستخدام بوابات MS) وتقنيات تحضير الحالة المحسنة، يمكن تنفيذ هذه الخوارزمية على منصات الأيونات الباردة والذرات المحايدة الحالية لحل مشكلات الانحدار المعقدة مع قابلية تفسير عالية.

باختصار، توفر الورقة مخططاً كاملاً — من الصياغة النظرية ومخططات التشفير إلى استراتيجيات التحسين وتخفيف الضجيج — لخوارزمية انحدار كمي ليست فعالة حسابياً فحسب، بل هي أيضاً شفافة وقابلة للتفسير.