🔬 physics

Budget-Aware Neural Error Mitigation forVariational Quantum Algorithms

تقدم هذه الورقة البحثية تقنية تخفيف الخطأ العصبي المشروط بالميزانية (NEM)، وهي طريقة تتفوق على التقنيات التقليدية مثل استقراء الضجيج الصفري وانحدار بيانات كليفورد في الخوارزميات الكمومية التباينية من خلال تصحيح القياسات أحادية اللقطة عبر ميزانيات لقطات متنوعة، مما يوفر دقة وكفاءة تكلفة فائقتين في ظل ضجيج الأجهزة وعدم المعايرة الواقعي.

المؤلفون الأصليون: Guilin Zhang, Kai Zhao, Xu Chu

نُشر 2026-08-14

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Guilin Zhang, Kai Zhao, Xu Chu

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://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 ضبط جهاز راديو للعثور على محطة صافية، لكن الإشارة مشوشة وتصاحبها خشخشة من الضجيج. في عالم الحوسبة الكمومية، يُسمى هذا "الضجيج" (static). أجهزة الكمبيوتر الكمومية اليوم تشبه أجهزة الراديو المشوشة هذه؛ فهي قوية ولكنها غير مثالية، مما يجعلها ترتكب أخطاءً تفسد حساباتها. يحاول العلماء بناء أجهزة كمبيوتر أفضل، ولكن في الوقت الحالي، يتعين عليهم التعامل مع هذه الآلات المليئة بالضجيج. وللحصول على إجابات مفيدة، يستخدمون حِيلاً خاصة تسمى "تخفيف الخطأ" (error mitigation). فكر في هذه الحيل كأنها سماعات عازلة للضوضاء للمسائل الرياضية؛ فهي لا تصلح السماعات المعطلة (الكمبيوتر)، بل تحاول تنقية الصوت حتى تتمكن بالفعل من سماع الموسيقى.

إحدى الطرق الشائعة لتنقية الضجيج هي رفع مستوى الصوت (تضخيم الضجيج) ثم تخمين ما سيكون عليه الصوت إذا تم خفض مستوى الصوت تماماً إلى الصفر. طريقة أخرى هي إجراء مجموعة من الاختبارات التدريبية على كمبيوتر ليس به ضجيج، لتعلم كيف يفسد الكمبيوتر المشوب بالضجيج الأمور، ومن ثم تطبيق هذا الدرس على المشكلة الحقيقية. ولكن هنا تكمن العقبة: في كل مرة تجري فيها اختباراً، يتعين عليك "إنفاق" قدر محدد من الوقت والطاقة، وهو ما يُعرف بـ "ميزانية الجولات" (shot budget). هناك حيل رخيصة ولكنها بطيئة التعلم؛ وأخرى سريعة ولكنها مكلفة في التشغيل. السؤال الكبير هو: إذا كان لديك وقت ضئيل جداً للحصول على إجابة، فأي حيلة ستكون الأفضل فعلياً دون إهدار ميزانيتك؟

هذه الورقة البحثية، بعنوان "التخفيف العصبي للخطأ المعتمد على الميزانية في الخوارزميات الكمومية التباينية"، تتناول هذا السؤال بالضبط. يجادل المؤلفون، غويلين تشانغ، وكاي تشاو، وشو تشو، بأن مقارنة حيل إلغاء الضجيج هذه عادة ما تكون غير عادلة لأن الباحثين يتظاهرون بأن الجميع لديهم ميزانية غير محدودة. في العالم الحقيقي، وخاصة عند تشغيل حلقات التحسين المعقدة التي تفحص آلاف الإعدادات، لديك حد صارم لعدد المرات التي يمكنك فيها تشغيل تجربتك.

يقدم الفريق طريقة جديدة تسمى "التخفيف العصبي للخطأ المعتمد على الميزانية" (NEM). تخيل مساعداً ذكياً ينظر إلى إشارة الراديو المشوشة الخاصة بك، ويفحص نوع التشويش، ويعرف بالضبط مقدار "الصوت" (ميزانية الجولات) المتاحة لك. بدلاً من تشغيل الراديو ثلاث أو خمس مرات لتخمين الإجابة (مثل طريقة "رفع مستوى الصوت" القديمة)، أو تشغيله ثلاثين مرة لتعلم نمط ما (مثل طريقة الاختبار التدريبي)، يقوم هذا الشبكة العصبية بالمهمة في جولة واحدة فقط. إنها تستخدم حيلة ذكية: فقد تم تدريبها لتفهم أنه إذا كان لديك عدد قليل جداً من الجولات، فإن الضجيج يكون جامحاً وعشوائياً، لذا فهي تثق في الإشارة بشكل أقل. وإذا كان لديك العديد من الجولات، فإن الضجيج يكون أكثر هدوءاً، لذا فهي تثق في الإشارة بشكل أكبر. هذا يسمح لنموذج واحد بالعمل بشكل مثالي سواء كانت ميزانيتك ضئيلة أو ضخمة.

اختبر الباحثون هذه الفكرة مقابل الطريقتين الأكثر شيوعاً: "استقراء الضجيج الصفري" (ZNE)، الذي يحاول تخمين إجابة الضجيج الصفري عبر تشغيل الدائرة عدة مرات عند مستويات ضجيج مختلفة، و"تراجع بيانات كليفورد" (CDR)، الذي يستخدم الكثير من الجولات التدريبية لبناء خريطة تصحيح. لقد وضعوا "معركة عادلة" حيث توجب على كل طريقة إنفاق نفس القدر الإجمالي من الوقت (الجولات) للحصول على إجابة واحدة.

إليك ما وجدوه في عمليات المحاكاة وفي معالج كمومي حقيقي من IBM:

الفائز في الميزانية المنخفضة: عندما تكون الميزانية ضيقة (وهو الحال في معظم الخوارقات الكمومية في العالم الحقيقي)، فإن الطريقة العصبية الجديدة (NEM) هي البطل الواضح. فقد قللت الأخطاء بنسبة 72% إلى 81% عندما كان الكمبيوتر يعاني من أخطاء معايرة محددة، وكانت الطريقة الوحيدة التي حسنت النتائج فعلياً مقارنة بعدم فعل أي شيء عندما كانت الميزانية منخفضة (حتى 2¹⁴ جولة).
خطورة التخمين: تبين أن طريقة "رفع مستوى الصوت" القديمة (ZNE) تنطوي على مخاطرة. في حوالي 38% إلى 63% من حالات المحاكاة، وما يصل إلى 88% من الوقت على معالج IBM الحقيقي، جعلت ZNE النتائج أسوأ مما لو تقبلوا النتيجة المشوشة فحسب. الأمر يشبه محاولة تخمين درجة الحرارة بالنظر إلى ميزان حرارة تم تسخينه؛ أحياناً تخمن بشكل صحيح، ولكن غالباً ما تخمن بشكل خاطئ تماماً.
البديل المكلف: طريقة الاختبار التدريبي (CDR) دقيقة جداً، لكنها مكلفة. فهي لا تتفوق على الطريقة العصبية الجديدة إلا عندما تمتلك ميزانية ضخمة—تحديداً، 32 ضعف عدد الجولات لكل تقييم. إذا كنت تستطيع تحمل تكلفة تشغيل التجربة 32 مرة أكثر، فإن CDR رائعة، ولكن بالنسبة لمعظم المستخدمين، فهي مكلفة للغاية.
إثبات من العالم الحقيقي: لم يكتفِ الفريق بالمحاكاة؛ بل اختبروا الفكرة على معالج "هيرون" (Heron) حقيقي من IBM. وقد أكدوا أن طريقة "رفع مستوى الصوت" تفشل على الأجهزة الحقيقية، وغالباً ما تعطي إجابات أسوأ. ومع ذلك، وجدوا أيضاً أن نموذجهم العصبي يحتاج إلى القليل من المساعدة ليعمل بشكل مثالي على الأجهزة الحقيقية. فمن خلال تشغيل 120 دائرة إضافية فقط على الجهاز الحقيقي لضبط النموذج، استعادوا انخفاضاً في الخطأ بنسبة 39%، مما يثبت أن الطريقة تعمل خارج نطاق المحاكاة.

تخلص الورقة البحثية إلى أن الطريقة التي نختار بها طرق تخفيف الخطأ يجب أن تتغير. بدلاً من السؤال "أي طريقة هي الأكثر دقة إذا كان لدينا وقت غير محدود؟"، يجب أن نسأل "أي طريقة تعطي أفضل إجابة للميزانية التي أمتلكها بالفعل؟". يوضح المؤلفون أنه بالنسبة للميزانيات الضيقة المعتادة في الخوارزمات الكمومية الحالية، فإن الشبكة العصبية ذات الجولة الواحدة الذكية هي الأداة الأكثر موثوقية، بينما الطرق القديمة إما تهدر الموارد أو، في حالة الاستقراء، تخاطر بجعل الأمور أسوأ. كما يشيرون إلى أنه رغم قوة طريقتهم، إلا أنها تعتمد على بيانات تدريب يتم إنتاجها حالياً بواسطة أجهزة كمبيوتر كلاسيكية، لذا فهي تعمل بشكل أفضل للمسائل الصغيرة بما يكفي لمحاكاتها على جهاز كمبيوتر محمول عادي، رغم أنها تتوسع جيداً لتصل إلى 20 كيوبت في اختباراتهم.

ملخص تقني: التخفيف العصبي للأخطاء المدرك للميزانية في الخوارما الكمومية التباينية

بيان المشكلة

تواجه الخوارزميات الكمومية التباينية (VQAs)، مثل حل القيم الذاتية الكمومي التبايني (VQE) وخوارزمية التحسين التقريبي الكمومي (QAOA)، قيوداً حالياً بسبب الضجيج في الأجهزة القريبة من المدى الكمي (NISQ). وبينما يعد تخفيف الخطأ (EM) هو العلاج القياسي، فإن المقارنات الحالية بين طرق التخفيف معيبة؛ حيث تثبت المعايير التقليدية عدد "الطلقات" (shots) لكل تنفيذ دائرة، لكنها تتجاهل "تعدد التنفيذ" (execution multiplicity) المطلوب لتوليد تقدير واحد.

تتطلب طرق مثل الاستقراء الصفري للضجيج (ZNE) ما بين 3 إلى 5 عمليات تنفيذ لكل تقدير، بينما يتطلب نموذج "تسجيل بيانات كليفورد" (CDR) 32 عملية تنفيذ لكل دائرة مستهدفة (باستخدام 31 دائرة تدريب). في المقبيل، يتطلب النموذج العصبي المدرب تنفيذاً واحداً فقط. وفي حلقة خوارزمية VQA التي تقيم آلاف الإعدادات للمعاملات تحت ميزانية إجمالية ثابتة من الطلقات، يحدد هذا التعدد الطريقة التي يمكن تحمل تكلفتها فعلياً. علاوة على ذلك، يعتمد ZNE على افتراضات توسيع الضجيج التي غالباً ما تنتهكها الأجهزة الحقيقية، مما يؤدي إلى حالات فشل محتملة لا تلتقطها مقاييس الدقة القياسية.

المنهجية: التخفيف العصبي للأخطاء المدرك للميزانية (NEM)

يقترح المؤلفون إطار عمل التخفيف العصبي للأخطاء المدرك للميزانية (NEM)، والذي يعامل مقياس ضجيج الطلقات كمدخل صريح للنموذج، مما يسمح لشبكة واحدة بالعمل لأي ميزانية نشر.

بنية النموذج

يتنبأ النموذج بالقيمة المتوقعة المثالية $\langle H \rangle_{ideal}$ من قياس واحد مشوش بـ $S$ من الطلقات $\langle H \rangle_{noisy}$ ، مشروطاً بـ:

ميزات الدائرة ( $x_c$ ): عدد الكيوبتات، عدد الطبقات، عدد المعاملات، والزوايا التباينية.
ميزات الجهاز ( $x_n$ ): معدلات خطأ البوابات، عدم تماثل القراءة، ومقاييس انحراف المعايرة.
مقياس ضجيج الطلقات: يتم إلحاق القيمة $1/\sqrt{S}$ بميزات الجهاز، مما يمكّن الشبكة من تعلم مقدار التذبذب الناتج عن القياس مقابل الانحياز القابل للتعلم.

تتكون البنية من مشفرين من نوع "المدرك متعدد الطبقات" (MLP) (للميزات الدائرية وميزات الضجيج) وشبكة دمج تخرج تصحيحاً متبقياً يُضاف إلى التقدير المدخل. تستخدم التكوينات القياسية حوالي 428 ألف معلمة.

بروتوكول التدريب

توليد البيانات: يتم توليد أزواج التدريب في المحاكاة باستخدام محاكاة مثالية خالية من الضجيج للقيم المثالية (labels) ومحاكاة مشوشة للمدخلات.
الاشتراط بالميزانية: يتم سحب أعداد الطلقات $S$ وفق توزيع لوغاريتمي منتظم من $2^8$ إلى $2^{16}$ أثناء التدريب. يضمن ذلك تعلم النموذج كيفية ضبط مقدار التصحيح بناءً على مستوى الضجيج دون الحاجة لإعادة التدريب.
دالة الخسارة: يتم تقليل خسارة "هوبر" (Huber loss) باستخدام خوارزمية AdamW.

بروتوكول التقييم: مقارنة الميزانية المتساوية

يقدم البحث بروتوكول تقييم صارم حيث يتم تخصيص نفس ميزانية الطلقات الإجمالية $B$ لكل نقطة تقييم لكل من (NEM، ZZNE، CDR، والتنفيذ غير المخفف).

NEM: يستخدم تنفيذاً واحداً بـ $B$ من الطلقات.
ZNE: يوزع $B$ على 3–5 عمليات تنفيذ (مثلاً $B/3$ طلبات لكل منها).
CDR: يوزع $B$ على 32 عملية تنفيذ (مثلاً $B/32$ طلبات لكل منها).
أنظمة الضجيج: تدرس الدراسة ثلاثة أنظمة: ضجيج الجهاز العشوائي، الضجيج العشوائي المترابط، والخطأ المتماسك في المعايرة (control-offset errors).

النتائج الرئيسية

1. الأداء على جبهة باريتو (Pareto Frontier)

بموجب بروتوكول الميزانية المتساوية، يهيمن NEM عند الميزانيات المنخفضة والمتوسطة:

الخطأ المتماسك في المعايرة: يقلل NEM متوسط الخطأ بنسبة 72–81% عبر ميزانيات تتراوح من $B=2^{10}$ إلى $2^{16}$ . وهو الطريقة الأكثر دقة عند كل ميزانية مختبرة.
الضجيج العشوائي: NEM هو الطريقة الوحيدة التي تتفوق على التنفيذ غير المخفف عند الميزانيات حتى $B=2^{14}$ (بتحسن قدره 11–20%).
نقطة التعادل: يتفوق CDR على NEM فقط عند أكبر ميزانية مختبرة ( $B=2^{16}$ )، وهو يتطلب تكلفة كمومية أعلى بـ 32 ضعفاً لكل تقييم لتحقيق مكاسب هامشية.

2. أنماط فشل الاستقراء (ZNE)

تحدد الدراسة نمط فشل حرج لـ ZNE تحت تأثير الخطأ المتماسك في المعايرة:

الآلية: يؤدي طي الوحدة (Unitary folding) إلى تضخيم أخطاء الزاوية المتماسكة خطياً، بينما يصبح استجابة الملحوظة (observable response) غير رتيبة.
النتيجة: يعيد ZNE نتائج أسوأ من التنفيذ غير المخفف في 38–63% من الحالات في المحاكاة. وفي الحالات القصوى، تصل أخطاء الحالة الواحدة إلى ثلاثة مراتب عشرية فوق المستوى غير المخفف.
التحقق من الأجهزة: في معالج IBM Heron الحقيقي، فشل ZNE في 80–88% من الحالات، حيث كانت متوسط الأخطاء أعلى من التنفيذ غير المخفف بمقدار 3.0 إلى 4.1 مرة.

3. التوسع والمتانة

توسع الكيوبتات: يظل تقليل الخطأ في NEM (61–85%) مستقراً من 4 إلى 20 كيوبت في أنظمة الضجيج المهيكلة.
الفشل المحدود: على عكس ZNE الذي يمتلك إمكانية خطأ غير محدودة، فإن مخرجات NEM هي تصحيح متبقي محدود. لا يتجاوز أسوأ خطأ له أبداً أسوأ خطأ غير مخفف عبر جميع الحالات المختبرة.
الضبط الدقيق للأجهزة: أظهرت دراسة "التوأم الرقمي" فجوة بين المحاكاة والعتاد. ومع ذلك، أدى الضبط الدقيق على مجموعة صغيرة من الأجهزة (120 دائرة) إلى استعادة تقليل الخطأ بنسبة 39% في حالات العتاد المستقلة.

4. دراسات الاستئصال (Ablation Studies)

التحكم في التنبؤ المباشر: أدى النموذج الذي يحاول التنبؤ بـ $\langle H \rangle_{ideal}$ من الميزات دون القياس المشوش إلى أداء أسوأ من التنفيذ غير المخفف، مما يؤكد أن الشبكة تعمل كمصحح وليس كحافظ للذاكرة.
أهمية الميزات: ميزات توصيف الجهاز حاسمة؛ حيث يؤدي حذفها إلى مضاعفة الخطأ ثلاث مرات.

الأهمية والادعاءات

يجادل البحث بأن التقييم المدرك للميزانية هو الإطار الضروري لمقارنة طرق تخفيف الخطأ.

واقع النشر: الطريقة "الأفضل" ليست تلك التي تحقق أعلى دقة عند عدد طلبات غير محدود، بل هي التي تقدم أفضل دقة لميزانية ثابتة لكل نقطة تقييم. يحتل NEM الطرف المنخفض للميزانية في جبهة باريتو بين الدقة والتكلفة.
السلامة: يوفر NEM سلوك فشل محدود، بينما يمكن لطرق الاستقراء (مثل ZNE) أن تتباعد بشكل كارثي تحت تأثير الضجيج المتماسك.
ادعاءات متواضعة: يصرح المؤلفون صراحةً أنهم لا يدعون الابتكار المعماري (الشبكة هي MLP متبقية قياسية) ولا أن NEM متفوق عالمياً. هم يقرون بأن CDR أكثر دقة عندما تكون زيادة الميزافة بمقدار 32 ضعفاً أمراً ممكناً. تكمن المساهمة في بروتوكول التقييم، والاشتراط بالميزانية للنموذج، وتوصيف فشل الاستقراء.

يخلص العمل إلى أنه بالنسبة لحلقات تحسين VQA، التي تقيم عادةً آلاف المعاملات تحت ميزانيات طلبات ضيقة، فإن التخفيف المتعلم بتنفيذ واحد هو الخيار الأكثر موثوقية ويسراً من حيث التكلفة، بشرط أن يتضمن النشر آليات للتعامل مع الفجوة بين المحاكاة والعتاد (مثل الضبط الدقيق).