⚛️ quantum physics

On the importance of hyperparameters in initializing parameterized quantum circuits

تقدم هذه الورقة خوارزمية بحث تطوري تعمل على تحسين المعلمات الفائقة لتوزيعات المعلمات للدوائر الكمومية ذات المعلمات (PQCs)، مما يؤدي إلى الحصول على معلمات أولية مخصصة للمهام تسرع التقارب وتحسن الأداء دون تفاقم ظاهرة الهضبة القاحلة.

المؤلفون الأصليون: Ankit Kulshrestha, Sarvagya Upadhyay

نُشر 2026-04-24

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Ankit Kulshrestha, Sarvagya Upadhyay

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 خبز كعكة شوكولاتة مثالية. لديك وصفة رائعة (الدائرة الكمومية)، لكن الكعكة لن يكون طعمها جيداً إلا إذا ضبطت المكونات بدقة.

في عالم الحوسبة الكمومية، هذه "المكونات" هي الأرقام الأولية (المعلمات) التي يتم تغذيتها في الدائرة. لفترة طويلة، اعتقد العلماء: "لنقم فقط برمي حفنة عشوائية من الدقيق والسكر ونأمل في الحصول على أفضل نتيجة". هذا يشوب اختيار توزيع عشوائي من الأرقام لبدء العملية.

هذه الورقة البحثية، التي كتبها باحثون من شركة فوجيتسو (Fujitsu)، تطرح سؤالاً بسيطاً ولكنه قوي للغاية: "ماذا لو لم نكتفِ بمجرد التخمين للحصول على المكونات؟ ماذا لو وجدنا الوصفة المثالية للأرقام الأولية حتى قبل أن نبدأ الخبز؟"

إليك تفصيل اكتشافهم، باستخدام تشبيهات من الحياة اليومية:

1. المشكلة: "الصحراء المسطحة" (الهضاب القاحلة - Barren Plateaus)

تخيل أنك تتنزه في صحراء شاسعة ومسطحة. تريد العثور على أعلى قمة (أفضل حل)، لكن الأرض مسطحة للغاية لدرجة أنك لا تستطيع معرفة أي اتجاه هو الأعلى. مهما كان الاتجاه الذي تسلكه، يبدو الأمر نفسه. في الحوسبة الكمومية، يُطلق على هذا اسم "الهضبة القاحلة" (Barren Plateau).

إذا بدأت دائرتك الكمومية بأرقام عشوائية، فغالباً ما ينتهي بك الأمر في هذه الصحراء المسطحة. يصاب الكمبيوتر بالارتباك، وتختفي "الميل" (الإشارة التي تخبره بالاتجاه الذي يجب أن يسلكه)، ويتوقف التعلم.

2. الطريقة القديمة مقابل الطريقة الجديدة

الطريقة القديمة: حاول العلماء العثور على "توزيع سحري" (مثل نوع معين من الدقيق) قد يتجنب الصحراء المسطحة. كانوا يختارون شكلاً قياسياً (مثل منحنى الجرس) ويأملون أن ينجح الأمر.
الطريقة الجديدة (هذه الورقة): أدرك المؤلفون أنه حتى لو اخترت النوع الصحيح من الدقيق (على سبيل المثال، توزيع غاوسي أو بيتا)، فإن الإعدادات المحددة (المعلمات الفائقة) تهم بشكل هائل.
- التشبيه: الأمر لا يتعلق فقط باستخدام "الدقيق". بل يتعلق بما إذا كان الدقيق رطباً قليلاً، أو جافاً قليلاً، أو بدرجة الحرارة المناسبة تماماً. تغيير طفيف في هذه الإعدادات يغير النتيجة بأكملها.

3. الحل: "الطاهي التطوري"

بنى المؤلفون خوارزمية ذكية يسمونها البحث التطوري (Evolutionary Search). فكر في هذا كطاهٍ فائق السرعة ولا يكل، يقوم بإجراء آلاف التجارب بالتوازي.

إليك كيف يعمل:

التخمين: يبدأ الطاهي بتخمين إعدادات المكونات (على سبيل المثال: "لنحاول استخدام توزيع بيتا بهذه الأرقام المحددة").
اختبار المذاق: يقوم الطاهي بتشغيل الدائرة الكمومية بهذه الإعدادات ويتحقق من "النتيجة".
- النتيجة: بدلاً من الانتظار لرؤية ما إذا كانت الكعكة النهائية جيدة (وهو أمر يستغرق وقتاً طويلاً جداً)، يقومون بفحص إمكانات العجين. يستخدمون أداة تسمى مصفوفة معلومات فيشر الكمومية (QFIM).
- التشبيه: الـ QFIM هي بمثابة "مقياس حساسية". يخبر الطاهي: "إذا قمت بتعديل هذا المكون قليلاً، هل ستنتفخ الكعكة؟ أم ستظل مسطحة؟" إذا قال المقياس "حساسية عالية"، يعرف الطاهي أن هذه نقطة بداية جيدة.
التطور: يأخذ الطاهي أفضل التخمينات، ويمزجها مع بعضها البعض قليلاً (مثل تهجين أفضل النباتات)، ثم يحاول مرة أخرى.
النتيجة: بعد جولات عديدة، يجد الطاهي إعدادات البداية المثالية المصممة خصيصاً لتلك الوصفة المحددة ولذلك الفرن المحدد.

4. النتائج: أسرع وأفضل

اختبر الباحثون هذا على مهمتين رئيسيتين:

VQE (إيجاد طاقة الجزيء): مثل محاولة العثور على أدنى نقطة في وادٍ.
QML (تصنيف البيانات): مثل تعليم الكمبيوتر التمييز بين القطة والكلب.

ماذا حدث؟

تقارب أسرع: الدوائر التي استخدمت إعدادات "الطاهي التطوري" وصلت إلى الحل بشكل أسرع بكثير من تلك التي استخدمت تخمينات عشوائية. كان الأمر كما لو أن الطاهي عرف بالضبط مقدار الحرارة التي يجب تطبيقها فوراً، بدلاً من التخبط حول الأمر.
دقة أفضل: كانت النتائج النهائية أكثر دقة.
لا توجد مشكلات جديدة: والأهم من ذلك، تحققوا مما إذا كانت هذه الطريقة الجديدة قد خلقت عن طريق الخطأ المزيد من "الصحاري المسطحة" (الهضاب القاحلة). لم يحدث ذلك. لقد وجدت "النقطة المثالية" التي تجعل الدائرة تعمل بشكل أفضل دون كسر قوانين الفيزياء.

5. لماذا يهم هذا؟

لفترة طويلة، اعتقد الناس أن "نقطة البداية" للدائرة الكمومية ليست سوى تفصيل ثانوي. تثبت هذه الورقة أن نقطة البداية هي في الواقع خيار تصميم حاسم.

من خلال استخدام هذا البحث التطوري، لسنا بحاجة لانتظار وصول الحواسيب الكمومية إلى مرحلة الكمال. يمكننا جعل الحواسيب التي نمتلكها الآن تعمل بشكل أفضل بكثير ببساطة عن طريق ضبط مقابض البداية بشكل صحيح.

باختالاختصار:
تقول الورقة: "توقفوا عن التخمين بشأن الأرقام الأولية لحاسوبكم الكمومي. استخدموا خوارزمية بحث موازية ذكية لإيجاد الأرقام الأولية الدقيقة التي تجعل مهمتكم المحددة تعمل بشكل أسرع وأكثر دقة، دون التعثر في صحراء مسطحة".

إليك ملخص تقني مفصل للورقة البحثية بعنوان "حول أهمية المعلمات الفائقة في تهيئة الدوائر الكمومية ذات المعلمات" (On the importance of hyperparameters in initializing parameterized quantum circuits) للباحثين أنكيت كولشريستا وكارفاغيا أوبادييا.

1. بيان المشكلة

تعد الدوائر الكمومية ذات المعلمات (PQCs) ركيزة أساسية في الخوارزميات الكمومية المتغيرة (VQAs) المستخدمة على أجهزة العصر الكمومي متوسط الحجم ذي الضجيج (NISQ). وبينما ركزت الأبحاث الكبيرة على تصميم بنيات الدوائر (ansatz) واختيار توزيعات التهيئة (مثل توزيع Haar العشوائي، أو التوزيع الموحد)، لا تزال هناك فجوة حرجة: تحسين المعلمات الفائقة (hyperparameters) (مثل $\alpha, \beta$ لتوزيعات بيتا؛ $\mu, \sigma$ للتوزيعات الغاوسية) لتلك التوزيعات.

حدد المؤلفون ما يلي:

تؤدي الاضطرابات الصغيرة في المعلمات الفائقة للتهيئة إلى تغييرات جذرية في توزيع حجم التدرج (gradient magnitude) عبر طبقات الدائرة.
تركز الأدبيات الحالية على إيجاد نوع التوزيع الصحيح، لكنها نادراً ما تعالج إيجاد المعلمات الفائقة المثلى لتوزيع معين، وبنية معينة، ومهمة كمومية محددة.
غالباً ما تكون طرق تحسين المعلمات الفائقة الكلاسيكية التقليدية (مثل التحسين البايزي، أو البحث الشبكي) مكلفة حاسوبياً للمهام الكمومية بسبب التكلفة العالية لتقييمات الدوال الكمومية (استدعاءات QPU) وعدم القدرة على التوازي في بعض الخوارزميات.
هناك مخاوف من أن يؤدي تحسين التهيئة دون قصد إلى تفاقم ظاهرة الهضاب القاحلة (Barren Plateau) (تلاشي التدرجات بشكل أسي).

2. المنهجية

يقترح المؤلفون خوارزمية تعتمد على البحث التطوري (ES) لتقدير المعلمات الفائقة المثلى لـ PQC ومهمة معينة.

أ. دالات النتيجة (Score Functions)

بما أنه لا يمكن تحسين المعلمات الفائقة مباشرة عبر دالة تكلفة (لأنها تحدد التوزيع، وليس مخرجات الدائرة مباشرة)، فقد قدم المؤلفون "دالات نتيجة" لتقييم فائدة مجموعة من المعلمات الفائقة. وهم يقترحون ثلاث استراتيجيات تمييز مختلفة:

$S_1$ (القائمة على QFIM): تستخدم أثر مصفوفة معلومات فيشر الكمومية (QFIM). تقيس QFIM حساسية الحالة الكمومية لتغيرات المعلمات، بشكل مستقل عن المراقب (observable) المحدد.
- $S_1(\theta) = \Omega(F_{\mu\nu}(\theta))$ ، حيث $\Omega$ هو مؤثر الأثر عادةً.
$S_2$ (القائمة على المهمة): تستخدم الإحصائية من الرتبة- $t$ $t$ لتدرج دالة التكلفة الخاصة بالمهمة ( $C(\theta)$ $C (θ)$ ).
- $S_2(\theta) = M_t(\nabla C(\theta))$ .
$S_3$ (الهجينة): مزيج خطي من نتيجة QFIM ونتيجة تدرج المهمة.
- $S_3(\theta) = (1-w)\cdot\Omega(F_{\mu\nu}(\theta)) + w \cdot M_t(\nabla C(\theta))$ .

ملاحظة: لضمان الاستقرار، تتضمن عملية حساب QFIM حداً لتنظيم (regularization term) وهو ( $\epsilon I$ ) وتستخدم تقريبات قطرية كتلية أو QFIM تجريبية ( $\nabla C \otimes \nabla C$ ) لمساحات المعلمات الكبيرة.

ب. خوارزمية البحث التطوري (ES)

تعمل الخوارزمية المقترحة (الخوارزمية 1) كما يلي:

التهيئة: البدء بتخمين أولي للمعلمات الفائقة $\lambda_0$ .
التدحرج/الاضطراب (Rollout): توليد مجتمع من المعلمات الفائقة المضطربة عن طريق إضافة ضوضاء مستمدة من التوزيع الطبيعي $N(0, 1)$ إلى $\lambda$ الحالي.
أخذ العينات: سحب عينات من المعلمات $\theta$ من التوزيع المحدد بواسطة المعلمات الفائقة المضطربة.
التقييم (Scoring): تقييم دالة النتيجة المختارة $S(\theta)$ للمعلمات التي تم أخذ عينات منها.
تقدير التدرج: حساب تدرج المعلمات الفائقة باستخدام الارتباط بين الاضطرابات والنتائج.
- لتقليل التباين، يستخدم المؤلفون أخذ العينات المتضادة (antithetic sampling) (باستخدام كل من $+\epsilon$ و $-\epsilon$ ).
- كما يستخدمون دالة منفعة قائمة على الرتبة (rank-based utility function) لتعيين النتائج بناءً على الترتيب النسبي للمجتمع، مما يساعد على التقارب.
التحديث: إجراء خطوة صعود تدرجي لتحديث $\lambda$ .
التوازي: الخوارزمية قابلة للتوازي بشكل "سهل للغاية" (embarrassingly parallel)، مما يسمح بتوزيع تقييمات المجتمع عبر عدة نوى CPU، مما يقلل وقت التنفيذ الفعلي مقارمًا بالطرق التسلسلية مثل التحسين البايزي.

3. المساهمات الرئيسية

تحديد انحياز استقرائي جديد: تثبت الورقة أن اختيار المعلمات الفائقة لتوزيعات التهيئة هو انحياز استقرائي حاسم وغالباً ما يتم تجاهله، ويؤثر بشكل كبير على أداء PQC.
خوارزمية البحث التطوري (ES): خوارزمية مبتكرة وفعالة من حيث الموارد مصممة خصيصاً للمجال الكمومي، تتجنب التكاليف العالية للتحسين البايزي الكلاسيكي بينما تستفيد من الحوسبة المتوازية.
إطار دالات النتيجة: تقديم ومقارنة ثلاث دالات نتيجة (القائمة على QFIM، والقائمة على المهمة، والهجينة) لتوجيه البحث عن المعلمات الفائقة المثلى.
تحليل الهضاب القاحلة: تحقيق دقيق فيما إذا كان تحسين المعلمات الفائقة للتهيئة يؤدي إلى تفاقم ظاهرة الهضاب القاحلة.

4. النتائج التجريبية

قيم المؤلفون طريقتهم في مهمتين كموميتين رئيسيتين: المحلل الكمومي المتغير (VQE) لجزيء $H_2$ و التعلم الآلي الكمومي (QML) للتصنيف (مجموعات بيانات Wine، وBreast Cancer، وDigits).

أ. نتائج VQE (جزيء $H_2$ )

سرعة التقارب: وجدت خوارزمية ES باستمرار معلمات فائقة أدت إلى تقارب أسرع مقارنة بالنماذج المرجعية المختارة يدوياً (مثل $\alpha=0.1, \beta=1.5$ لتوزيع بيتا؛ $\mu=0, \sigma=1$ لتوزيع غاوس).
الأداء: بالنسبة لأطوال الروابط الأكبر ( $b=1.1$ )، تفوقت الخوارزمية على الاختيار اليدوي بشكل كبير، محققة طاقة الحالة الأرضية بشكل أسرع.

ب. نتائج QML (التصنيف)

الدقة: حسنت الخوارزمية دقة مجموعة الاختبار عبر جميع مجموعات البيانات.
- توزيع بيتا: متوسط زيادة في الأداء بنسبة 9.3%.
- التوزيع الغاوسي: متوسط زيادة في الأداء بنسبة 12.6%.
ديناميكيات التقارب: تقاربت الطرق القائمة على النتيجة بشكل أسرع بكثير من الاختيار اليدوي، خاصة بالنسبة لمجموعات البيانات المتوسطة إلى الكبيرة.
فعالية دالة النتيجة:
- بالنسبة لـ توزيعات بيتا (المعلمات غير المحدودة)، كانت دالة النتيجة القائمة على QFIM الصرفة ( $S_1$ ) هي الأكثر فعالية.
- بالنسبة لـ التوزيعات الغاوسية (المعلمات المحدودة)، حققت الدالة الهجينة ( $S_3$ ) أفضل النتائج.

ج. تحليل الهضاب القاحلة

حلل المؤلفون تباين تدرج (gradient variance) مع تغير عدد الكيوبتات (من 2 إلى 10) في بنية 2-design.
النتيجة الرئيسية: المعلمات الفائقة المحسنة لم تؤدِ إلى تفاقم مقياس تباين التدرج. ظل سلوك المقياس متسقاً مع التوقعات النظرية للتوزيع المعطى.
الاستنتاج: من الممكن ضبط المعلمات الفائقة للتهيئة لتحسين أداء المهمة دون دفع الدائرة إلى نظام الهضاب القاحلة.

5. الأهمية والاستنتاج

تعالج هذه الورقة جانباً دقيقاً وحيوياً في تصميم VQA: وهو "ضبط" توزيع التهيئة. ومن خلال إثبات أن تحسين المعلمات الفائقة يؤدي إلى تقارب أسرع ودقة أعلى دون التسبب في هضاب قاحلة، يقدم المؤلفون مساراً عملياً لتحسين خوارزميات عصر NISK.

تقدم طريقة البحث التطوري المقترحة بديلاً فعالاً من الناحية الحسابية لتقنيات التحسين الكلاسيكية، وهي مصممة خصيصاً للتعامل مع التكلفة العالية للتقييمات الكمومية من خلال التوازي. يشير العمل إلى أن الأبحك المستقبلية يجب أن تركز على اشتقاق أطر نظرية تربط المعلمات الفائقة للتهيئة بقابلية تدريب البنية (ansatz) والمتانة ضد الهضاب القاحلة، وربما استخدام QFIM كمقياس تصميم أساسي.