⚛️ quantum physics

Practical Quantum Topological Data Analysis with Applications to High-Dimensional Feature Extraction and Time Series Analysis

تُثبت هذه الورقة الفائدة العملية لتحليل البيانات الطوبولوجي الكمي من خلال إعادة صياغته كطريقة لاستخراج الميزات تعتمد على العزوم الطيفية من الرتب المنخفضة لـ "لابلاسيان" التوافقي لتحسين الأداء التنبؤي في تطبيقات السلاسل الزمنية، مدعومة بخوارزمية كمية مبتكرة قائمة على العزوم وتحقق تجريبي على أجهزة كمية تعتمد على الباريوم.

المؤلفون الأصليون: Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

نُشر 2026-07-30

📖 6 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Jason Iaconis, Sayonee Ray, Samwel Sekwao, Claudio Girotto, Martin Roetteler

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 فهم نظام معقد، مثل مدينة صاخبة، أو دماغ بشري، أو سوق الأوراق المالية. عادةً، ننظر إلى هذه الأنظمة من خلال فحص الأجزاء الفردية أو كيفية تواصل جزءين مع بعضهما البعض. ولكن ماذا لو كان السر الحقيقي يكمن في كيفية تفاعل مجموعات من الأجزاء معاً في وقت واحد؟ هذا هو مجال تحليل البيانات الطوبولوجي (TDA). فكر في الـ TDA كطريقة للنظر إلى "شكل" البيانات. بدلاً من مجرد عد النقاط، يتساءل: "هل توجد حلقات؟" "هل توجد فقاعات مجوفة؟" "هل يوجد نفق عملاق يمر عبر المنتصف؟" هذه الأشكال، التي تسمى الميزات الطوبولوجية، يمكن أن تكشف عن أنماط خفية قد تغفل عنها الرياضيات التقليدية.

ومع ذلك، هناك عقبة. حساب هذه الأشكال للبيانات عالية الأبعاد أمر صعب للغاية على الحواسيب الكلاسيكية. الأمر يشبه محاولة عد كل الطرق الممكنة لتشكيل مجموعة من الأصدقاء لنادٍ سري في مدينة تضم الملايين؛ حيث ينفجر عدد الاحتمالات بسرعة كبيرة لدرجة أن أسرع الحواسيب الخارقة ستتعثر. وهنا يأتي دور الحوسبة الكمومية في القصة. تستخدم الحواسيب الكمومية القواعد الغريبة للفيزياء للتعامل مع كميات هائلة من الاحتمالات في وقت واحد. وكان السؤال الكبير هو: هل يمكن للحواسيب الكمومية القيام بهذا العمل المفيد لمشاكل حقيقية، أم أنه مجرد حلم نظري؟

تقول هذه الورقة البحثية، التي كتبها باحثون في IonQ، "نعم، ولكن مع لمسة خاصة". إنهم يجادلون بأنه لا ينبغي لنا محاولة استخدام الحواسيب الكمومية لحساب العدد الدقيق لهذه الأشكال (الذي لا يزال صعباً للغاية). بدلاً من ذلك، يجب أن نستخدمها لاستخراج "بصمات" أو ميزات محددة للشكل تكون جيدة بما يكفي لمساعدتنا في إجراء التنبؤات. اختبر المؤلفون هذه الفكرة على مشكلتين مختلفتين تماماً من الواقع: تشخيص أمراض الدماغ باستخدام صور الرنين المغناطيسي (MRI)، والتنبؤ بانهيارات سوق الأوراق المالية. ووجدوا أن ميزات "الشكل" ذات المستوى الأعلى هذه تحتوي على معلومات قيمة تساعد الحواسيب على التنبؤ بالأمراض وعدم استقرار السوق بشكل أفضل من مجرد النظر إلى الاتصالات البسيطة وحدها.

لإثبات نجاح ذلك، لم يكتف الفريق بمجرد إجراء عمليات محاكاة؛ بل قاموا ببناء دائرة كمومية وشغلوها على حاسوب كمومي حقيقي يعمل بأيونات الباريوممحبوسة. لقد نجحوا في استخراج هذه "البصمات الشكلية" من رسوم بيانية صغيرة وأظهروا أن النتائج تطابقت مع ما تنبأت به الرياضيات الكلاسيكية. ورغم أن الحاسوب الكمومي الذي استخدموه لا يزال صغيراً، إلا أن عملهم يشير إلى مسار واضح للمضي قدماً: من خلال التركيز على هذه الميزات المحددة والمفيدة بدلاً من الدقة المطلقة، يمكن للحواسيب الكمومية قريباً حل مشكلات البيانات التي تعد حالياً مستحيلة على الآلات الكلاسيكية.

شكل الأشياء القادمة

دعونا نتعمق في التفاصيل. بدأ الباحثون بالنظر إلى عالمين مختلفين تماماً: الدماغ البشري والأسواق المالية.

1. الدماغ: إيجاد المرض في شكل الأفكار
نظر الفريق إلى بيانات فحوصات الرنين المغناطيسي الوظيفي (fMRI)، التي تتبع تدفق الدم في الدماغ لمعرفة الأجزاء النشطة. عادةً، ينظر العلماء إلى كيفية اتصال منطقتين في الدماغ. لكن الباحثين تساءلوا: ماذا لو نظرنا إلى كيفية اتصال مجموعات من المناطق؟ لقد حولوا بيانات نشاط الدماغ إلى "سحابة نقاط" (مجموعة من النقاط في الفضاء) ثم استخدموا الـ TDA لإيجال حلقات وفراغات في الشكل الذي تشكله هذه النقاط.

اختبروا هذا على بيانات من مرضى مصابين بمرض الزهايمر وأفراد أصحاء. ووجدوا أن النظر إلى الأشكال عالية الأبعاد (مثل الفراغات ثلاثية الأبعاد أو الأنفاق رباعية الأبعاد) أعطاهم أدلة أفضل حول من يعاني من المرض مقارنة بمجرد النظر إلى الاتصالات البسيطة. على سبيل المثال، عندما استخدموا شبكة عصبية لتصنيف المرضى، أدى إضافة ميزات الشكل المعقدة هذه إلى تعزيز دقة التصنيف. وبينما لم تكن الدقة مثالية بعد (حوالي 74% لأفضل نموذج)، فإن النقطة الجوهرية هي أن الأشكال "عالية الرتبة" كانت تحمل معلومات فاتتها الطرق الأبسط. وهذا يشير إلى أن الطريقة التي تتفاعل بها مناطق الدماغ في مجموعات قد تكون دليلاً حاسماً لتشخيص الأمراض العصبية التنكسية.

2. السوق: رؤية الانهيار قبل حدوثه
بعد ذلك، انتقلوا إلى سوق الأوراق المالية. البيانات المالية فوضوية ومليئة بالضجيج، لكن الباحثين اعتقدوا أن "شكل" كيفية تحرك الأسهم المختلفة معاً يمكن أن يتنبأ بانهيار. أخذوا أسعار الإغلاق اليومية لـ 17 مؤشراً رئيسياً للأسهم وحولوها إلى سحابة نقاط باستخدام تقنية "تأخير التضمين الزمني" (time-delay embedding). هذا يشبه أخذ لقطة لشكل السوق كل يوم.

وجدوا أنه مع اقتراب السوق من انهيار كبير (مثل عام 2008 أو 2020 أو 2022)، يتغير "شكل" البيانات بشكل دراماتيكي. وتحديداً، أظهرت الميزات عالية الأبعاد (مثل الفراغات ثلاثية وثنائية الأبعاد) طفرات ضخمة قبل انخفاض السوق مباشرة. كانت هذه الطفرات أكثر وضوحاً وقدرة على التنبؤ من الحلقات البسيطة (الميزات أحادية البعد) التي نظر إليها المحللون سابقاً. في الواقع، عملت إشارة "الشكل" الخاصة بهم كإشارة استباقية، حيث حذرت من التراجع قبل حوالي 100 يوم من وقوعه، متفوقة على الأدوات المالية التقليدية مثل مؤشر MACD.

القفزة الكمومية: من النظرية إلى الأجهزة

إذاً، نحن نعلم أن ميزات "الشكل" هذه مفيدة. ولكن هل يمكن للحاسوب الكمومي العثه فعلياً؟ كانت الطريقة التقليدية لاستخدام الحواسيب الكمومية لهذا الغرض هي محاولة حساب العدد الدقيق للثقوب (أرقام بيتي - Betti numbers) في البيانات. يجادل المؤلفون بأن هذا صعب للغاية وغير ضروري. بدلاً من ذلك، اقترحوا طريقة جديدة: الـ TDA القائم على العزوم (Moment-Based Quantum TDA).

فكر في الأمر كالتالي: بدلاً من عد كل ثقب منفرد في جبنة سويسرية لمعرفة ما إذا كانت جيدة أم لا، يمكنك فقط قياس متوسط كثافة الثقوب. إذا كانت الكثافة صحيحة، فأنت تعلم أنها جبنة جيدة. طور الباحثون خوارزمية كمومية تقيس هذه "العزوم" (تحديداً الأثر النسبي لكائن رياضي يسمى "لابلاسيان التوليفي" - Combinatorial Laplacian). وقد أظهروا من خلال المحاكاة أن هذه العزوم ترتبط ارتباطاً وثيقاً بالعدد الفعلي للثقوب، حتى عندما يكون عدد الثقوب ضئيلاً جداً.

اختبار الأجهزة
لإثبات أن هذا لم يكن مجرد محاكاة حاسوبية، قاموا بتشغيل خوارزميتهم على حاسوب كمومي حقيقي في IonQ. استخدموا نظاماً مكوناً من 40 كيوبت (بت كمومي) يعتمد على أيونات الباريوم المحبوسة. واختبروه على نوعين من الرسوم البيانية:

رسم بياني صغير بـ 8 عقد.
رسم بياني أكبر قليلاً بـ 16 عقدة.

كانت النتائج واعدة. نجح الحاسوب الكمومي في قياس "البصمات الشكلية" (الأثر النسبي) وطابقت القيم الحسابات الكلاسيكية الدقيقة بشكل وثيق جداً. وحتى مع الضجيج المتأصل في الأجهزة الكمومية الحالية، استطاع الجهاز التمييز بين الرسوم البيانية ذات الميزات الطوبولوجية المختلفة. وهذا أمر بالغ الأهمية لأنه من أوائل المرات التي يتم فيها استخدام حاسوب كمومي لاستخراج الميزات الطوبولوجية من بيانات حقيقية ومقارنتها مباشرة بـ "الحقيقة الأرضية".

لماذا يهم هذا؟

تخلص الورقة البحثية إلى أننا لسنا بحاجة لانتظار حاسوب كمومي مثالي وخالٍ من الأخطاء للبدء في القيام بعمل مفيد. من خلال تغيير الهدف من "الحساب الدقيق" إلى "استخراج الميزات"، يصبح التفوق الكمومي قابلاً للتحقيق في وقت أقرب بكثير.

يقترح الباحثون أنه بالنسبة للبيانات المعقدة وعالية الأبعاد مثل فحوصات الدماغ أو الأسواق المالية، فإن "النقطة المثالية" للتفوق الكمومي قد تكون قريبة جداً. ويقدرون أنه بالنسبة للرسوم البيانية ذات الاتصال العالي (الشبكات الكثيفة)، يمكن للحاسوب الكمومي حل هذه المشكلات بشكل أسرع من الحاسوب الخارق الكلاسيكي بمجرد وصول حجم الرسم البياني إلى ما بين 70 و1200 عقدة، اعتماداً على التعقيد.

باخت-صار، تجسر هذه الورقة البحثية الفجوة بين الرياضيات المجردة والمنفعة في العالم الحقيقي. إنها تظهر أن الحواسيب الكمومية يمكنها بالفعل مساعدتنا في رؤية الأشكال الخفية في بياناتنا، مما يوفر عدسة جديدة لفهم كل شيء، من العقل البشري إلى الاقتصاد العالمي. وبينما لا تزال هذه التكنولوجيا في مراحلها الأولى، فإن المسار نحو المستقبل يبدو واضحاً: استخدم الحواسيب الكمومية لإيجاد "شكل" المشكلة، واترك الحواسيب الكلاسيكية تقوم بالباقي.

ملخص تقني: تحليل البيانات الطوبولوجية الكمومية العملي مع تطبيقات في استخراج الميزات عالية الأبعاد وتحليل السلاسل الزمنية

بيان المشكلة

يوفر تحليل البيانات الطوبولوجية (TDA) إطارًا قويًا لتوصيف شكل البيانات المعقدة وغير المهيكلة من خلال الثوابت الطوبولوجية مثل أعداد بيتي (Betti numbers). ومع ذلك، فإن التكلفة الحسابية لحساب الميزات الطوبولوجية عالية الأبعاد (تحديدًا أعداد بيتي للدرجات الهومولوجية $d > 1$ ) على الأجهزة الكلاسيكية تمثل عائقًا كبيرًا. حيث ينمو عدد الـ $d$ -simplices المحتملة في المركب بشكل توافقي، مما يجعل حساب الميزات عالية الرتبة غير ممكن للبيانات الضخمة والكثيفة. وبينما تم اقتراح خوارزميات كمومية لـ TDA لتجاوز هذا العائق، فإن النهج الحالي يركز عادةً على التقدير الدقيق أو عالي الدقة لأعداد بيتي. هذا التركيز الضيق يحد من نطاق الميزة الكمومية العملية، حيث يتطلب غالبًا أن يكون عدد بيتي النسبي (نسبة أعداد بيتي إلى إجمالي الـ cliques) كبيرًا، وهو شرط لا يتحقق دائمًا في بيانات العالم الحقيقي.

يجادل المؤلفون بأنه بالنسبة لتطبيقات علم البيانات العملية، فإن الهدف غالبًا ليس حساب أعداد بيتي الدقيقة في الإطار العام، بل استخراج معلومات طوبولوجية تعمل على تحسين مهام التنبؤ اللاحقة (مثل التصنيف أو كشف الشذوذ). وهم يفترضون أنه يجب إعادة صياغة النهج الكمومي كطريقة لاستخراج الميزات، باستخدام المعلومات الطيفية منخفضة الرتبة من "لابلاسيان التوافقي" (combinatorial Laplacian) كوكيل للمعلومات الطوبولوجية عالية الأبعاد.

المنهجية

يتبنى البحث نهجًا ذا شقين: التحقق من فائدة ميزات TDA عالية الرتبة في التطبيقات الكلاسيكية، وتطوير خوارزمية كمومية فعالة في الموارد لاستخراج هذه الميزات.

1. التحقق الكلاسيكي من الميزات عالية الرتبة

أثبت المؤلفون أولاً أن الميزات الهومولوجية عالية الرتبة ( $H_2$ إلى $H_4$ ) تحتوي على إشارات تنبؤية في مجالين من السلاسل الزمنية ذات الصلة تجاريًا:

تصنيف الأمراض التنكسية العصبية: باستخدام بيانات الرنين المغناطيسي الوظيفي (fMRI) من مجموعة بيانات OASIS، قام المؤلفون ببناء سحب نقاط من السلالس الزمنية لمناطق الاهتمام (ROI) باستخدام تضمين تاكينس (Takens embedding). قاموا بحساب الهومولوجيا المستمرة حتى البعد 4. أظهرت المصنفات الآلية (الشبكات العصبية وSVM) التي تدربت على هذه الميزات أن تضمين الهومولوجيات عالية الرتبة ( $H_2, H_3, H_4$ ) يحسن دقة التصنيف لمرض ألزهايمر مقارنة بالنماذج التي تستخدم فقط $H_0$ و $H_1$ .
تحليل السلاسل الزمنية المالية: باستخدام بيانات سوق الأسهم (17 مؤشرًا من 2005-2024)، قام المؤلفون ببناء سحب نقاط عبر التضمين بتأخير زمني. حللوا الهومولوجيا المستمرة للكشف عن التغيرات الهيكلية التي تسبق انهيارات السوق. تشير النتائج إلى أن الهومولوجيات عالية الرتبة ( $H_3, H_4$ ) تنتج إشارات أقوى وأكثر قدرة على التنبؤ (قمم في الاستمرار) أثناء تراجعات السوق (مثل أزمة 2008 وجائحة 2020) مقارنة بالميزات منخفضة الرتبة. علاوة على ذلك، أظهر تحليل ارتباط بيرسون المتأخر زمنياً أن إشارات TDA عالية الرتبة تعمل كمؤشرات رائدة، تسبق تغيرات أسعار السوق، بينما لا تظهر المؤشرات التقليدية مثل MACD هذا السلوك الرائد.

2. الخوارزمية الكمومية: استخراج الميزات القائم على العزوم

لمعالجة الاختناق الحسابي، يقترح المؤلفون خوارزمية كمومية قائمة على العزوم لتقدير العزوم الطيفية منخفضة الرتبة لـ "لابلاسيان التوافقي" ( $\Delta_k^\Gamma$ ) بدلاً من حساب أعداد بيتي الدقيقة.

المفهوم الجوهري: بدلاً من عد القيم الذاتية الصفرية (الذي يتطلب دقة عالية عندما يكون عدد بيتي النسبي صغيرًا)، تقوم الخوارما بتقدير الأثر النسبي (relative trace) لـ لابلاسيان، $\text{tr}[\Delta_k^\Gamma]$ . وقد أثبت المؤلفون عددياً أن الأثر النسبي يرتبط بقوة بعدد بيتي $\beta_{k-1}$ ، حتى عندما يكون عدد بيتي النسبي صغيرًا.
بناء الدائرة: تستخدم الخوارزمية ثلاثة مكونات رئيسية:
1. تحميل البيانات: إعداد حالة ديك (Dicke state) $|D_N^k\rangle$ تمثل تراكبًا لجميع الـ $k$ -cliques مع أطوار عشوائية.
2. الإسقاط: الإسقاط على مركب بسيط محدد $\Gamma$ باستخدام القياسات في منتصف الدائرة (MCM) وكيوبتات مساعدة لتصفية الـ non-cliques.
3. تقدير الأثر: تطبيق مؤثر الحدود $B = \partial + \partial^\dagger$ (الذي يتم تنفيذه عبر تقريب Trotter لـ Hamiltonian فيرميوني) وقياس معيار الحالة الناتجة لتقدير الأثر.
كفاءة الموارد: يستخدم المؤلفون القياسات في منتصف الدائرة وقدرات إعادة الضبط لتقليل متطلبات الكيوبتات. عرض الدائرة هو $O(N)$ ، ويعتمد عدد الضربات (shot count) على الدقة المطلوبة وكثافة الـ $k$ -cliques ( $\zeta_k$ )، ولكن الملاحظ أن التعقيد لا يتوسع بقوة مع عدد بيتي النسبي.

النتائج الرئيسية

الأداء الكلاسيكي

fMRI: في مهمة تصنيف ثنائية (ألزهايمر مقابل أصحاء) على مجموعة فرعية مختزلة من OASIS، أدى إضافة ميزات الهومولوجيا عالية الرتبة ( $H_2$ إلى $H_4$ ) إلى شبكة عصبية إلى زيادة الدقة المتوازنة من ~69% ( $H_0$ ) إلى ~74% (جميع الميزات). أظهرت نماذج SVM اتجاهات مماثلة، حيث بلغ الأداء ذروته عند ~66% مع ضغط ميزات محدد.
التمويل: أظهرت منحنيات الهومولوجيا عالية الرتبة ( $H_3, H_4$ ) قممًا أكبر وإشارات أوضح بالقرب من انهيارات السوق مقارنة بـ $H_1$ . كشف تحليل الارتباط المتأخر زمنياً أن إشارات $H_2$ إلى $H_4$ تعمل كمؤشرات رائدة (ارتباط سلبي مع انخفاضات الأسعار المستقبلية)، متفوقة على مؤشر MACD في القدرة التنبؤية.

أداء الخوارزمية الكمومية

التحقق من الارتباط: أكدت المحاكاة العددية على رسوم إردوس-ريني (Erdős-Rényi) وسحب نقاط fMRI وجود ارتباط خطي قوي بين الأثر النسبي $\text{tr}[\Delta_k^\Gamma]$ وعدد بيتي $\beta_{k-1}$ ، حتى مع أعداد بيتي نسبية صغيرة. وهذا يؤكد استخدام الأثر كـ "ميزة وكيل".
تقديرات الموارد: يقدم المؤلفون تقديرات "وقت الحل" (TTS) لمقارنة خوارزميتهم الكمومية مع برمجيات TDA الكلاسيكية (giotto-ph). بالنسبة لأعداد بيتي عالية الأبعاد ( $d=4$ إلى $10 $) في رسوم بيانية ذات كثافة حواف عالية ($ \zeta_2 \approx 0.9$)، يُتوقع أن تتفوق الخوارزمية الكمومية على الطرق الكلاسيكية للرسوم البيانية التي تحتوي على 70 إلى 1,200 عقدة، مع فترات عبور تتراوح من ساعات إلى أيام.
العرض على الأجهزة: تم تنفيذ الخوارزمية على معالج كمومي أيوني (trapped-ion) يعتمد على الباريوم (40 كيوبت، مشابه لخط إنتاج IonQ Tempo).
- التجارب: نُفذت بنجاح على رسوم بيانية مكونة من 8 عقد ( $N=8$ ، قياس $\beta_1$ ) و16 عقدة ( $N=16$ ، قياس $\beta_3$ ).
- التقنية: استخدمت 4 جولات من القياسات في منتصف الدائرة لإسقاط الحالات، مما قلل عدد الكيوبتات المطلوبة من 56 نظريًا إلى 32 لحالة الـ 16 عقدة.
- النتيجة: نجح الجهاز في التمييز بين حالات الرسم البياني ذات أعداد بيتي مختلفة بناءً على الأثر النسبي المقاس لـ لابلاسيان. طابقت النتائج المحاكاة المثالية عن كثب، رغم أن زيادة عمق الدائرة لحالة الـ 16 عقدة أدت إلى ظهور ضوضاء ملحوظة.

الأهمية والادعاءات

يدعي البحث أنه يضع "مسارًا واضحًا نحو الفائدة الكمومية المحتملة" لـ TDA من خلال تغيير النموذج من تقدير عدد بيتي الدقيق إلى استخراج الميزات الطوبولوجية.

الفائدة العملية: يوضح المؤلفون أن الميزات الطوبولوجية عالية الرتبة ليست مجرد بناءات نظرية، بل تحتوي على معلومات قابلة للتنفيذ لمشاكل العالم الحقيقي مثل التشخيص الطبي والتنبؤ المالي، وغالبًا ما تتفوق على الميزات منخفضة الأبعاد.
الجدوى الخوارزمية: من خلال إعادة صياغة المهمة كتقدير للعزوم المنخفضة (الأثر النسبي)، يظهر المؤلفون أن الميزة الكمومية يمكن تحقيقها في النطاقات التي يكون فيها عدد بيتي النسبي صغيرًا، وهو شرط كان يبدو سابقًا أنه يحول دون الميزة الكمومية.
التحقق التجريبي: يوفر هذا العمل أول عرض عملي على الأجهزة الكمومية لـ TDA القائم على العزوم، حيث تمت مقارنة مقدار مقاس من لابلاسيان كمياً مقابل معلومات بيتي الدقيقة للتمييز بين حالات الرسم البياني.
خارطة الطريق: يحدد الجمع بين التحقق من الميزات المدفوع بالتطبيقات وتصميم الخوارزمية الفعالة في الموارد خارطة طريق واقعية لتحقيق التفوق الكمومي في علم البيانات قبل ظهور الحواسيب الكمومية كاملة القدرة على تصحيح الأخطاء.

يظل المؤلفون متواضعين في ادعاءاتهم، مع الإقرار بأن خوارزمتهم الكمومية تقدر مقدارًا مرتبطًا بأعداد بيتي بدلاً من حساب القيم الدقيقة، وأن العرض الحالي للأجهزة محدود بأحجام رسوم بيانية صغيرة. ومع ذلك، يجادلون بأن خصائص القياس (scaling) والارتباط الموضح يشيران إلى أن TKA الكمومي يمكن أن يوفر قيمة عملية لمهام تحليل البيانات عالية الأبعاد والصعبة كلاسيكيًا.