دائرة كمومية مُعلمة بالإحصاء: نحو إعداد حالات كمية وتعلّم عملي عبر مبدأ الانتروبيا العظمى

تحويل بيانات العالم الحقيقي إلى حالات كمومية

تَعِد الحواسب الكمومية الحديثة بحصول مكاسب كبيرة في مجالات التمويل والعلوم والتعلّم الآلي—ولكن فقط إذا استطعنا أولاً ترجمة بيانات العالم الحقيقي الفوضوية إلى لغة الحالات الكمومية الهشة. يقدّم هذا البحث طريقة جديدة لهذا التحويل، تُسمى الدائرة الكمومية المعلّمة بالإحصاء (SI-PQC). من خلال غرس أنماط أساسية من البيانات مباشرة في بنية الدائرة الكمومية، تهدف SI-PQC إلى تحميل توزيعات الاحتمال على الكيوبِتات بكفاءة أكبر بكثير، ما يجعل العديد من التسريعات الكمومية المقترحة أكثر واقعية في التطبيق.

لماذا من الصعب إدخال البيانات إلى الشكل الكمومي

قبل أن يعمل خوارزم كمومي، يجب ترميز مدخله كحالة كمومية تتطابق سعاتها مع توزيع احتمالي مستهدف، مثل منحنى الجرس أو مزيج من عدة قمم. بناء مثل هذه الحالة بالشكل العام مكلف بوضوح: في أسوأ الحالات، عدد البوابات أو الكيوبِتات المساعدة يزيد بشكل أُسّي مع حجم مجموعة البيانات. تحاول الطرق الموجودة استغلال نماذج البيانات—على سبيل المثال عبر استخدام صيغ معروفة للتوزيعات القياسية أو تدريب دوائر كمومية مرنة لتقليد العينات الملاحظة. لكن هذه المقاربات غالباً ما تخفي ثمناً باهظاً. فهي تتطلب حساباً سابقاً كبيراً أو فترات تدريب طويلة لتحويل معلمات النموذج إلى إعدادات البوابات، وهذا العبء قد يمحو المزايا النظرية للخوارزم الكمومي نفسه، خاصة عندما تتغير البيانات أو معلمات النموذج مع الزمن.

استخدام التناظر واللايقين كدلائل تصميم

الفكرة الأساسية في SI-PQC هي اعتبار البيانات ليس كمجموعة أرقام عشوائية، بل كشيء منظم بواسطة «تماثلات» بسيطة، مثل قيمة متوسطة ثابتة أو تشتت محدد. يستند المؤلفون إلى مبدأ الانتروبيا العظمى، وهو مفهوم من الإحصاء والفيزياء يقول: من بين جميع التوزيعات المتوافقة مع مجموعة صغيرة من المتوسطات المعروفة، تكون أكثر التخمينات موضوعيةً وأقل انحيازاً هي التي تملك أكبر انتروبيا. يمكن رؤية العديد من التوزيعات المألوفة—كالتوزيع الغاوسي—بهذه الطريقة. تفصل SI-PQC المعلومات إلى جزأين. جزء ثابت هو المعرفة حول شكل النموذج والخواص المحفوظة التي ينبغي احترامها. والجزء الآخر هو مجموعة قليلة من المعاملات القابلة للضبط التي تلتقط ما يزال مجهولاً أو متغيراً في البيانات. في الدائرة، يترجم هذا إلى طبقات ثابتة لا تتغير عبر المشكلات، ومجموعة مضغوطة من بوابات الدوران القابلة للتعديل التي ترمز مباشرة معلمات النموذج.

بناء ومزج التوزيعات الكمومية

باستخدام هذا التصميم، يبني المؤلفون «محمل التوزيع ذو الانتروبيا العظمى» الذي يمكنه إعداد مجموعة واسعة من أشكال الاحتمال القياسية على عدد متواضع من الكيوبِتات. يختبرون دوائرهم على توزيعات أسية، وشي-مربعة، وغاوسية، ورايلي، ويظهرون أنه من خلال تعديل درجة تقريب كثير الحدود يمكنهم جعل الحالة الكمومية تقترب كثيراً من المنحنى المستهدف مع الحفاظ على عمق الدائرة تحت السيطرة. ميزة بارزة أن بنية الدائرة تبقى نفسها حتى عندما تتغير المعلمات، مما يمكّن من إعادة الاستخدام والتحسين العدواني. ثم يوسّع المؤلفون الفكرة إلى خلطات التوزيعات—حالات يكون فيها اللايقين في المعلمات موصوفاً بتوزيع احتمالي آخر، كما في نماذج الخليط الغاوسي المستخدمة في التعلّم الآلي والتمويل. يمكن لمُخلّط التوزيع الموزون لديهم ترميز كل من البيانات المرئية ومساحة كامنة لإعدادات المعلمات الممكنة في حالة كمومية واحدة، متجنّباً الانتفاخ الأُسّي الذي يعيب التصاميم الكمومية الأكثر بَساطة.

التعلّم من البيانات بمساعدة الكم

بعيداً عن إعداد الحالة، تُعد SI-PQC أيضاً نموذجاً قابلاً للتدريب للتعلّم من البيانات. لأن عدد المعلمات الحرة في الدائرة مُوائم بدقة لدرجات الحرية في النموذج الإحصائي الأساسي، فإن مشهد التدريب أصغر وأكثر قابلية للتفسير من الدوائر التباينية الكمومية العامة. يبرهن المؤلفون ذلك بملاءمة نموذج خليط غاوسي باستخدام حلقة هجينة كمومية–تقليدية تعدّل زوايا الدائرة لتقليل المسافة بين الحالة الكمومية المُعدة والبيانات العيّنية. مع تقدّم التدريب، تتقارب كل من الحالة الكمومية والمعلمات التقليدية التي تمثلها (مثل المتوسطات والتباينات) نحو قيمها الحقيقية. تشير النظرية إلى أن مثل هذه الدوائر المضغوطة الموجّهة بالتناظر ينبغي أن تعمم أفضل، وتتطلب عينات تدريب أقل، وتكون أقل عرضة لمناطق مسطّحة «قاحلة» حيث تتلاشى التدرجات.

فوائد عملية في التمويل وإدارة المخاطر

لإظهار التأثير العملي، يفحص البحث مهمتين ماليتين: تسعير المشتقات وتقييم المخاطر. تعتمد العديد من المقترحات الكمومية في هذا المجال على روتينات كمومية شبيهة بمونت كارلو يمكنها تسريع تقدير العوائد المتوقعة أو احتمالات الخسارة—بشرط أن يمكن إعداد توزيع الأسعار الأساسي بسرعة على جهاز كمومي. تقلّل SI-PQC بشدة من زمن المعالجة التقليدية وعمق جزء إعداد الحالة في هذه الخوارزميات، ويمكنها تحديث معلماتها في وقت ثابت عندما تتغير ظروف السوق، وهو أمر حاسم للتسعير عبر الإنترنت وحسابات «اليونانيات». كما يصمم المؤلفون إجراءً بمساعدة كمّية لتقدير قيمة المخاطرة (Value at Risk) مباشرة من بيانات تجريبية متدفقة. هنا تُستخدم المتوسطات الجارية البسيطة من المراقبين التقليديين كقيود في نموذج الانتروبيا العظمى، والذي تحوّله SI-PQC إلى نسخة كمومية تقريبية من توزيع الخسارة في الوقت الحقيقي. ثم تؤدي تقنية تقدير السعة الكمومية إلى مقاييس مخاطر تتعقّب عن كثب تلك المحسوبة من البيانات الخام.

ما الذي يعنيه هذا للمستقبل

لغير المتخصصين، الرسالة المركزية هي أن «تحميل البيانات» بكفاءة لا يقل أهمية عن سرعة الخوارزم الكمومي نفسها لتحقيق التفوّق الكمومي. تقدم SI-PQC طريقة مبدئية لسد هذه الفجوة عبر تشفير بنية إحصائية بسيطة وقابلة للتفسير مباشرة في تخطيط الدوائر الكمومية، مع إبقاء الجزء القابل للتعديل صغيراً ومرناً. يظهر المؤلفون أن هذه الاستراتيجية يمكن أن تُعدّ وتتعلم توزيعات معقّدة، وتتعرّض للخليط بشكل طبيعي، وتقلّص بدرجة كبيرة تكاليف الموارد من النهاية إلى النهاية في تطبيقات مركّزة على التمويل. إذا أمكن توسيع هذه الأفكار على الأجهزة المستقبلية، فقد تساعد في نقل الحوسبة الكمومية من وعد نظري إلى أدوات عملية في مجالات مثل التداول في الوقت الحقيقي، والتعلّم الآلي التكيفي، وحتى التشخيص الطبي، حيث يجب التقاط الأنماط الإحصائية المتغيرة بسرعة ومعالجتها بسرعات كمومية.

الاستشهاد: Zhuang, XN., Chen, ZY., Xue, C. et al. Statistics-informed parameterized quantum circuit: towards practical quantum state preparation and learning via maximum entropy principle. npj Quantum Inf 12, 45 (2026). https://doi.org/10.1038/s41534-026-01191-5

الكلمات المفتاحية: إعداد الحالة الكمومية, الانتروبيا العظمى, التعلم الآلي الكمومي, نماذج خليط غاوسي, التمويل الكمومي