Quantum Feature Selection with Higher-Order Binary Optimization on Trapped-Ion Hardware

إليك ملخص تقني مفصل للورقة البحثية بعنوان "اختيار الميزات الكمومية باستخدام التحسين الثنائي من الرتبة العليا على أجهزة الأيونات المحاصرة."

1. بيان المشكلة

يعد اختيار الميزات (Feature Selection - FS) أمراً بالغ الأهمية لتحسين قابلية تفسير النماذج، وتقليل الإفراط في التخصيص (overfitting)، وتعزيز الكفاءة الحسابية في مجموعات البيانات عالية الأبعاد. ومع ذلك، تواجه طرق اختيار الميزات الكلاسيكية قيوداً كبيرة:

• الطرق المغلفة (Wrapper methods): مكلفة حاسوبياً وتتوسع بشكل سيئ.
• طرق التصفية (Filter methods): (مثل المعلومات المتبادلة) غالباً ما تتجاهل التفاعلات بين الميزات.
• الطرق المدمجة (Embedded methods): حساسة للمعلمات الفائقة (hyperparameters) وغالباً ما تنحاز نحو التبعيات الخطية أو الهرمية.
• القيود الكمومية: تعتمد النهج الكمومية الحالية عادةً على صياغة اختيار الميزات كمسألة تحسين ثنائي غير مقيد تربيعي (QUBO). وتقت-صر مسألة QUBO على التفاعلات أحادية وثنائية الأجسام، مما يفرض تجاهل العلاقات متعددة المتغيرات (الرتب العليا) أو تقريبها أو إدخالها عبر تكاليف إضافية ناتجة عن عملية التربيع (quadratization).

التحدي الجوهري: كيف يمكن التقاط التبعيات الإحصائية المعقدة من الرتب العليا بين الميزات بشكل صريح ضمن إطار تحسين كمومي دون اختزال المسألة إلى شكل تربيعي، وكيفية تنفيذ ذلك على الأجهزة الكمومية الحالية ذات المقياس المتوسط المشوبة بالضجيج (NISQ).

2. المنهجية

يقترح المؤلفون إطار عمل مبتكر يعتمد على التحسين الثنائي غير المقيد من الرتب العليا (HUBO) المنفذ على أجهزة IonQ Forte من نوع الأيونات المحاصرة.

أ. صياغة HUBO

بدلاً من الهاملتوني (Hamiltonian) التربيعي، يتم تشفير المسألة في هاملتوني يحتوي على حدود تفاعل أحادية، وثنائية، وثلاثية الأجسام:
$$H(Z) = \sum_i h_i Z_i + \sum_{i<j} J_{ij} Z_i Z_j + \sum_{i<j<k} K_{ijk} Z_i Z_j Z_k + C$$

• المتغيرات: $Z_i \in \{-1, +1\}$ (اصطلاح Ising)، حيث يشير $-1$ إلى اختيار الميزة.
• المعاملات: مشتقة من المعلومات المتبادلة (Mutual Information - MI):
  • $h_i$: يرمز لأهمية الميزة الفردية بالنسبة للهدف.
  • $J_{ij}$: يرمز للارتباط الزائد الثنائي (الذي يعاقب الميزات المترابطة).
  • $K_{ijk}$: يرمز للتبعيات من الرتب العليا (التي تلتقط المعلومات الموجودة فقط في مجموعات من ثلاث ميزات).
• عقوبات مهيكلة: لمنع الحلول البديهية (مثل اختيار جميع الميزات)، يتم إضافة حد عقوبة خطي $H_\lambda$، مما يقلل من الميزات ذات الأهمية الضئيلة التي تقل عن عتبة $\tau$.

ب. خوارزمية التحسين: التحسين الكمومي الرقمي المضاد للدياباتي (DCQO)

يستخدم المؤلفون تقنية DCQO لإيجاد الحالة الأرضية لهاملتوني HUBO:

• الآلية: نهج يعتمد على البوابات مستوحى من "الاختصارات نحو الأديباتية" (shortcuts to adiabaticity). يقوم بعملية استكمال (interpolation) بين هاملتوني المحرك وهاملتوني الهدف HUBO مع إضافة حدود مضادة للدياباتية تقريبية لقمع الانتقالات الدياباتية أثناء التطور في زمن محدد.
• التنفيذ: تم التنفيذ على جهاز IonQ Forte (أيونات Yb+) الذي يتميز باتصال شامل (all-to-all connectivity)، مما يدعم طبيعياً التفاعلات طويلة المدى المطلوبة لـ HUBO دون الحاجة لعمليات تضمين (embedding) معقدة.

ج. المعالجة اللاحقة والاختيار

1. أخذ العينات (Sampling): يتم قياس النظام لتوليد عينات السلاسل البتية (bitstrings).
2. التصفية: يتم ترتيب العينات حسب الطاقة؛ ويتم الاحتفاظ بجزء من العينات ذات الطاقة الأدنى فقط ($\rho$، مثل أعلى 25%) لتصفية الضجيج.
3. التسجيل (Scoring): يتم حساب أهمية الميزة ($I_i$) كالتكرار التجريبي لاختيار الميزة ($x_i=1$) ضمن المجموعة ذات الطاقة المنخفضة.
4. العتبة (Thresholding): يتم اختيار الميزات إذا كانت $I_i \geq \delta$.

3. المساهمات الرئيسية

1. استخدام HUBO لاختيار الميزات: أول صياغة صريحة لاختيار الميزات كمسألة HUBO تلتقط تفاعلات الأجسام الثلاثة مباشرة، متجنبة فقدان المعلومات المتأصل في عمليات اختزال QUBO.
2. التنفيذ على الأجهزة: التنفيذ الناجح لمسألة تحسين من رتب عليا على جهاز IonQ Forte من الأيونات المحاصرة، مما يثبت جدوى تشغيل دوائر كمومية عميقة لمعالجة البيانات المسبقة لتعلم الآلة.
3. استقلالية النموذج: تعتمد الطريقة حصرياً على التبعيات الإحصائية (المعلومات المتبادلة) المستمدة من البيانات، ولا تتطلب تدريب أي نموذج خلال مرحلة الاختيار.
4. المقارنة المرجعية: مقارنة شاملة ضد المحاكاة الكمومية الخالية من الضجيج والأساليب الكلاسيكية (SelectKBest و PCA) على مجموعات بيانات حقيقية.

4. النتائج التجريبية

تم اختبار الإطار على مجموعتي بيانات: Gallstone (بيولوجية طبية، 38 ميزة) و Spambase (نصية، 57 ميزة). تم اختيار 32 ميزة مسبقاً لكل منهما بسبب قيود الأجهزة.

أ. مجموعة بيانات Gallstone

• الأجهزة مقابل المحاكاة: توافق نوعي قوي بين IonQ Forte والمحاكاة الخالية من الضجيج فيما يتعلق باحتمالات تضمين الميزات.
• الأداء: حققت المجموعة المختارة كمومياً (19 ميزة) قيمة 0.88 ROC-AUC، متفوقة على:
  • جميع الميزات (0.86)
  • PCA (0.79)
  • SelectKBest (0.84)
• الاستنتاج: سمح تضمين الحدود من الرتب العليا للنموذج بتحديد مجموعة فرعية أكثر إيجازاً وإفادة من الطرق أحادية المتغير.

ب. مجموعة بيانات Spambase

• الأداء: حققت المجموعة المختارة كمومياً (23 ميزة) قيمة 0.9836 ROC-AUC، متفوقة على:
  • جميع الميزات (0.9817)
  • PCA (0.9615)
  • SelectKBest (0.9805)
• الكفاءة: قللت الطريقة من الأبعاد بنسبة ~28% مع تحسين طفيف في دقة التصنيف مقارنة باستخدام جميع الميزات.

5. الأهمية والخاتمة

• ما وراء التربيع: تثبت الدراسة أن نمذجة الهياكل الإحصائية من الرتب العليا صراحة (عبر حدود الأجسام الثلاثة) تعطي مجموعات ميزات أفضل من مناهج QUBO التربيعية القياسية، خاصة في مجموعات البيانات ذات التبعيات متعددة المتغيرات المعقدة.
• ملاءمة الأجهزة: تعد معالجات الأيونات المحاصرة مناسبة بشكل فريد لمسائل HUBO بسبب اتصالها الشامل (all-to-all connectivity)، مما يلغي الحاجة إلى أعباء تخطيط/تضمين الكيوبتات الشائعة في بنيات الأجهزة فائقة التوصيل.
• القابلية للتوسع: تشير النتائج إلى أنه مع توسع الأجهزة الكمومية (زيادة عدد الكيوبتات ودقة الأداء)، يمكن لهذا النهج معالجة مسائل اختيار الميزات عالية الأبعاد التي تصعب معالجتها حاسوبياً بالطرق التوافقية الكلاسيكية.
• العمل المستقبلي: يقترح المؤلفون دمج التحسين الكمومي الرقمي المضاد للدياباتي ذو المجال المنحاز (BF-DCQO) لتحديث مجالات الانحياز بشكل تكراري، مما يعزز مشهد التحسين لمجموعات البيانات الأكبر.

باختصار، تُظهر هذه الورقة سير عمل كمومي عملي ومستقل عن النموذج يستفيد من التحسين من الرتب العليا على أجهزة الأيونات المحاصرة ليتفوق على تقنيات تقليل الأبعاد الكلاسيكية في كل من إيجاز الميزات والأداء التنبؤي.