🤖 machine learning

Conformalized Quantum DeepONet Ensembles for Scalable Operator Learning with Distribution-Free Uncertainty

تقدم هذه الورقة "مجموعات Conformalized Quantum DeepONet"، وهو إطار عمل يستخدم الشبكات العصبية الكمومية المتعامدة والدوائر الكمومية الممركزة بالمعلمات والمتراكبة لتحقيق تعلم مؤثر قابل للتوسع مع تعقيد استدلال خطي وتقدير كمي لعدم اليقين خالٍ من التوزيع وصارم للتطبيقات الحرجة للسلامة.

المؤلفون الأصليون: Purav Matlia, Christian Moya, Guang Lin

نُشر 2026-05-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Purav Matlia, Christian Moya, Guang Lin

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 التنبؤ بكيفية سلوك آلة معقدة، مثل شبكة طاقة أو نظام طقس، في المستقبل. عادة ما يستخدم العلماء محاكاة حاسوبية ضخمة للقيام بذلك، لكنها بطيئة ومكلفة. ولتسريع هذه العملية، يبني الباحثون "نماذج بديلة" (Surrogate Models)—وهي اختصارات ذكية تعتمد على الذكاء الاصطناعي تتعلم قواعد الآلة ويمكنها التنبؤ بالمستقبل بشكل فوري تقريبًا.

ومع ذلك، تواجه هذه الاختصارات من الذكاء الاصطناعي مشكلتين كبيرتين:

تصبح بطيئة للغاية بسرعة كبيرة: كلما زادت التفاصيل دقة، انفجر حجم العمل الحاسوبي، تمامًا مثل محاولة عد كل حبة رمل على الشاطئ واحدة تلو الأخرى.
تكون مفرطة في الثقة: فهي تعطيك إجابة ولكنها لا تستطيع إخبارك بمدى احتمالية خطئها. وفي المواقف الحرجة التي تتعلق بالسلامة (مثل الحفاظ على استقرار شبكة الطاقة من الانهيار)، فإن عدم معرفة المخاطر أمر خطير.

يقدم هذا البحث حلاً جديداً يسمى "النماذج المتعددة لشبكات DeepONet الكمومية الموائمة" (Conformalized Quantum DeepONet Ensembles). فكر في الأمر كأنه "فريق تنبؤ فائق الشحن وذاتي التحقق" يستخدم القوانين الغريبة للفيزياء الكمومية لحل هاتين المشكلتين.

إليك كيف يعمل هذا النظام، مقسماً إلى مفاهيم بسيطة:

1. التسريع الكمومي (العدسة السحرية)

النماذج التقليدية للذكاء الاصطناعي تشبه أمين مكتبة يتعين عليه السير في كل ممر من ممرات مكتبة ضخمة للعثور على كتاب. ومع نمو المكتبة، يزداد الوقت المستغرق بشكل أسي (تربيعي).

يستخدم المؤلفون Quantum DeepONet، وهو يشبه إعطاء أمين المكتبة هذا "عدسة سحرية". فبدلاً من السير في الممرات واحداً تلو الآخر، يمكن للعدسة الكمومية النظر إلى المكتبة بأكملة في وقت واحد. وهذا يغير السرعة من "السير في كل ممر" إلى "إلقاء نظرة خاطفة على الغرفة بأكملها"، مما يجعل التنبؤات أسرع بكثير وقابلة للتوسع، حتى بالنسبة للمحاكاة شديدة التفصيل.

2. فريق التنبؤ (المجموعة - Ensemble)

حتى مع وجود نموذج كمومي سريع، يمكن لنموذج ذكاء اصطناعي واحد أن يكون مخطئاً أو غير متأكد. ولحل هذه المشكلة، لا يستخدم الباحثون نموذجاً واحداً فحسب، بل يستخدمون فريقاً من النماذج (مجموعة).

التشبيه: تخيل أنك تسأل 10 خبراء مختلفين لتخمين حالة الطقس. إذا اتفقوا جميعاً، فأنت واثق. أما إذا اختلفوا بشدة، فأنت تعرف أن هناك حالة من عدم اليقين.
المشكلة: عادةً ما يتطلب تشغيل 10 نماذج كمومية مختلفة 10 أضعاف الأجهزة الكمومية (الكيوبتات)، وهو أمر مستحيل بالتقنيات الحالية. الأمر يشبه محاولة بناء 10 حواسيب فائقة منفصلة في مرآبك.

3. خدعة "التراكب" (الفريق الشبح)

هذه هي الخدعة الأكثر ذكاءً في البحث. فبدلاً من بناء 10 حواسيب كمومية منفصلة، يستخدمون ما يسمى الدوائر الكمومية ذات المعلمات المتراكبة (SPQCs).

التشبيه: تخيل أن لديك عملة سحرية واحدة. بدلاً من رميها 10 مرات للحصول على 10 نتائج، تقوم برميها مرة واحدة، وبسبب السحر الكمومي (التراكب)، تهبط على "الوجه" و"الظهر" (وكل التنوعات بينهما) في آن واحد.
النتيجة: يمكنهم تشغيل جميع "الخبراء" العشرة (النماذج) داخل دائرة كمومية واحدة في نفس الوقت. وهذا يوفر موارد هائلة من الأجهزة مع الاستمرار في الحصول على فائدة امتلاك فريق متنوع من المتنبئين.

4. شبكة الأمان (ضمان التوافق - Conformal Guarantee)

امتلاك فريق من الخبراء أمر رائع، ولكن كيف تعرف ما إذا كان نطاق إجاباتهم موثوقاً؟ يضيف البحث طبقة تسمى التنبؤ المتوافق (Conformal Prediction).

التشبيه: تخيل أن فريق الخبراء يعطيك توقعاً. تعمل طريقة "التوافق" مثل "مفتش سلامة" ينظر إلى الأخطاء الماضية. ويقول: "بناءً على كيفية أدائنا سابقاً، يمكنني أن أضمن بنسبة 90% أن الإجابة الحقيقية ستقع ضمن هذا النطاق المحدد".
الفائدة: هذا يعطي "أنبوب سلامة" دقيقاً رياضياً حول التنبؤ. فهو لا يخمن فحسب، بل يخبرك بالضبط بمدى هامش الخطأ، دون الحاجة إلى افتراض أن البيانات تتبع نمطاً معيناً (توزيع حر).

5. النهج الهجين (أفضل ما في العالمين)

أدرك الباحثون أن بعض أجزاء الحساب تكون "مشوشة" (Noisy) على الحواسيب الكمومية، بينما تكون أجزاء أخرى جيدة.

الاستراتيجية: قاموا ببناء نظام هجين (Hybrid). حيث تركوا الحاسوب التقليدي (العادي) يتولى الأجزاء السهلة التي لا تحتاج إلى سرعة كمومية، واستخدموا "العدسة الكمومية السحرية" فقط للمهام الشاقة.
النتيجة: هذا يزيل "الضجيج" (الأخطاء) من الأجزاء الكمومية التي ليست ضرورية، مما يجعل التنبؤ النهائي أكثر نقاءً ودقة.

ماذا أثبتوا؟

اختبر المؤلفون هذا النظام على نوعين من التحديات:

مسائل رياضية وهمية: حلوا معادلات معقدة (مثل كيفية انتقال الحرارة أو كيفية انتقال الأمواج) لإثبات أن الرياضيات تعمل.
شبكات طاقة حقيقية: اختبروا النظام على بيانات واقعية من أنظمة الطاقة الكهربائية.

النتائج:

كان النظام دقيقاً.
كانت "أنابيب السلامة" (نطاقات عدم اليقين) موثوقة، حيث حققت معدلات التغطية المستهدفة (على سبيل المثال، كونها صحيحة بنسبة 90% من الوقت) حتى عندما كان الحاسوب الكمومي "مشوشاً" (غير مثالي).
نجحت خدعة "التراكب": فقد حصلوا على فوائد فريق كبير من النماذج دون الحاجة إلى 10 أضعاف الأجهزة.

باختصار

يقدم هذا البحث طريقة جديدة لبناء ذكاء اصطناعي للأنظمة الفيزيائية المعقدة. فهو يجمع بين السرعة الكمومية (للتعامل مع البيانات الضخمة)، والتنبؤ القائم على الفريق (لفهم عدم اليقين)، وشبكة أمان رياضية (لضمان الموثوقية). إنه يحل مشكلة صغر حجم الحواسيب الكمومية التي تجعل من الصعب تشغيل فرق كبيرة من النماذج، وذلك باستخدام خدعة "الفريق الشبح"، مما يجعل من الممكن الحصول على تنبؤات سريعة وآمنة وموثوقة لأشياء مثل شبكات الطاقة.

إليك ملخص تقني مفصل لورقة البحث بعنوان: "تجميعات الـ DeepONet الكمومية المعتمدة على التوافق من أجل تعلم المؤثرات القابل للتوسع مع عدم يقين خالٍ من التوزيع."

1. بيان المشكلة

تعالج الورقة بحثاً مشكلتين جوهريتين في تعلم المؤثرات العصبية الحالية (وتحديداً DeepONets) للأنظمة الديناميكية عالية الأبعاد، مثل شبكات الطاقة والمعادلات التفاضلية الجزئية (PDEs):

عنق زجاجة القابلية للتوسع: تعتمد نماذج DeepONets الكلاسيكية على طبقات عصبية كثيفة ذات تعقيد حسابي قدره $O(n^2)$ . هذا التوسع التربيعي يجعلها غير قابلة للتطبيق في التطبيقات الحرجة للسلامة التي تتطلب تمثيلاً دقيقاً للغاية وتقييمات مونت كارلو ضخمة (على سبيل المثال، $10^4$ خطوة زمنية).
عدم موثوقية تقدير عدم اليقين (UQ): تتطلب عمليات النشر في التطبيقات الحرجة للسلامة تقديرات دقيقة لعدم اليقين. الطرق القياسية مثل الشبكات العصبية البايزية (Bayesian Neural Networks) أو إسقاط مونت كارلو (Monte Carlo dropout) تفتقر إلى الضمانات الخالية من التوزيع. وبينما يوفر "التنبؤ التوافقي" (Conformal Prediction) مثل هذه الضمانات، فإن تطبيقه على النماذج الكمومية يمثل تحدياً لأن:
- التجميعات الكمومية الساذجة (تشغيل $L$ من النماذج بالتوازي) تزيد متطلبات الكيوبت خطياً ( $O(L \cdot n)$ )، مما يخلق عائقاً أمام الأجهزة.
- الاعتماد فقط على ضجيج القياس (Shot Noise) في الأجهزة غير كافٍ، لأنه يلتقط ضجيج الأجهزة بدلاً من عدم اليقين المعرفي الحقيقي (تنوع النموذج).

2. المنهجية

يقترح المؤلفون إطار عمل "تجميعات الـ DeepONet الكمومية المعتمدة على التوافق"، وهو إطار يدمج الاستدلال الكمومي القابل للتوسع، والتجميع الموفر للموارد، ومعايرة عدم اليقين الصارمة.

أ. استدلال المؤثرات الكمومي القابل للتوسع

الشبكات العصبية المتعامدة الكمومية (QOrthoNNs): تستبدل البنية الأساسية الطبقات الكلاسيكية الكثيفة بدارات كمومية معلمة (PQCs) باستخدام بوابات مقسم الشعاع القابل لإعادة التشكيل (RBS).
تقليل التعقيد: من خلال العمل في الفضاء الجزئي الأحادي واستخدام بوابات RBS، يتم تقليل تعقيد الاستدلال من $O(n^2)$ إلى $\tilde{O}(n)$ .
استراتيجية التدريب: لتجنب ضجيج الأجهزة أثناء التدريب، يتم تدريب النموذج كلاسيكياً. العمليات الكمومية مكافئة رياضياً للتحويلات المتعامدة الكلاسيكية الدقيقة. وتتم عملية التحسين في فضاء زاوية الدوران ( $\theta$ )، مما يضمن التعامد الصارم ويتجنب مشكلة "الهضاب القاحلة" (Barren Plateaus)، قبل نشره على الأجهزة الكمومية لغرض الاستدلال.

ب. التجميع الموفر للموارد

لالتقاط عدم اليقين المعرفي دون زيادة متطلبات الكيوبت خطياً، يستخدم المؤلفون استراتيجيتين:

البنية الهجينة (كلاسيكية-كمومية): يتكون الـ DeepONet من شبكة "فرع" (Branch) (تعالج دالات المدخلات، وتُقيم مرة واحدة لكل سيناريو) وشبكة "جذع" (Trunk) (تعالج إحداثيات الاستعلام، وتُقيم $M$ $M$ من المرات).
- يتم استبدال الفرع بشبكة كثيفة كلاسيكية. وبما أنه يُقيم مرة واحدة فقط، فإن تكلفة $O(n^2)$ يتم استهلاكها بشكل متدرج، ويتم القضاء على المصدر المهيمن لضجيج الأجهزة.
- يظل الجذع كمومياً للحفاظ على تسريع $\tilde{O}(n)$ لعمليات التقييم عالية التردد.
الدارات الكمومية المعلمة فائقة التراكب (SPQCs): بدلاً من تشغيل $L$ $L$ من أعضاء التجميع بالتوازي (مما يتطلب $L \times n$ $L \times n$ من الكيوبتات)، تقوم الـ SPQCs بتشفير جميع أعضاء التجميع في دارة واحدة.
- باستخدام كيوبتات العنونة في تراكب منتظم، تنفذ الدارة إعداد الحالة، والتطور الوحدوي، والقياس مرة واحدة بالضبط لكامل التجميع.
  هذا يقلل متطلبات الكيوبت إلى $n + 1 + \lceil \log_2(L) \rceil$ ، مما يتيح تنفيذ التجميع بشكل قابل للتوسع.

ج. تقدير عدم اليقين الخالي من التوزيع

التنبؤ التوافقي التكيفي: يجمع إطار العمل بين عدم اليقين المعرفي للتجميع (الانحراف المعياري للتنبؤات) والتنبؤ التوافقي.
المعايرة: يتم حساب درجة عدم التطابق (Nonconformity score) كخطأ مطلق مُطبع بالانحراف المعياري المحلي للتجميع. ويتم اشتقاق الكم المئوي التجريبي ( $\hat{q}$ ) من مجموعة معايرة.
الضمان: ينتج عن ذلك مجموعات تنبؤ $C_\alpha(u, y)$ مع ضمان صارم وخالٍ من التوزيع بأن القيمة الحقيقية تقع ضمن المجموعة باحتمالية $1-\alpha$ ، بشرط تحقق خاصية التبادلية (Exchangeability).

3. المساهمات الرئيسية

الاستدلال المؤثري القابل للتوسع: أثبت تقليلاً في تعقيد استدلال المؤثر من $O(n^2)$ إلى $\tilde{O}(n)$ باستخدام QOrthoNNs، مما يسمح بتمثيل دقيق للغاية.
التجميع الفعال للأجهزة: قدم بنية هجينة وSPQCs لضغط تنفيذ التجميع، مما حل مشكلة التوسع الخطي للكيوبتات المتأصلة في التجميعات الكمومية المتوازية.
تقدير عدم اليقين الصارم: دمج التنبؤ التوافقي التكيفي مع التجميعات الكمومية لتوفير حدود عدم يقين مضمونة رياضياً وخالية من التوزيع.
التقييم القوي: تم التحقق من إطار العمل تحت نماذج ضجيج كمومية واقعية (الاضمحلال، أخطاء القراءة، الاسترخاء الحراري) على معادلات تفاضلية جزئية اصطناعية وبيانات أنظمة طاقة حقيقية.

4. النتائج التجريبية

تم تقييم إطار العمل على اختبارات مرجعية اصطناعية (معادلات Antiderivative و Advection) وبيانات أنظمة طاقة حقيقية (Voltage-to-Voltage و Voltage-to-Power).

الاختبارات المرجعية الاصطناعية:
- حققت أخطاء $L_2$ نسبية منخفضة (مثلاً، 0.46% لـ Antiderivative و 2.28% لـ Advection).
- حافظت على تغطية تجريبية قريبة من الهدف 90% (مثلاً، 92.13% و 88.99%) في ظل المحاكاة المثالية.
- القدرة على مقاومة الضجيج: تحت نماذج الضجيج الواقعية (IBM Brisbane, Torino, Marrakesh)، حافظ الإطار التوافقي على تغطية $\ge 90\%$ ، مما أثبت المتانة ضد انحراف الأجهزة.
أنظمة الطاقة الحقيقية:
- تعامل بنجاح مع مهام تحليل ما بعد الحدث (Post-mortem) والمهام عبر الإنترنت (التنبؤ في الوقت الفعلي).
- التنبؤ بالجهد عبر الإنترنت: حقق تغطية بنسبة 90.11% رغم انتهاك فرضية التبادلية (بسبب التبعيات الزمنية)، مما كان بمثابة اختبار جهد صارم.
مقارنات البنية:
- الهجينة مقابل الكمومية الكاملة: تفوقت بنية (الفرع الكلاسيكي + الجذع الكمومي) بشكل كبير على الإعدادات الكمومية الكاملة من حيث الدقة وعرض عدم اليقين، وذلك من خلال القضاء على عنق زجاجة الضجيج في الفرع.
- SPQC مقابل التوازي الساذج: طابقت SPQCs دقة التنبؤ ومعايرة عدم اليقين للتجميعات القياسية مع تقليل استخدام الكيوبتات بشكل جذري (مثلاً، 7 كيوبت مقابل 20 كيوبت لتجميع مكون من 4 أعضاء).

5. الأهمية والآفاق المستقبلية

مسار عملي: يضع هذا العمل مساراً قابلاً للتطبيق لنشر التعلم الآلي الكمومي في البنية التحتية الحرجة للسلامة من خلال حل مشكلتي القابلية للتوسع والموثوقية.
كفاءة الموارد: يغير نهج SPQC بشكل أساسي مقياس موارد التجميعات الكمومية من الخطي إلى اللوغاريتمي من حيث عدد الكيوبتات، مما يجعل تقدير عدم اليقين واسع النطاق ممكناً على الأجهزة المتاحة حالياً.
الاتجاهات المستقبلية: يشير المؤلفون إلى أنه بينما تعتمد الضمانات الحالية على تبادلية البيانات، يجب أن تعالج الأعمال المستقبلية البيانات المتدفقة غير المتبادلة (عبر التنبؤ التوافقي التسلسلي). بالإضافة إلى ذلك، فإن الملاحظة الشاذة بأن الضجيج قد حسن أحياناً حدود عدم اليقين في الدارات الضحلة تستحق مزيداً من الاستقصاء حول "التنظيم المستحث بالضجيج" (Noise-induced regularization).

باخت-صار، تقدم هذه الورقة إطار عمل موحداً يستفيد من التسريع الكمومي لتعلم المؤثرات مع استخدام التجميع المتوافق مع المعايير الكلاسيكية والتنبؤ التوافقي لضمان ضمانات السلامة الصارمة المطلوبة للنشر في العالم الحقيقي.