⚛️ quantum physics

Q-PhotoNAS: Hybrid Quantum Neural Architecture Search Framework on Photonic Devices

تقدم هذه الورقة البحثية Q-PhotoNAS، وهو إطار عمل هجين للبحث عن البنية العصبية يجمع بين الخوارزميات الجينية والترميز الطوري الكمي القابل للتعلم لتصميم وتحسين النماذج الفوتونية الكمية-الكلاسيكية تلقائياً، محققاً دقة عالية في معايير تصنيف الصور مع إظهار قدرات استخراج الميزات الفريدة للأجهزة الفوتونية.

المؤلفون الأصليون: Farah Elnakhal, Alberto Marchisio, Nouhaila Innan, Gabriel Falcao, Muhammad Shafique

نُشر 2026-05-22

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Farah Elnakhal, Alberto Marchisio, Nouhaila Innan, Gabriel Falcao, Muhammad Shafique

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 بناء الوصفة المثالية لطبق معقد، ولكن لديك طباخان مختلفان تماماً يعملان معاً: طباخ بشري (كمبيوتر كلاسيكي) وساحر (كمبيوتر كمومي). الطباخ البشري بارع في تقطيع الخضروات وتنظيم المكونات، بينما يستطيع الساحر القيام بخدع يستحيل على البشر القيام بها بمفردهم.

المشكلة تكمن في أن معرفة كيف يجب أن يعمل هذان الاثنان معاً أمر صعب للغاية. إذا تركت الطباخ البشري يطبخ بمفرده، سيكون الطبق جيداً. وإذا تركت الساحر يحاول بمفرده، فستكون النتيجة كارثية. ولكن إذا حاولت دمج مهاراتهما، فهناك مليارات الطرق لجمع مهاراتهما معاً. ومحاولة تجربة كل تركيبة بمفردها ستستغرق وقتاً أطول مما وجد الكون.

تقدم هذه الورقة البحثية Q-PhotoNAS، وهو "روبوت تذوق" ذكي يجد تلقائياً الوصفة المثالية لفريق (البشر + السحرة)، وتحديداً لنوع من الكمبيوترات الكمومية التي تستخدم الضوء (الفوتونات) بدلاً من الكهرباء.

إليك كيف يعمل ذلك، مقسماً إلى مفاهيم بسيطة:

١. المشكلة: خيارات كثيرة جداً

فكر في تصميم هذا النظام الهجين مثل بناء سيارة مخصصة. عليك أن تقرر:

حجم المحرك.
نوع الوقود المستخدم.
كيف تتصل عجلة القيادة بالعجلات.
لون المقاعد.

في عالم الحوسبة الكمومية القائمة على الضوء، هناك حوالي 37 مليار طريقة مختلفة لترتيب هذه الأجزاء. حاول المؤلفون القيام بذلك يدوياً (مثل ميكانيكي يخمن أي الأجزاء تناسب بعضها البعض) ووجدوا أن ذلك كان بطيئاً وغالباً ما ينتج عنه سيارة لا تعمل بشكل جيد. كانوا بحاجة إلى طريقة لاختبار أفضل التوليفات تلقائياً.

٢. الحل: روبوت الطاهي "التطوري"

ابتكر المؤلفون نظاماً يسمى Q-PhotoNAS يعمل كمعمل تطور رقمي. بدلاً من تخمين البشر، يستخدم الكمبيوتر خوارزمية جينية (Genetic Algorithm).

المجتمع (The Population): تخيل أن الروبوت ينشئ 20 "وصفة طفل" (بنى هيكلية) في وقت واحد.
الاختبار: يقوم بطبخ نسخة مصغرة وسريعة من الطبق (باستخدام كمية صغيرة من البيانات) ليرى مدى لذتها.
الاختيار (Selection): يحتفظ بأفضل 20 وصفة مذاقاً ويرمي الوصفات السيئة.
الخلط (Crossover): يأخذ أفضل الأجزاء من وصفتين جيدتين ويمزجهما معاً. على سبيل المثال، قد يأخذ "المحرك" من الوصفة (أ) و"المقود" من الوصفة (ب) لصنع وصفة جديدة (ج) قد تكون أفضل.
الطفرة (Mutation): أحياناً، يغير المكون بشكل عشوائي (مثل إضافة رشة ملح بدلاً من السكر) ليرى ما إذا كان ذلك سيحسن النكهة.
الحلقة (The Loop): يكرر هذه العملية 30 مرة. مع كل جولة، تصبح الوصفات أفضل وأفضل، وتتطور نحو المزيج المثالي.

٣. المكون الخاص: "الضوء القابل للتعلم"

أحد أكبر الابتكارات في هذه الورقة هو كيفية التعامل مع الجزء "الساحر". عادةً، عندما تغذي البيانات في كمبيوتر كمومي، يجب عليك إجبارها على اتخاذ شكل محدد (مثل محاولة حشر وتد مربع في ثقب مستدير).

في هذا الإطار الجديد، يتعلم الروبوت كيفية تشكيل الضوء نفسه. فهو يكتشف الطريقة المثالية لتحويل بيانات الصور إلى "أطوار" (مثل ضبط توقيت الموجة) بحيث يمكن للكمبيوتر الكمومي فهمها بأفضل شكل. إنه يشبه تعليم الروبوت للساحر بالضبط كيف يلوح بعصاه للحصول على أفضل نتيجة، بدلاً من إجبار الساحر على استخدام خدعة جامدة ومحددة مسبقاً.

٤. النتائج: وصفة فائزة

اختبر الروبوت وصفاته الجديدة على مجموعتين شهيرتين من بيانات الصور: Digits (أرقام مكتوبة بخط اليد من 0-9) و MNIST (مجموعة أكبر وأصعب من الأرقام المكتوبة بخط اليد).

الدرجة: وجد الروبوت وصفة حققت دقة بنسبة 99.44% في اختبار Digits و 98.78% في اختبار MNIST.
المقارنة: عندما قارنوا فريق (الإنسان + الساحر) بفريق (الإنسان فقط) - وهو كمبيوتر قياسي بدون الجزء الكمومي - فاز الفريق الهجين في كل مرة.
لماذا فاز: أظهر التحليل أن "الساحر" (الطبقة الفوتونية) لم يكن مجرد تكرار لما فعله "الإنسان" (الطباخ البشري)، بل كان يجد أنماطاً وميزات خفية لم يستطع الإنسان رؤيتها، مما أضاف فعلياً بُعداً جديداً من "النكهة" للطبق.

٥. فحص السرعة: ما مدى سرعة السحر؟

حسب المؤلفون أيضاً المدة التي سيستغرقها هذا على كمبيوتر كمومي حقيقي (شريحة Quandela Ascella) الذي يستخدم الضوء.

عنق الزجاجة (The Bottleneck): الجزء الأبطأ ليس حركة الضوء (التي هي فورية) أو الكشف؛ بل هو التسخين. تستخدم الآلة الحرارة لتغيير مسار الضوء، وهذا يتطلب بعض الوقت لرفع درجة الحرارة وتبريدها.
الوقت: حتى مع تأخير التسخين هذا، استطاع النظام تحديد صورة واحدة في حوالي 67 ميلي ثانية (لاختبار Digits) و 149 ميلي ثانية (لاختبار MNIST). وهذا سريع بما يكفي ليكون عملياً للعديد من المهام الواقعية.

الملخص

باخت sort، تُظهر هذه الورقة أننا لسنا بحاجة لأن نكون مهندسين عباقرة لبناء كمبيوترات كمومية للذكاء الاصطناعي. بدلاً من ذلك، يمكننا استخدام روبوت تطوري آلي للبحث عبر مليارات الاحتمالات، وإيجاد الطريقة المثالية لخلط الكمبيوترات الكلاسيكية مع الكمبيوترات الكمومية الضوئية، وإنشاء نظام أكثر ذكاءً ودقة مما يمكن لأي منهما تحقيقه بمفرده. إنه الفرق بين محاولة إنسان تخمين التصميم المثالي للسيارة وبين مصنع يبني، ويختبر، ويحسن السيارات تلقائياً حتى تصبح مثالية.

ملخص تقني: Q-PhotoNAS

بيان المشكلة
تقدم الحوسبة الكمومية الفوتونية منصة واعدة لتعلم الآلة الكمومي (QML) القابل للتوسع، وذلك بفضل تشغيلها في درجة حرارة الغرفة، وانخفاض فك الترابط، وتوافقها مع شبكات الألياف الضوئية القائمة. ومع ذلك، يظل تصميم البنى الهجينة المكونة من الفوتونات والأنظمة الكلاسيكية تحديًا كبيرًا. تعتمد النهج الحالية على الضبط اليدوي لمكونات متميزة: مسارات المعالجة المسبقة الكلاسيكية، واستراتيجيات ترميز البيانات (رسم الخرائط للميزات الكلاسيكية إلى الأطوار الضوئية)، وهيكل الطبقات الكلاسيكية المحيطة. وكما هو موضح في الأمثلة المحفزة في الورقة (الشكل 1)، فإن تحقيق دقة تنافسية على مجموعات بيانات مثل Digits وMNIST يتطلب محاولات تكرارية مصممة يدويًا، حيث تتطلب كل تغييرات بنيوية عملية إعادة تدريب كاملة. إن فضاء التصميم المشترك واسع جدًا (حوالي $3.7 \times 10^{10}$ تكوين)، كما أن التفاعلات القوية بين المكونات تجعل الضبط اليدوي الجشع غير موثوق به وغير فعال. علاوة على ذلك، فإن أطر البحث عن البنية العصبية (NAS) الموجودة لا تستهدف تحديدًا الأجهزة الفوتونية، التي تمتلك قيودًا فريدة (مثل عدد الأنماط الثابت، وعدم خطية الترميز المحددة) تختلف عن أنظمة الكيوبت القائمة على البوابات.

المنهجية: إطار عمل Q-PhotoNAS
يقترح المؤلفون Q-PhotoNAS، وهو إطار عمل للبحث عن البنية العصبية مصمم خصيصًا للنماذج الهجينة الفوتونية الكمومية-الكلاسيكية. يدمج النظام أربع مراحل: المعالجة المسبقة للبيانات، تطوير النموذج التدريجي، البحث القائم على الخوارزمية الجينية (GA)، وتقدير وقت تنفيذ الأجهزة.

الجينوم وفضاء البحث: يقوم الإطار بتشفير 19 معلمة فائقة عبر ست مجموعات جينية وظيفية:
- البيانات/المعالجة المسبقة: مكونات تحليل المكونات الرئيسية (PCA) ومعلمات المقدمة الالتفافية.
- الشبكة ما قبل الكمومية: العمق، العرض، دالات التنشيط، والتطبيع للطبقات الكلاسيكية التي تسبق الدائرة الكمومية.
- ترميز الطور: آلية ترميز قابلة للتعلم ومبتكرة تحل محل المخططات الثابتة. وهي تستخدم تحويلًا قابلًا للاشتقاق $\theta_i = \text{act}_\phi(x_i \cdot s_i + b_i) \cdot \pi$ ، حيث يتم تحسين دالة التنشيط ( $\sigma$ ، أو $\tanh$ ، أو $\text{clamp}$ )، وتدرج التهيئة ( $s_i$ )، وتضمين الانحياز ( $b_i$ ) جميعها بواسطة الخوارزمية الجينية.
- الطبقة الكمومية: بُعد مخرجات الدائرة الفوتونية.
- رأس المصنف: عمق وعرض وتنشيط الطبقات الكلاسيكية النهائية.
- التدريب: معدل التعلم، الجدول الزمني، اضمحلال الوزن، وتقليم التدرج.
  يتسع فضاء البحث ليشمل حوالي $3.7 \times 10^{10}$ تكوين.
استراتيجية الخوارزمية الجينية: تقوم الخوارزمية الجينية بتطوير مجتمع من 20 بنية مرشحة عبر 30 جيلًا. وهي تستخدم:
- العبور القائم على المجموعات: للحفاظ على التماسك البنيوي، يتم توريث مجموعات جينية كاملة (مثل جميع المعلمات ما قبل الكمومية) كوحدات من الآباء، مما يمنع إنشاء بنيات غير متسقة (مثل الشبكات العميقة ذات العروض الضيقة).
- الطفرة لكل جين: مزيج من الخطوات المحلية والقفزات العالمية لتنقية أو تنويع التكوينات.
- النخبوية: يتم الحفاظ على أفضل فردين دون تغيير.
- تقييم اللياقة: يتم تقييم المرشحين بناءً على ميزانية "وكيلة" قصيرة (5 حقب تدريبية على 1,000 عينة لـ Digits؛ 3 حقب تدريبية على 5,000 عينة لـ MNIST) لتقدير دقة التحقق. بعد ذلك، يتم إعادة تدريب أفضل بنية تم العثور عليها بشكل كامل لمدة 100 حقبة تدريبية على مجموعة البيانات الكاملة.
تقدير الأجهزة: يتضمن الإطار نموذجًا رياضيًا قائمًا على المبادئ الأولى لتقدير وقت التنفيذ على وحدة المعالجة الكمومية الفوتونية Quandela Ascella. يتم نمذجة زمن الاستجاب الإجمالي ( $T_{total}$ ) كمجموع لزمن إعادة تهيئة مُغير الطور ( $T_{prep}$ )، وزمن انتشار الموجة الموجهة ( $T_{prop}$ )، وزمن الكشف ( $T_{det}$ )، والعبء الإلكتروني الإضافي ( $T_{lat}$ ). وتأخذ محاكاة مونت كارلو في الاعية الانجراف الحراري، وعدم اليقين في تطابق الفوتونات، والارتجاف الإلكتروني.

النتائج الرئيسية
تم تقييم الإطار على معايير تصنيف الصور Digits وMNIST.

الدقة: حقق Q-PhotoNAS دقة تحقق نهائية بلغت 99.44% في Digits و98.78% في MNIST. وتتفوق هذه النتائج بشكل كبير على النماذج المرجعية المصممة يدويًا (مثل الدوائر الكمومية النقية أو الهجينات ذات الترميز الثابت) وتساوت مع النماذج المرجعية الكلاسيكية فقط.
المساهمة الكمومية: كشف تحليل البنى المتعلمة أن الطبقة الفوتونية تستخرج ميزات غير زائدة.
- بالنسبة لـ Digits، كانت تشابه جيب التمام بين الفئات في المخرجات الكمومية منخفضة (0.135)، مما يشير إلى فصل متعامد للفئات. وكانت التشابه بين الميزات الكمومية والكلاسيكية لكل عينة 0.167، مما يشير إلى معلومات متكاملة.
- بالنسبة لـ MNIST، كان التشابه بين الفئات 0.100، وكان التشابه لكل عينة -0.154، مما يشير إلى أن الطبقة الفوتونية تعمل على عدم المحاذاة مع المسار الكلاسيكي، مما يوفر شكلاً أقوى من التكامل.
- تفوقت النماذج الهجينة باستمرار على النماذج الكلاسيكية فقط المتساوية في عدد المعلمات بنحو 0.65 نقطة مئوية (Digits) و0.83 نقطة مئوية (MNIST)، مع تباين أقل عبر البذور العشوائية.
زمن استجابة الأجهزة: في وحدة المعالجة الكمومية Quandela Ascella، كانت أوقات الاستدلال للصورة الواحدة المقدرة هي ~67 مللي ثانية لـ Digits و**~149 مللي ثانية** لـ MNIST. حدد التحليل أن إعادة تهيئة مُغير الطور الحراري هي التكلفة المهيمنة (حيث تشكل أكثر من 88% من ميزانية الكم)، وتتوسع خطيًا مع عمق الدائرة.

الأهمية والادعاءات
تدعي الورقة أنها تقدم أول إطار عمل لـ NAS مصمم خصيصًا للبنى الهجينة الفوتونية الكمومية-الكلاسيكية. وتكمن أهميتها في:

الاستكشاف المنهجي لفضاء التصميم: إنها تنتقل من التصميم اليدوي القائم على التجربة والخطأ إلى بحث مؤتمت يتعامل مع التفاعلات المعقدة وغير القابلة للاشتقاق بين المعالجة المسبقة الكلاسيكية، وترميز الطور القابل للتعلم، وبنية الدائرة الفوتونية.
الترميز القابل للتعلم: من خلال معاملة تحويل ترميز الطور كمحور تصميم يتم تحسينه بشكل مشترك، يسمح الإطار للدائرة الفوتونية بمحاذاة فضاء الطور الخاص بها مع توزيع البيانات من البداية إلى النهاية، متجاوزًا قيود مخططات الترميز الثابتة.
الجدوى العملية: تثبت النتائج أن البحث المؤتمت عملي للأنظمة الفوتونية الهجينة، حيث يحقق دقة عالية مع أوقات استدلال في نطاق عشرات المللي ثانية على الأجهزة الفوتونية الحرارية الحالية.
التحسين المدرك للأجهزة: يسمح تضمين مقدر توقيت قائم على المبادئ الأولى بتحديد اختناقات الأجهزة (خاصة إعادة التهيئة الحرارية)، مما يوجه تطوير الأجهزة المستقبلي نحو البدائل الكهروضوئية.

يخلص المؤلفون إلى أن Q-PhotoNAS يوفر إطار عمل قابلاً لإعادة الاستخدام ومنهجيًا للتصميم المنهجي للذكاء الاصطي_الكمومي على الأجهزة الفوتونية، مما يمهد الطريق لاستكشاف أعداد أكبر من الأنماط واستراتيجيات ترميز بديلة.