⚛️ quantum physics

TuniQ: Autotuning Compilation Passes for Quantum Workloads at Scale for Effectiveness and Efficiency

تُعد TuniQ نظاماً قائماً على التعلم التعزيزي يقوم باختيار ممرات التجميع المثلى لدوائر الكم ديناميكياً بناءً على ظروف أجهزة وضوضاء محددة، مما يحسن دقة المخرجات وكفاءة التجميع بشكل كبير مقارنة بالمجمعات الاستاتيكية المتطورة مثل مُحول Qiskit من IBM.

المؤلفون الأصليون: Mohammad Abrarul Hasanat, Jason Ludmir, Tirthak Patel, Rohan Basu Roy

نُشر 2026-05-13

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Mohammad Abrarul Hasanat, Jason Ludmir, Tirthak Patel, Rohan Basu Roy

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 إرسال رسالة دقيقة ومعقدة عبر طريق وعر ومليء بالضجيج. هذه الرسالة هي برنامج كمي (مجموعة من التعليمات لجهاز كمبيوتر كمي)، والطريق هو الأجهزة الكمية (Quantum Hardware).

المشكلة هي أن الطريق مليء بالحفر (الأخطاء)، والرسالة تتدهور كلما استغرقت وقتاً أطول للوصول. إذا سلكت طريقاً طويلاً ومتعرجاً، فقد تصل رسالتك مشوهة. وإذا سلكت طريقاً سريعاً ولكنك واجهت الكثير من الحفر، فقد تصل أيضاً مشوهة.

حالياً، يستخدم "السائقون" (المترجمون/Compilers) الذين يرسلون هذه الرسائل كتاب قواعد ثابتاً. فهم يخبرون كل رسالة بأن تسلك نفس المسار تماماً، بغض النظر عما إذا كانت الرسالة بسيطة أم معقدة، أو ما إذا كان الطريق حالياً جافاً أم موحلاً. أحياناً ينجح هذا الأمر، ولكن في كثير من الأحيان يكون غير فعال، مما يؤدي إلى وصول الرسالة ببطء أو وصولها تالفة.

TuniQ هو سائق ذكي يغير القواعد. فبدلاً من اتباع خريطة ثابتة، يستخدم التعلم المعزز (نوع من الذكاء الاصطناعي الذي يتعلم من خلال التجربة والخطأ) ليقرر أفضل مسار لكل رسالة على حدٍ سواء وفي الوقت الفعلي.

إليك كيف يعمل TuniQ، مقسماً إلى مفاهيم بسيطة:

1. "كتاب القواعد الثابت" مقابل "السائق الذكي"

فكر في النظام الحالي (IBM Qiskit) كجهاز تحديد مواقع (GPS) يجبر كل السيارات على اتخاذ نفس الطريق السريع، حتى لو وجد طريق مختصر لسيارة معينة. إنه يطبق نفس مجموعة "قواعد المرور" (عمليات التحسين) على كل دائرة كمية.

العيب: الطريق المختصر الذي يوفر الوقت لسيارة صغيرة قد يتسبب في ازدحام مروري لشاحنة كبيرة. وبالمثل، فإن إعداد المترجم الذي يساعد برنامجاً كمياً واحداً قد يضر ببرنامج آخر.
حل TuniQ: TuniQ يشبه السائق الذي ينظر إلى الحمولة المحددة (الدائرة الكمية)، ويفحص حالة الطقس وظروف الطريق الحالية (مستويات الضجيج في الأجهزة)، ثم يقرر: "هل أحتاج لسلوك الطريق السياحي لتجنب حفرة؟ أم يجب أن أسرع لأن الطريق خالٍ؟" إنه يختار أي "قواعد مرور" يطبقها وأيها يتخطاها لتلك الرحلة المحددة.

2. "المُشفّر المزدوج" (عينا السائق الاثنتان)

لاتخاذ هذه القرارات، يحتاج TuniQ لرؤية العالم بشكل مختلف في مراحل مختلفة من الرحلة. يصف البحث نظام المُشفّر المزدوج (Dual-Encoder):

قبل الطريق (الرؤية المنطقية): في البداية، ينظر السائق إلى خطة الرحلة. يرى الروابط المنطقية بين الركاب (الكيوبتات - Qubits) دون القلق بشأن الحفر المحددة بعد. يسأل: "كيف يجب أن يجلس هؤلاء الأشخاص معاً؟"
بعد الطريق (الرؤية الفيزيائية): بمجرد أن تصبح السيارة على الطريق، يغير السائق مجموعة عينيه. الآن، ينظر إلى السيارة الفعلية وظروف الطريق الفعلية. يرى أي إطارات محددة (الكيوبتات الفيزيائية) بدأت تستهلك وأي أجزاء من الطريق أصبحت وعرة.
لماذا هذا مهم: يتيح ذلك لـ TuniQ التكيف. إذا أصبح الطريق أكثر وحلاً (ازداد الضجيج)، يمكنه فوراً الانتقال إلى استراتيجية مسار أكثر أماناً وأبطأ دون الحاجة إلى إعادة تدريبه.

3. "المكافآت المشكلة" (التعلم من الرحلة)

في الطريقة القديمة، كان السائق يتلقى التغذية الراجعة فقط في النهاية: "هل وصلت الرسالة؟" إذا كانت الرسالة تالفة، لم يكن السائق يعرف أي منعطف تسبب في المشكلة.

نهج TuniQ: يحصل TuniQ على "نقاط" (مكافآت) صغيرة على طول الطريق.
- "عمل جيد في تجنب تلك الحفرة!" (مكافأة مرحلية).
- "عمل جيد في الحفاظ على ثبات السيارة!" (مكافأة مرحلية أخرى).
- "لقد أوصلت الرسالة بشكل مثالي!" (مكافأة نهائية).
  يساعد هذا السائق على تعلم أن منعطفاً معيناً في بداية الرحلة كان حاسماً لنجاح الرحلة بأكملها، حتى لو لم تكن النتيجة واضحة إلا في النهاية.

4. "القناع الديناميكي" (حارس السلامة)

لا يمكنك ببساطة ترك السائق يختار أي طريق؛ فبعض الطرق مسدودة أو غير قانونية.

يستخدم TuniQ قناع الإجراءات الديناميكي (Dynamic Action Masking). فكر في هذا كحاجز يمنع السائق فوراً من محاولة اتخاذ منعطف قد يكسر السيارة أو ينتهك قوانين المرور. يضمن ذلك أنه مهما قرر الذكاء الاصطناعي، فإن النتيجة النهائية ستكون دائماً مساراً صالحاً وقابلاً للقيادة.

النتائج: أسرع وأوضح

اختبرت الورقة البحثية TuniQ على أجهزة كمبيوتر كمية حقيقية من IBM. وإليك ما حدث:

جودة أفضل: وصلت الرسائل أكثر وضوحاً بكثير. في المتوسط، تحسنت "الدقة" (Fidelity) (مدى مطابقة الرسالة للخطة الأصلية) بنسبة 20%.
توصيل أسرع: انخفض الوقت المستغرق لتخطيط المسار (وقت التجميع/Compilation time) بنسبة 34%. وهذا أمر ضخم لأن العديد من الخوارزميات الكمية تضطر لتخطيط مسارها آلاف المرات على التوالي.
لا حاجة لإعادة التدريب: إذا نقلت السائق إلى مدينة أخرى (كمبيوتر كمي آخر)، فإن TuniQ يعمل فوراً دون الحاجة لتعلم المدينة الجديدة من الصفر.
التوسع في النطاق: مع زيادة حجم وتعقيد الرسائل (الدوائر ذات المنفعة العالية)، يصبح TuniQ أفضل حتى مقارنة بكتب القواعد الثابتة القديمة.

الملخص

TuniQ يشبه الترقية من جهاز تحديد مواقع (GPS) جامد وموحد للجميع إلى مساعد طيار ذكي ومتكيف. إنه ينظر إلى الحمولة المحددة، ويتحقق من ظروف الطريق في الوقت الفعلي، ويتعلم من كل رحلة لاختيار المزيج المثالي بين السرعة والأمان. هذا يجعل الحوسبة الكمية أكثر موثوقية وأسرع، خاصة عندما نحاول حل مشكلات أكبر في المستقبل.

ملخص تقني: TuniQ

بيان المشكلة

تتكامل المعالجات الكمومية بشكل متزايد مع أنظمة الحوسبة عالية الأداء (HPC) كمعالجات مساعدة، حيث تعمل الدوائر الكمومية كأنوية (kernels) يتم إرسالها من العقد الكلاسيكية. ومع ذلك، تعتمد المترجمات الكمومية الحالية، مثل مترجم Qiskit التابع لشركة IBM، على تسلسل ثابت من مراحل الترجمة (compilation passes) يتم تطبيقها بشكل موحد على جميع الدوائر. هذا النهج "الموحد للجميع" يفشل في مراعاة ثلاثة متغيرات حاسمة:

بنية الدائرة: تمتلك الخوارزميات المختلفة (مثل QPE وVQE وGrover) طوبولوجيا وتكوينات بوابات متميزة تستفيد من استراتيجيات تحسين مختلفة.
الخلفيات العتادية (Hardware Backends): تختلف الأجهزة الكمومية في طوبولوجيا الاقتران، ومجموعات البوابات الأصلية، وملفات تعريف الضجيج.
ظروف الضجيج: تتغير بيانات المعايرة (أخطاء البوابات، أزمنة التماسك $T_1/T_2$ ) بمرور الوقت على الجهاز نفسه.

غالبًا ما يطبق التسلسل الثابت للمراحل عمليات تحسين غير ضرورية تزيد من عمق الدائرة أو عدد البوابات، مما يؤدي إلى تراكم المزيد من الضجيج وتقليل دقة المخرجات (المقاسة بمسافة التباين الكلي TVD). وعلى العكس من ذلك، قد يتخطى التسلسل مراحل مفيدة لبنى معينة من الدوائر. علاوة على ذلك، فإن البحث الشامل عبر ملايين مجموعات المراحل الممكنة هو أمر مستعصٍ حاسبياً، كما أن التحسين الجشع لكل مرحلة (greedy per-stage optimization) غالباً ما يؤدي إلى نتائج دون المستوى الأمثل عالمياً لأن القرارات المبكرة تقيد المراحل اللاحقة.

المنهجية: TuniQ

TuniQ هو نظام يعتمد على التعلم التعزيزي (RL) مصمم لاختيار مراحل الترجمة بشكل تكيفي في كل مرحلة من مراحل خط أنابيب الترجمة (transpilation pipeline). يقوم بصياغة اختيار المراحل كعملية قرار ماركوف (MDP) حيث يتعلم "الوكيل" (agent) كيفية تعظيم دقة الدائرة مع تقليل وقت الترجمة.

المكونات الأساسية

بنية الترميز المزدوج (Dual-Encoder Architecture):
- ترميز ما قبل التخطيط (Pre-Layout Encoder): يقوم بترميز بنية الدائرة المنطقية (التفاعلات المكانية والزمانية للبوابات) قبل عملية التعيين للعتاد (hardware mapping).
- ترميز ما بعد التخطيط (Post-Layout Encoder): يقوم بترميز الدائرة المرتبطة بالعتاد الفيزيائي، مع دمج خصائص الضجيج في الوقت الفعلي (معدلات الخطأ، أزمنة التماسك) من معايرة الخلفية.
- يسمح هذا الفصل للوكيل بتعلم استراتيجيات خاصة بكل مرحلة: قرارات التخطيط/التوجيه بناءً على البنية المنطقية، وقرارات التحسين بناءً على ملفات الضجيء الفيزيائية.
فضاء الحالة (State Space):
- يتضمن مؤشر مرحلة بنظام (one-hot) (البداية، التخطيط، التوجيه، الترجمة، التحسين، التنظيف).
- تمثيل ميزات الدائرة كمتجهات (تنسورات) (الكيوبتات المنطقية قبل التخطيط، الكيوبتات الفيزيائية بعد التخطيط).
- ميزات عالمية تشمل عدد البوابات، العمق، ونسب توافق الطوبولوجيا.
فضاء الإجراءات والقناع الديناميكي (Action Space & Dynamic Masking):
- يختار الوكيل مراحل ترجمة محددة أو إجراء "تخطي" في كل مرحلة.
- يفرض القناع الديناميكي للإجراءات (Dynamic Action Masking) تسلسلات ترجمة صالحة؛ حيث يمنع الانتقالات غير الصخرية (مثل تخطي التوجيه قبل التخطيط) ويضمن تلبية قيود العتاد، مما يضمن أن كل حلقة مكتملة تنتج دائرة قابلة للتنفيذ.
هيكل المكافأة (Reward Structure):
- المكافآت المشكلة (Shaped Rewards): لمعالجة مشكلة تخصيص الائتمان (credit assignment) عبر المراحل المتعددة، يستخدم TuniQ مكافآت وسيطة بناءً على مقياس جودة الترجمة (TQ). يقدر هذا المقياس احتمالية النجاح (ESP) باستخدام معدلات خطأ البوابات وعمق الدائرة، ويتكيف مع انتقال الدائرة من التمثيل المنطقي إلى الفيزيائي.
- المكافأة النهائية: عند الاكتمال، يتلقى الوكيل مكافأة بناءً على النسبة اللوغاريتمية لـ ESP المحقق مقابل خط أساس Qiskit المستوى 3 (المحسن للدقة)، مدمجة مع حدود مساعدة لتقليل عدد البوابات والعمق.
التدريب والاستدلال (Training & Inference):
- التدريب: يستخدم خوارزمية Maskable PPO (تحسين السياسة القريبة) على دوائر عشوائية وملفات ضجيج خلفية مضطربة لضمان المتانة.
- الاستدلال: تكون السياسة ثابتة (frozen). يقوم النظام بعملية تمرير أمامي واحدة لاختيار المراحل، مما يضيف عبئاً ضئيلاً جداً (<1% من إجمالي وقت الترجمة). لا يتم إجراء ترجمة مرجعية أو حساب للمكافأة أثناء الاستدلال.

المساهمات الرئيسية

أول مختار عبر المراحل مشروط بالضجيج: TuniQ هو أول نظام يصيغ الترجمة كمشكلة اختيار مراحل موحدة عبر المراحل مشروطة بملفات تعريف الضجيج في الوقت الفعلي، مع تحسين الدقة ووقت الترجمة معاً.
امتدادات مبتكرة للتعلم التعزيزي: يقدم البحث ترميزاً مزدوجاً لتمثيل مدرك للمرحلة، ومكافآت مشكلة لتخصيص الائتمان عبر المراحل، وقناع إجراء ديناميكي لضمان صحة الترجمة.
القابلية للتوسع والتعميم: تم تدريب النظام على نماذج دوائر صغيرة (5-10 كيوبت)، لكنه يتوسع بفعالية ليصل إلى دوائر بمقياس المنفعة (حتى 65 كيوبت) دون الحاجة لإعادة التدريب. كما يعمم عمله عبر مختلف خلفيات IBM Quantum (Torino, Fez, Kingston, Pittsburgh) بطريقة "الصفر المعرفة" (zero-shot).
مفتوح المصدر: الإطار البرمجي والتنفيذ متاحان كمصدر مفتوح لتسهيل تبني المجتمع التقني له.

النتائج التجريبية

تم التقييم على أعباء عمل متنوعة (MQTBench, QASMBench) عبر معالجات متعددة من سحابة IBM Quantum:

تحسين الدقة: يحسن TuniQ دقة المخرجات (يقلل TVD) بمتوسط 20% مقارنة بمترجم Qiskit (المحسن للدقة) المتطور. بالنسبة لمعايير محددة مثل QPE، انخفضت قيمة TVD من 0.76 إلى 0.50، مما حسن نجاح الخوارزمية بشكل كبير.
وقت الترجمة: يقلل Tunic من وقت الترجمة بمتوسط 34%. وهذا أمر بالغ الأهمية للخوارزميات التباينية (مثل VQE وQAOA) التي تعيد ترجمة الدوائر آلاف المرات.
التوسع: مع زيادة حجم الدائرة (حتى 65 كيوبت)، تنمو ميزة TuniQ، حيث ينتج دوائر بعدد بوابات أقل بنسبة 40% وعمق أقل بنسبة 50% عن خط الأساس.
المتانة: يحافظ النظام على فعاليته عبر مستويات ضجيج متفاوتة (محاكاة عبر تغيير معدلات الخطأ) وأجيال مختلفة من العتاد (Heron R1–R3)، مما يظهر المرونة تجاه انحراف المعايرة.

الأهمية والادعاءات

يدعي البحث أن TuniQ يعالج قصوراً جوهرياً في الترجمة الكمومية الحالية: الاعتماد على تسلسلات مراحل ثابتة ومستقرة. ومن خلال الانتقال إلى نهج تعلم تكيفي، يثبت TuniQ أن الاختيار الأمثل للمراحل يعتمد بشدة على السياق الخاص بالدائرة، والعتاد، وبيئة الضجيج.

يؤكد المؤلفون أن TuniQ لا يحسن مقياساً واحداً فحسب، بل يوفر توازناً أفضل بين الجودة والوقت. وخلافاً للطرق القائمة على البحث (مثل الخوارزميات التطورية) التي تسبب عبئاً عالياً لكل دائرة، يقوم TeyQ بتوزيع تكلفة البحث أثناء التدريب، مما يجعله مناسباً لسير عمل الحوسبة عالية الأداء (HPC) حيث تعتبر الإنتاجية أمراً ضرورياً. يشير العمل إلى أنه مع تطور الأجهزة الكمومية نحو القدرة على تصحيح الأخطاء، ستظل الترجمة التكيفية رافعة أداء رئيسية، ويوفر TuniQ إطاراً قابلاً للتوسع لتحقيق هذه الإمكانات.