تعلم الدوائر الكمومية المعلّمة بالمعاملات باستخدام التدرج الكمومي

لماذا تحتاج الدوائر الكمومية إلى حِيَل تعلم أفضل

مع تزايد قوة الحواسيب الكمومية، يأمل العلماء في استخدامها لحل مشكلات صعبة في الكيمياء والتحسين وتعلّم الآلة. أداة محورية في هذا التصور هي الدائرة الكمومية المعلّمة بالمعاملات: وصفة كمومية قابلة للبرمجة تُضبط معايِرها لتحقيق مهمة معينة. لكن عملياً، غالباً ما يفشل تدريب هذه الدوائر لأن فضاء الإعدادات المحتملة مملوء بصحارى مسطَّحة ومصائد مضللة، حيث تتعطّل الخوارزميات التقليدية. تقدم هذه الورقة طريقة جديدة لتعلُّم مثل هذه الدوائر من خلال السماح للجهاز الكمومي نفسه بأن يشير إلى اتجاه الانحدار، مما يساعد على الهروب من هذه المناطق الميتة ويجعل التعلم الكمومي أكثر موثوقية.

أين يتعثر التعلّم الكمومي

تعتمد معظم طرق التعلّم الكمومي الحالية على حاسوب كلاسيكي لتعديل معاملات الدائرة باستخدام التدرجات—دفعات صغيرة في الاتجاه الذي يخفض مقياس تكلفة مختار، مثل الطاقة أو الخطأ. ومع ذلك، في النظم الكمومية الكبيرة، تميل هذه التدرجات إلى أن تصبح صغيرة للغاية تقريباً في كل مكان. يظهر مشكلان مرتبطان. أولاً، توجد نقاط ثابتة محلية غير مواتية: مواقع يتلاشى فيها التدرج بالرغم من أن الحل لا يزال بعيداً عن المثلى، بما في ذلك القيم الدنيا السيئة ونقاط السرج. ثانياً، هناك السهول القاحلة: مناطق واسعة تقريباً مسطّحة حيث يكون التدرج صفراً عبر كثير من الاتجاهات. في كلتا الحالتين، لا يرى المحسّن الكلاسيكي أي إشارة مفيدة ويتوقف التدريب، خاصة عندما يكون عدد المعاملات القابلة للضبط أصغر بكثير من حجم فضاء الحالة الكمومية.

السماح للجهاز الكمومي بتوفير الاتجاه

يقترح المؤلفون نموذج تحسين متداخل يدمج خطوات كمومية وكلاسيكية في حلقة. بدلاً من حساب التدرجات فقط بالنسبة لمعاملات الدائرة، تستخدم الطريقة خوارزمية تدرج كمومي لإيجاد اتجاه الانحدار الأشد مباشرة في فضاء الحالات الكمومية. في كل تكرار خارجي، يولّد الجهاز الكمومي «حالة تدرج» جديدة تُبيّن كيف يجب أن يتغير الوضع الحالي لتقليل دالة تكلفة كثيرة الحدود العامة. هذه الحالة ليست مرتبطة ببنية دائرة ثابتة. ثم تحاول روتين كلاسيكي أن يتعلّم طبقة دائرة جديدة تُعيد إنتاج حالة التدرج هذه بأكبر قدر ممكن من الدقّة، موجهة الدائرة فعلياً في الاتجاه الذي يوصي به الجهاز الكمومي.

دائرة تكيفية تعرف متى تكون عالقة

مكوّن أساسي في الطريقة هو مؤشر يتحقق مما إذا كان التدريب حقاً وصل إلى قاع جيد أم أنه عالق بسبب تلاشي تدرجات المعاملات. في بداية كل تكرار، يقيس الخوارزم مدى قرب ناتج الدائرة الحالي من حالة التدرج المأخوذة من الكم. إذا كانتا متطابقتين جيداً بالفعل، يكون المؤشر قريباً من الصفر، مشيراً إلى أن تدرجات فضاء الحالات وتدرجات فضاء المعاملات قد تلاشت فعلياً ومن المحتمل أن يكون قد تم الوصول إلى قيمة مثلى حقيقية. إذا لم يكن كذلك، تقوم الطريقة تلقائياً بإلحاق طبقة جديدة ضحلة بالدائرة وتدرّبها لتقرب حالة التدرج بشكل أفضل. هذا النموّ الطبقي بدايةً من حالة دافئة يجعل كل طبقة جديدة تستكشف منطقة صغيرة وذات صلة بدلاً من التجوّل عشوائياً، مما يساعد على تجنّب السهول القاحلة الناجمة عن دوائر عميقة مهيأة عشوائياً.

اختبار على مهام تحسين صعبة

لفحص الطريقة عملياً، قام المؤلفون بمحاكاتها على عائلتين من المشكلات. الأولى هي مسألة القص الأقصى (Max-Cut) على رسوم بيانية صغيرة، وهو معيار شائع لاختبار التحسين الكمومي. الأخرى هي تقليل دوال كثيرة الحدود من رتب أعلى ذات قيم دنيا محلية متعددة. في كل من المحاكاة المثالية والمحاكاة الأكثر واقعية، حيث تُعاد إنتاج حالة التدرج تقريبياً باستخدام أداة تركيب دوائر قائمة على التعلم المعزّز، تتقارب الطريقة المتداخلة باستمرار نحو حلول عالية الجودة. ينخفض المؤشر بثبات على مدار التكرارات، مما يدل على أن الخوارزم يتحرك أقرب إلى القيم الدنيا الحقيقية بدلاً من التردّد في مصائد ضحلة أو سهول قاحلة.

التفوق على الاستراتيجيات الحالية في ملعبها

قورنت المقاربة الجديدة أيضاً مع طرق تكيفية شهيرة تنمو الدوائر بوِحدة البوّابات، خاصة ADAPT-VQE، ومع التدريب التقليدي بعمق ثابت. في مشكلة طاقة جزيئية وعلى عدة ملاحظات معيارية، يحقق المخطط المتداخل تكاليف نهائية أقل في إعدادات تتعثر فيها الطرق الأخرى. يبدو أنه أقل حساسية بكثير تجاه السهول القاحلة والنقاط المحلية غير المواتية، رغم أنه يتطلب عملاً إضافياً: كل تكرار يتضمن خطوة تدرج كمومي بالإضافة إلى مشكلة صغيرة لتوليف الدائرة. يقترح المؤلفون استخدام طريقتهم كأداة مستهدفة—على سبيل المثال، للهروب من المناطق الإشكالية في بداية التدريب ثم إعادة التحكم إلى تحسين كلاسيكي أرخص بمجرد أن تصبح الدائرة في منظر طوبولوجي أكثر ملاءمة.

ماذا يعني هذا لمستقبل التعلّم الكمومي

بعبارات يومية، يوفّر هذا العمل دوراً أكثر نشاطاً للأجهزة الكمومية في تعلّم كيفية برمجة نفسها. بدلاً من الاعتماد كلياً على تخمينات كلاسيكية حول كيفية تعديل مقابض الدائرة، يساعد الجهاز الكمومي في رسم مسار الانحدار في فضاء حالاته عالي الأبعاد. تجعل هذه الاستراتيجية من السهل تجنّب المناطق المسطّحة والمربكة التي عرّقت الأساليب السابقة، على الأقل لفئة واسعة من دوال التكلفة على شكل كثيرة الحدود. وبينما ليست الطريقة مجانية—فهي تضيف عبئاً حسابياً—إلا أنها تقدم وسيلة عملية لجعل الدوائر الكمومية المعلّمة بالمعاملات أكثر قابلية للتدريب، وهي خطوة مهمة نحو تطبيقات التحسين الكمومي وتعلّم الآلة الكمومي المفيدة على آلات اليوم الصاخبة وفي الأجهزة المتكاملة الخالية من الأخطاء في المستقبل.

الاستشهاد: Li, K., Wang, Y., Gao, P. et al. Learning parameterized quantum circuits with quantum gradient. npj Quantum Inf 12, 59 (2026). https://doi.org/10.1038/s41534-025-01179-7

الكلمات المفتاحية: الدوائر الكمومية المعلّمة بالمعاملات, التحسين الكمومي, سُهُول شاسعة غير منتجة, التدرجات الكمومية, الخوارزميات الكمومية التقلّدية