تخيل مدينة يجب فيها على شاحنات التوصيل زيارة عشرات المواقع، بدءاً من مستودع مركزي والعودة إليه، مع تجنب الازدحامات المرورية وضمان عدم عودة أي مسار على نفسه دون زيارة كل نقطة توقف. هذه هي "مسألة توجيه المركبات" (Vehicle Routing Problem)، وهي تحدٍ كلاسيكي في الخدمات اللوجستية يقع في قلب سلاسل التوريد الحديثة. إن إيجاد الطريقة المثلى الوحية لتنظيم هذه المسارات أمر صعب للغاية بالنسبة للحواسيب التقليدية لأن عدد التشكيلات الممكنة ينمو بسرعة كبيرة لدرجة أن أقوى الأجهزة قد تظل عالقة وهي تحاول فحصها جميعاً. ولحل هذه المعضلة، يتجه العلماء إلى نوع جديد من الحوسبة يستخدم القواعد الغريبة لميكانيكا الكم. هذه الآلات الكمومية لا تكتفي بفحص الخيارات واحداً تلو الآخر؛ بل يمكنها استكشاف العديد من الاحتمالات في وقت واحد، مما يوفر طريقاً مختصراً محتملاً عبر متاهة الخيارات. ومع ذلك، فإن تعليم هذه الآلات كيفية إيجاد الإجابة الصحيحة يشبه محاولة توجيه سفينة عبر ضباب كثيف؛ فبدون نقطة بداية واضحة، غالباً ما يضل الحاسوب طريقه في مشهد شاسع ومسطح حيث لا يستطيع التمييز أي اتجاه يؤدي إلى الحل الأفضل.
لقد طور فريق من الباحثين من جامعة فلورنسا وشركة Eni S.p.A طريقة جديدة لتوجيه هذه الحواسيب الكمومية عبر ذلك الضباب، وتحديداً لمسألة توجيه المركبات. يركز عملهم على طريقة تسمى "خوارزمية التحسين التقريبي الكمي" (Quantum Approximate Optimization Algorithm)، والمصممة للعمل على الحواسيب الكمومية الرقمية المتاحة اليوم. حدد الباحثون عقبتين رئيسيتين تمنعان هذه الآلات عادةً من حل مهام التوجيه في العالم الحقيقي. أولاً، غالباً ما تبدأ الخوارزمية بإعدادات عشوائية تؤدي إلى طريق مسدود، وهي ظاهرة تُعرف باسم "الهضاب القاحلة" (barren plateau) حيث لا يستطيع الحاسوب تعلم كيفية تحسين إجابته. ثان، القواعد الرياضية التي تمنع الشاحنات من اتخاذ حلقات غير فعالة حول عدد قليل من التوقفات معقدة للغاية بحيث تتطلب عادةً مساحة ذاكرة إضافية على الرقاقة الكمومية، والتي لا تمتلك هذه الآلات المبكرة ذاكرة كافية لها.
للتغلب على العقبة الأولى، ابتكر الفريق طريقة ذكية لضبط ظروف البداية للخوارزمية. فبدلاً من التخمين العشوائي، اختبروا مجموعة محددة ومنظمة من نقاط البداية لإيجاد الحالة ذات الطاقة الأدنى، والتي تقابل المسار الأفضل. يعمل هذا النهج مثل البوصلة، حيث يوجه الحاسوب في الاتجاه الصحيح قبل بدء عملية التدريب حتى. ومن خلال القيام بذلك، وجدوا أن الآلة كانت أكثر قدرة على التقارب نحو الحل الصحيح، حتى مع زيادة عدد التوقفات. وتعمل هذه الطريقة دون الحاجة لمعرفة التفاصيل المحددة لخريطة المدينة مسبقاً، مما يجعلها أداة موثوقة لسيناريوهات التوجيه المختلفة.
أما الاختراق الثاني فيتعلق بكيفية تعامل الحاسوب مع قاعدة تجنب الحلقات. في الماضي، كان إجبار الخوارزمية على تجنب هذه الحلقات يتطلب إضافة متغيرات إضافية تستهلك مساحة قيمة من المعالج الكمومي. لكن الباحثين وجدوا طريقة لدمج هذه القاعدة مباشرة في الحساب باستخدام خدعة رياضية تقرب القيد دون الحاجة لتلك المتغيرات الإضافية. وهذا يسمح للحاسوب الكمومي بفهم القاعدة وفرضها مع استخدام موارد أقل. ومن خلال الجمع بين هذا الترميز الفعال واستراتيجية البداية الذكية، نجح الفريق في إثبات أن الخوارما يمكنها إيجاد المسارات الصحيحة لشبكات صغيرة مكونة من ثلاثة أو أربعة أو خمسة مواقع. وفي عمليات المحاكاة التي أجروها، حدد الحاسوب باستمرار المسارات المثلى، مركزاً احتماليته على الإجابات الصحيحة بدلاً من الضياع في حلقات خاطئة.
تؤكد الدراسة أنه مع التحضير المناسب، يمكن للحواسيب الكمومية معالجة هذه المشكلات اللوجستية المعقدة بفعالية أكبر مما سمحت به المحاولات السابقة. وقد أظهر الباحثون أن طريقتهم تعمل عبر أعداد مختلفة من المركبات والوجهات، محققة معدل نجاح مرتفع جداً في إيجاد المسارات الصحيحة في اختباراتهم. وبينما أُجريت هذه التجارب الحالية على برامج محاكاة واقتصرت على شبكات صغيرة بسبب قيود الأجهزة الحالية، إلا أن النهج يثبت أنه من الممكن حل مسألة التوجيه الكاملة، بما في ذلك قواعد تجنب الحلقات الصعبة، دون الحاجة إلى ذاكرة إضافية. ويشير هذا العمل إلى مسار للمضي قدماً في استخدام التكنولوجيا الكمومية لتحسين أنظمة التوصيل، مما قد يقلل تكاليف الوقود ويحسن الكفاءة مع نضوج هذه التكنولوجيا. وتشير النتائج إلى أن الهندسة الدقيقة لكيفية كتابة القيود في الكود البرمجي لا تقل أهمية عن الأجهزة نفسها، مما يقدم مخططاً عملياً للتطبيقات المستقبلية في مجال اللوجستيات وما وراءه.
تعريف المسألة تعد مسألة توجيه المركبات (VRP) تحدياً في التحسين التوافقي يهدف إلى تحديد المسارات المثلى لأسطول من المركبات لزيارة مجموعة من الوجهات، بدءاً من مستودع مركزي وانتهائاً إليه. هذه المسألة هي من فئة المسائل الصعبة حوسبياً (NP-Hard)، مما يتطلب عدداً أسياً من العمليات للوصول إلى حلول دقيقة كلاسيكية، وهو ما يحد من قدرة الحلول الدقيقة على التوسع مع الحالات الكبيرة. وبينما توجد طرق استدلالية (Heuristic methods)، إلا أنها غالباً ما تعطي نتائج غير مثالية. يركز البحث على حل مسألة توجيه المركبات باستخدام خوارزمية التقريب الكمي للتحسين (QAOA) على الأجهزة الكمومية الرقمية. ويتمثل أحد التحديات المحددة في تشفير مسألة توجيه المركبات لمحللي الأنظمة الكمومية في "قيد منع المسارات الفرعية" (المعادلة 1f)، والذي يمنع وجود دورات مغلقة لا تتضمن المستودع. غالباً ما تستبعد صياغات التحسين التربيعي غير المقيد الثنائي (QUBO) التقليدية هذا القيد، أو تتطلب عدداً أسياً من متغيرات الارتخاء (Slack variables) الثنائية الإضافية لفرضه، مما يؤدي إلى متطلبات مفرطة في عدد الكيوبتات (Qubits) وعمليات معالجة لاحقة معقدة.
المنهجية يقترح المؤلفون إطار عمل يعتمد على خوارزمية QAOA يعالج عقبتين رئيسيتين في التحسين الكمومي: التهيئة السيئة للمعاملات في الأسطح ذات الحالة الرديئة (Ill-conditioned landscapes)، والعبء العالي للكيوبتات المطلوب لقيود عدم المساواة.
استراتيجية التهيئة الذكية: للتخفيف من ظاهرة "الهضاب القاحلة" (Barren plateau)—حيث تتلاشى التدرجات أسياً مع حجم النظام، مما يعيق التدريب المتغير—قدم المؤلفون استراتيجية تهيئة حتمية. بدلاً من اختيار المعاملات عشوائياً، يقومون بإجراء بحث شبكي (Grid search) عبر مجموعة فرعية محددة من فضاء المعاملات. حيث يقومون بتقييم الطاقة المتوقعة ⟨ψ(γ,β)∣HC∣ψ(γ,β)⟩ لتكوينات يكون فيها γk=βk=αd، حيث αd=dπ/D. ويتم اختيار التكوين الذي يعطي أدنى طاقة كنقطة بداية للمحسن الكلاسيكي. تهدف هذه الطريقة إلى بدء التدريب بالقرب من حالة منخفضة الطاقة، وتجنب المناطق ذات التدرجات المتلاشية.
تشفير قيد المسار الفرعي بدون متغيرات الارتخاء: بناءً على عمل مونتانيز-باريرا وآخرون (2024)، يدمج المؤلفون قيد منع المسارات الفرعية مباشرة في هاميلتوني (Hamiltonian) الـ QUBO دون إدخال كيوبتات إضافية. يقومون بتقريب قيد عدم المساواة باستخدام مفكوك تايلور من الدرجة الثانية لدالة أسية. وتحديداً، يتم تحويل قيد عدم المساواة hS(x)≥0 إلى مسألة تحسين مخففة باستخدام التقريب e−h(x)≈e−e⋅h(x)+2eh(x)2. ينتج عن ذلك دالة هدف QUBO معدلة تحتوي على حدود خطية وتربيعية لقيود المسارات الفرعية، محكومة بمعاملات فائقة (Hyper-parameters) هي λ1 و λ2، جنباً إلى جنب مع مضاعف لاجرانج القياسي λ للقيود الأخرى.
المساهمات الرئيسية
تهيئة مبتكرة: استراتيجية تهيئة المعاملات التي تحسن احتمالية التقارب وتحد من تأثير الهضاب القاحلة الناتجة عن التهيئة العشوائية، وقد ثبتت فعاليتها حتى مع زيادة عدد الكيوبتات.
الدمج المباشر للمسارات الفرعية: طريقة تشفير تدمج قيود منع المسارات الفرعية مباشرة في حلقة تحسين QAOA. وهذا يلغي الحاجة إلى متغيرات ارتخاء إضافية وزيادة أسية في عدد الكيوبتات، مما يسمح بحل كمومي "من البداية إلى النهاية".
ضبط المعاملات الفائقة: استخدام أداة Optuna لتحديد تكوينات المعاملات الفائقة المثلى (λ,λ1,λ2) التي تشكل تشفير QUBO، مما يضمن أن الحالة الأرضية للهاميلتوني تتوافق مع الحل الممكن الأمثل.
النتائج تحقق المؤلفون من نهجهم باستخدام محاكيات خالية من الضجيج لحالات VRP تتراوح فيها عدد العقد N من 3 إلى 5 مع تباين عدد المركبات (K).
أداء التهيئة: أظهرت المقارنات مع التهيئة العشوائية أن استراتيجية التهيئة الذكية تحافظ على احتمالات نجاح ثابتة عبر فئات المشكلات المختلفة، بينما تعاني التهيئة العشوائية بشكل كبير مع زيادة N بسبب الهضاب القاحلة.
تحقيق القيود: نجح التشفير المقترح في حل الحالات حتى N=5 باحتمالية عالية. بالنسبة لـ N=3، يتم استيفاء قيد المسار الفرعي طبيعياً بواسطة القيود الأخرى، لكن التشفيد يظل صالحاً. بالنسبة لـ N=4 و N=5، تركزت احتمالات مخرجات QAOA بشكل حاد على الحلول الصحيحة نظرياً، مما عزل المسارات المثلى بفعالية عن التكوينات غير الممكنة أو غير المثلى.
كفاءة الكيوبت: يقلل التشفير المقترح من حجم سجل الكيوبتات المطلوبة بمقدار O(2N) مقارنة بصيغ متغيرات الارتخاء القياسية، حيث يتجنب النمو الأسي للمتغيرات اللازمة لقيود عدم المساواة.
الأهمية والادعاءات يزعم البحث أنه الأول الذي يحقق تهيئة فعالة لمعاملات QAOA مستقلة عن حجم المشكلة خصيصاً لسياق VRP. علاوة على ذلك، يؤكد أنه الأول الذي يتبنى التشفير المباشر لعدم مساواة المسارات الفرعية في روتين تحسين QAOA دون كيوبتات مساعدة أو معالجة كلاسيكية لاحقة.
يضع المؤلفون هذه المساهمات كتمهيد لحل حالات VRP بفعالية باستخدام الحلول القائمة على الكم. ويجادلون بأنه من خلال الاستفادة من تشفير المشكلات الموفر للمساحة والتهيئة المحسنة، يمكن أن يصبح التحسين الكمومي بديلاً أو مكملاً فعالاً لطرق التوجيه الكلاسيكية، خاصة مع توفر الحواسيب الكمومية ذات القدرة على تصحيح الأخطاء. ومع ذلك، يظل المؤلفون متواضعين فيما يتعلق بالقيود الحالية: فقد اقتصرت التجارب على حالات صغيرة (N≤5) على محاكيات خالية من الضجيج، كما يظل التحويل إلى QUBO حساساً للغاية لاختيار المعاملات الفائقة، وهو ما يتطلب حالياً عملية بحث. ويقترحون أن يركز العمل المستقبلي على تحديد تكوينات عامة للمعاملات الفائقة بناءً على ثوابت المشكلة (مثل دوال لـ N و K) لتبسيط النهج بشكل أكبر.