⚛️ quantum physics

Multi-Objective Optimization by Quantum-Annealing-Inspired Algorithms

تُثبت هذه الورقة أن الخوارزميات المستوحاة من التلدين الكمي والقائمة على وحدات معالجة الرسومات (QAIAs) تتفوق على كل من الاستدلالات الكلاسيكية الحديثة والمعالجات الكمية التي تمت دراستها سابقاً في حل مشكلات "القطع الأقصى" (MaxCut) متعددة الأهداف، وذلك من خلال تحقيق أوقات تشغيل نهائية أسرع بشكل ملحوظ عند احتساب كامل أعباء المعالجة الإضافية.

المؤلفون الأصليون: Xian-Zhe Tao, Pavel Mosharev, Man-Hong Yung

نُشر 2026-04-30

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Xian-Zhe Tao, Pavel Mosharev, Man-Hong Yung

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 تنظيم حفلة ضخمة وفوضوية. لديك ثلاثة أهداف مختلفة تتعارض غالباً: تريد أن تكون الموسيقى صاخبة، وأن يكون الطعام رخيصاً، وأن يكون الضيوف سعداء. لا يمكنك تحقيق أقصى قدر من الثلاثة معاً؛ فإذا أنفقت المزيد على الطعام، فقد تصبح الموسيقى أخفض صوتاً. هدفك ليس العثين على خطة حفلة واحدة "مثالية"، بل العثور على قائمة بأفضل المقايضات الممكنة (جبهة باريتو - Pareto front) حيث لا يمكنك تحسين شيء واحد دون الإضرار بشيء آخر.

هذا هو جوهر التحسين متعدد الأهداف (Multi-Objective Optimization): إيجاد التوازن الأفضل بين الأهداف المتضاربة.

هذه الورقة البحثية تتحدث عن طريقة جديدة وسريعة جداً لإيجاد تلك المقايضات باستخدام برنامج حاسوبي "مستوحى من الكم" يعمل على بطاقة رسوميات (GPU) قياسية. إليك التفاصيل بكلمات بسيطة:

المشكلة: معضلة "منظم الحفلات"

في الماضي، حاول الباحثون حل هذه المشكلات باستخدام أداتين رئيسيتين:

الحواسيب الكمومية الحقيقية: وهي تشبه الصناديق السوداء السحرية والغامضة التي يمكنها استكشاف احتمالات كثيرة في وقت واحد. أظهرت الدراسات الحديثة أنها كانت جيدة في إيجاد خطط الحفلات، لكنها كانت بطيئة في الإعداد وتطلبت الكثير من العمل الإضافي لتنقية النتائج.
الحواسيب الكلاسيكية: وهي الحواسበات القياسية التي نستخدمها كل يوم. هي موثوقة ولكنها أحياناً تكون بطيئة في إيجاد أفضل المقايضات.

لاحظ مؤلفو هذه الورقة أن الدراسات السابقة التي قارنت بين هاتين الأداتين لم تكن عادلة. فقد حسبت فقط الوقت الذي يستغرقه "الصندوق السحري" لإخراج قائمة أولية من الأفكار، متجاهلة الوقت المستغرق لبناء المشكلة، وتشغيل الآلة، وتنقية القائمة للعثور على الفائزين الفعليين.

الحل: "المسرع" المستوحى من الكم

بنى المؤلفون خوارزمية جديدة تسمى QAIA (خوارزمية مستوحاة من التلدين الكمومي). فكر في هذا ليس كحاسوب كمومي حقيقي، بل كمحاكاة ذكية جداً له يعمل على بطاقة رسوميات (GPU) قوية داخل حاسوب عادي.

ولجعل هذه المحاكاة أفضل في إيجاد خطط حفلات متنوعة، أضافوا شيئاً يسمى "الضجيج الغاوسي" (Gaussian Noise).

التشبيه: تخيل مجموعة من المتنزهين يحاولون العثور على أعلى القمم في سلسلة جبال ضبابية. الخوارزمية القياسية تشبه المتنزه الذي يعلق عند أول تلة يراها. طريقتهم تضيف "نسيماً" (الضجيذ) يدفع المتنزهين بلطف بعيداً عن أماكنهم المريحة، مما يجبرهم على استكشاف وديان وقمم مختلفة. هذا يضمن أن يجدوا مجموعة أوسع من أفضل المقايضات، وليس مجرد واحدة أو اثنتين.

السباق: من الأسرع؟

أجرى الفريق سباقاً بين طريقتهم الجديدة، والحواسيب الكمومية الحقيقية، وأفضل الطرق الكلاسيكية.

سرعة أخذ العينات (إيجاد المرشحين):
- النتيجة: كانت طريقتهم القائمة على الـ GPU أسرع بـ 100 مرة من الحواسيب الكمومية الحقيقية في توليد قوائم أولية من الحلول المحتملة.
- التشبيه: إذا كان الحاسوب الكمومي هو سيارة سباق تستغرق 10 ثوانٍ لتشغيل محركها وقطع لفة واحدة، فإن الطريقة الجديدة هي سيارة فورمولا 1 تعمل بالفعل وتكمل اللفة في جزء من الثانية.
الوقت من البداية إلى النهاية (المهمة الكاملة):
- يشمل هذا بناء المشكلة، وتشغيل المحاكاة، وتنقية النتائج.
- النتيجة: ظلت طريقتهم أسرع بـ 10 مرات من أفضل الخوارزميات الكلاسيكية، وأسرع بكثير من الحواسيب الكمومية عند حساب كل شيء.
- التشبيه: حتى بعد احتساب وقت تجهيز السيارة والقيادة إلى المضمار، أنهت طريقة الـ GPU الرحلة كاملة في وقت أقل بكثير من الآخرين.

الثمن: الجودة مقابل الكمية

بينما كانت الطريقة الجديدة سريعة للغاية في إنتاج الأرقام، تشير الورقة إلى مقايضة صغيرة:

الحواسيب الكمومية الحقيقية كانت "فعالة" للغاية من حيث أنها احتاجت إلى عدد أقل من التخمينات الإجمالية للعثور على القائمة المثالية من المقايضات.
الطريقة الجديدة احتاجت إلى تقديم عدد أكبر قلي من التخمينات (العينات) للعثور على نفس القائمة، ولكن لأنها كانت سريعة للغاية في تقديم هذه التخمينات، فقد فازت بالسباق الإجمالي في النهاية.

الخلاصة

تزعم الورقة أنه بالنسبة لنوع المشكلة المحدد الذي اختبروه (MaxCut مع أهداف متعددة)، فإن الحاسوب القياسي الذي يعمل بهذا الكود الجديد "المستوحى من الكم" هو الأداة الأفضل المتاحة حالياً. فهو يتفوق على الحواسيب الكمومية الحقيقية المكلفة والبطيئة، وكذلك على الطرق الكلاسيكية التقليدية في السرعة والأداء العام.

وقد خلصوا إلى أنه بينما تعد الحواسيب الكمومية الحقيقية واعدة، فإن هذا النهج "المستوحى من الكم" على الأجهزة العادية هو البطل الحالي لحل عمليات التوازن المعقدة هذه.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "التحسين متعدد الأهداف بواسطة الخوارزميات المستوحاة من التلدين الكمي" لتاو، موشريف، ويونج.

1. تعريف المشكلة

تتناول الورقة البحثية مشكلة التحسين متعدد الأهداف (MOO)، وتحديداً مشكلة الحد الأقصى للقطع متعدد الأهداف (MO-MaxCut).

السياق: على عكس التحسين أحادي الهدف، يسعى التحسين متعدد الأهداف إلى إيج်اد مجموعة من الحلول المثلى لباريتو (Pareto-optimal solutions) (جبهة باريتو)، حيث لا يمكن تحسين أي هدف دون تدهور هدف آخر.
التحدي: تركز الدراسات الحالية التي تقارن بين الحلول الكمية (QAOA القائم على البوابات والتلدين الكمي) والأساليب الاستدلالية الكلاسيكية على سرعة أخذ العينات (sampling speed) فقط، متجاهلة الأعباء الإضافية الكبيرة المتمثلة في بناء النموذج، وتجميع الدارات، وعملية تصفية باريتو (Pareto filtering) المكثفة حاسوبياً (المعالجة اللاحقة) المطلوبة لاستخراج المجموعة غير المسيطر عليها من العينات الخام.
الهدف: تقديم مقارنة شاملة من البداية إلى النهاية (end-to-end) بين الحلول الكمية والكلاسيكية، مع مراعاة إجمالي وقت التشغيل (النمذجة + أخذ العينات + التصفية)، وتقييم ما إذا كانت الأجهزة الكمية الحالية توفر ميزة عملية مقابل الخوارزميات الكلاسيكية "المستوحاة من الكم" المتطورة.

2. المنهجية

يقترح المؤلفون ويقيمون خوارزمية مستوحاة من التلدين الكمي (QAIA) مدعومة بوحدة معالجة الرسومات (GPU) بناءً على التشعب المحاكى (Simulated Bifurcation - SB).

أ. الصياغة الرياضية

الهاميلتوني (Hamiltonian): يتم إسقاط مشكلة MO-MaxCut على نموذج إيسينج (Ising model). ولـ $K$ من الأهداف، يقوم النظام بتقليل متجه من الهاميلتونيات $H(s) = (H_1, \dots, H_K)$ .
الجمع الموزون (Scalarization): لحل مشكلة تعدد الأهداف باستخدام حلول أحادية الهدف، يستخدم المؤلفون طريقة المجموع الموزون (Weighted Sum Method). يقومون بتوليد ناقلات الأوزان باستخدام تصميم شبكة-مخطط داس-دينيس (Das–Dennis simplex-lattice design) لإنشاء هاميلتونيات موزونة: $H_{total}(s; c) = \sum c_k H_k(s)$ .
تصفية باريتو (Pareto Filtering): تتم معالجة العينات الخام عبر خوارزمية الفرز غير المسيطر عليه (Non-dominated Sorting) كلاسيكية لتصفية الحلول المسيطر عليها وبناء تقريب جبهة باريتو النهائية.

ب. الخوارزمية المقترحة: التشعب المحاكى المحقون بالضجيج (NI-SB)

المحلل الأساسي هو نسخة من خوارزمية التشعب المحاكى (SB)، والتي تحاكي الديناميكيات الهاميلتونية للمذبذبات غير الخطية للعثور على حالات الطاقة المنخفضة.

الباليستي (bSB) مقابل المنفصل (dSB): يستخدم المؤلفون كلاً من النسخ المستمرة (الباليستية) والمنفصلة من SB.
حقن الضجيج الغاوسي (Gaussian Noise Injection): لمعالجة نقص التنوع في SB الحتمي (الذي غالباً ما يتقارب نحو نفس الحل)، يقدم المؤلفون ضجيجاً أبيض غاوسياً في معادلة الزخم:
$\dot{y}_i = -[a_0 - a(t)]x_i + c_0 \sum J_{ij}\phi(x_j) + \alpha \eta_i$
حيث $\eta_i \sim \mathcal{N}(0, 1)$ . هذا "الضجيج الحراري الاصطناعي" يسمح للمسارات باستكشاف مناطق متنوعة من فضاء الحلول، وهو أمر بالغ الأهمية لتغطية جبهة باريتو بفعالية.
التنفيذ على الأجهزة: تم تنفيذ الخوارزمية على وحدات معالجة الرسومات (GPUs) (NVIDIA RTX 4090)، مع الاستفادة من التوازي الهائل لمعالجة آلاف الحلول المرشحة في وقت واحد باستخدام حسابات نصف الدقة (float16).

3. المساهمات الرئيسية

التقييم الشامل من البداية إلى النهاية: تنقل الورقة البحثية مقياس التقييم من "وقت أخذ العينات" إلى إجمالي وقت التشغيل من البداية إلى النهاية، بما يشمل صراحةً أعباء بناء النموذج وتصفية باريتو، والتي غالباً ما تُغفل في ادعاءات التفوق الكمي.
خط أساس كلاسيكي قوي: يثبت المؤلفون أن QAIA المدعومة بـ GPU تعمل كخط أساس كلاسيكي هائل، حيث تتفوق على كل من الأجهزة الكمية والخوارزميات الكلاسيكية التقليدية.
الـ SB المحقون بالضجيج: يؤدي إدخال الضجيج الغاوسي إلى SB إلى تحسين تنوع العينات بشكل كبير لـ MOO، مما يسمح للخوارزمية باستعادة مجموعة باريتو الكاملة بعدد أقل من إجمالي العينات مقارنة بـ QAOA.
مقارنة شاملة: تقارن الدراسة الطريقة المقترحة مقابل:
- الكمي: D-Wave Advantage/Advantage2 (QA) و IBM Fez (QAOA).
- الأساليب الاستدلالية الكلاسيكية: DCM، و DPA-a، و MOEA/D، و NSGA-II، و NSGA-III، و RVEA.

4. النتائج

أُجريت التجارب على نماذج MO-MaxCut بعدد متغير من المتغيرات ( $n$ ) والأهداف ( $K=3, 4$ ).

سرعة أخذ العينات:
- QAIA أسرع بحوالي رتبتين عشريتين في أخذ العينات للحلول المرشحة مقارنة بالمعالجات الكمية التي تمت دراستها سابقاً (QA و QAOA).
- تصل QAIA إلى هضبة الحجم الفائق (Hypervolume plateau) المثلى في $10^{-2}$ إلى $10^{-1}$ ثانية، بينما تتطلب أنظمة QA ثوانٍ أو دقائق.
كفاءة العينات وجودتها:
- QAIA مقابل QAOA: تستعيد QAIA مجموعة باريتو الكاملة بـ ~10 أضعاف أقل من المرشحين مقارنة بـ QAOA.
- QAIA مقابل QA: بينما تتطلب QA عدداً أقل من العينات في المتوسط لإيجاد مجموعة باريتو، تعوض QAIA ذلك بسرعة أخذ عينات فائقة.
الأداء من البداية إلى النهاية:
- مقابل الكمي: QAIA أسرع بحوالي رتبة عشرية واحدة من QA وحوالي 4 رتب عشرية من QAOA في إجمالي وقت التشغيل (بما في ذلك التصفية).
- مقابل الأساليب الاستدلالية الكلاسيكية: في نماذج MO-MaxCut الكثيفة ذات 3 أهداف حتى $n=200$ $n = 200$ ، تتفوق QAIA على MOEA/D و NSGA-II و NSGSA-III و RVEA في كل من وقت التشغيل و جودة الحلول (الحجم الفائق).
  - مثال: لـ $n=200$ ، حققت QAIA حوالي 99% من الحجم الفائق الأمثل في أقل من ثانية واحدة، بينما استغرقت الأساليب الاستدلالية الكلاسيكية ~9-11 ثانية وحققت نسب حجم فائق أقل (60-93%).
القابلية للتوسع:
- تعاملت الطريقة بنجاح مع $n=200$ (رسم بياني كامل)، متجاوزة حدود التضمين الحالية لتوبولوجيا Pegasus و Zephyr الخاصة بـ D-Wave (حوالي 180-193 عقدة).

5. الأهمية والاستنتاج

إعادة تعريف التفوق الكمي: تجادل الورقة بأن المحللات المستوحاة من الكم والمدعومة بـ GPU توفر حالياً خط أساس أقوى من البداية إلى النهاية من الأجهزة الكمية المتاحة لنماذج MO-MaxCut الحالية. إن "التفوق الكمي" في سرعة أخذ العينات يتم إبطاله بواسطة أعباء التنفيذ الكمي والتوازي المتفوق لوحدات معالجة الرسومات الحديثة.
الفائدة العملية: تشير النتائج إلى أنه بالنسبة لمهام التحسين متعدد الأهداف العملية، فإن حلول إيسينج الكلاسيكية (تحديداً NI-SB) هي حالياً الأداة الأكثر كفاءة، حيث توفر تقارباً سريعاً وجودة حل عالية.
الاتجاهات المستقبلية: يؤكد المؤلفون على الحاجة إلى مقاييس تفصل بين سرعة أخذ العينات و جودة العينة (مثل عائد عدم السيطرة، واستدعاء مجموعة باريتو). كما يقترحون اختبار هذه الأساليب على مشاكل MOO أوسع نطاقاً تتجاوز MaxCut واستكشاف متغيرات أخرى من QAIA (مثل SB المدعوم حرارياً).

باختصار، توضح هذه الدراسة أنه بينما تتحسن الأجهزة الكمية، فإن الخوارزميات الكلاسيكية المستوحاة من الكم والتي تعمل على وحدات معالجة الرسومات (GPUs) تهيمن حالياً على المشهد في مجال التحسين متعدد الأهداف من حيث إجمالي الوقت اللازم للوصول إلى الحل والقابلية للتوسع.