Clear Sky Science
شروحات قائمة على الأدلة وخفيفة المصطلحات

Clear Sky Science · ar

استغلال مؤشرات الفوضى الكمومية في خوارزمية QAOA لتحسين تصنيف التعلم العميق الهجين الكمومي‑الكلاسيكي

· العودة إلى الفهرس

لماذا يمكن للفوضى أن تساعد الحواسيب على الرؤية

تتلقى الحواسيب الحديثة مساعدة من فيزياء الكم للتعرف على أنماط في البيانات مثل الأرقام المكتوبة يدويًا. لكن الدوائر الكمومية قد تتصرّف بطرق مفاجئة وعنيفة، حيث تُحدث تغييرات طفيفة في إعداداتها فروقًا كبيرة في مخرجاتها. يطرح هذا البحث سؤالًا بسيطًا: بدلًا من مقاومة ذلك السلوك «الفوضوي»، هل يمكننا قياسه وتحويله إلى إشارة مفيدة تساعد نظامًا هجينًا كمومي–كلاسيكي على تصنيف الصور بدقة أكبر؟

لمسة جديدة على خوارزمية كمومية شائعة

يبني الباحثون عملهم على خوارزمية التقريب الكمومي للتحسين، QAOA، التي صُمّمت أصلاً لحل مسائل تحسين معقّدة. هنا تُعاد توظيف QAOA كنوع من العدسة الكمومية التي تحوّل البيانات العادية إلى نمط كمومي أغنى قبل أن يقوم شبكة عصبية كلاسيكية بالتنبؤ النهائي. بما أن طبقات QAOA تخلط وتتداخل بتراكيب معقدة، فقد تتصرف الدائرة الناتجة مثل نظام ديناميكي فوضوي، حيث تؤثر التعديلات الصغيرة على زوايا التحكم تأثيرًا كبيرًا على الحالة النهائية. بدلًا من اعتبار ذلك مصدر إزعاج، يدرسه المؤلفون بعمق ويحاولون اقتناصه في ميزة رقمية واحدة يمكن إدخالها في خوارزمية تعلم.

Figure 1. إشارة الفوضى الكمومية المستخلصة من QAOA تساعد الحاسوب الهجين على تجميع صور الكتابة اليدوية إلى مجموعات أوضح.
Figure 1. إشارة الفوضى الكمومية المستخلصة من QAOA تساعد الحاسوب الهجين على تجميع صور الكتابة اليدوية إلى مجموعات أوضح.

الاستماع إلى الفوضى في دائرة كمومية

لمعرفة السلوك الفوضوي، يستخدم الفريق أداة من فيزياء الكم تُسمى موكّرّ للارتباطات المرتبة خارج الزمن (out-of-time-ordered correlator). ببساطة، يتتبع كيف ينتشر قرص صغير محلي في جزء من الدائرة ويشوش المعلومات في أنحاء النظام. يغيّر المؤلفون شدة زوايا QAOA على طول خط أحادي الأبعاد ويسجّلون كيف يتذبذب مقياس التشويش هذا. تعمل مواقع النقط الهابطة في هذا المنحنى كمعالم للحساسية: عندما تكون النقط متقاربة، تكون الدائرة شديدة الاستجابة للتغييرات الطفيفة. بدراسة التباعد بين العديد من هذه النقط عبر أعماق واختيارات المعاملات، يجدون نمطًا إحصائيًا مميزًا يتبع شكلًا «لوغنورميًا»، وهو سِمة نموّات متعددة العوامل تشبه الفوضى.

تحويل إشارة الفوضى إلى ميزة للتعلّم

استنادًا إلى هذا التحليل، يصمم المؤلفون نموذجين هجينين لتصنيف مجموعة صغيرة ومتوازنة من صور أرقام MNIST المكتوبة يدويًا. في التصميم القياسي، تُضغط الصور إلى عدد قليل من الأرقام، تمر عبر دائرة QAOA سطحية على 4 أو 6 أو 8 أو 10 كيوبت، ويصبح متوسط القياس من كل كيوبت مدخلًا إلى شبكة عصبية كلاسيكية. في التصميم الواعي بالفوضى، يضيفون مكونًا آخر: من منحنى التشويش للدائرة المُدربة، يحسبون التباعد النموذجي بين النقط الحساسة ثم يحوّلون هذا التباعد إلى «درجة فوضى» موحّدة باستخدام نموذجهم اللوغنورمي المُسبق. تُلحق هذه الدرجة، وهي رقم واحد يلخّص مدى دقة ضبط الدائرة، بالميزات الكمومية العادية قبل التصنيف.

Figure 2. قياس كيفية استجابة الدائرة الكمومية لتغيرات طفيفة ينتج درجة فوضى تُحسّن من حدة تصنيف الصور.
Figure 2. قياس كيفية استجابة الدائرة الكمومية لتغيرات طفيفة ينتج درجة فوضى تُحسّن من حدة تصنيف الصور.

إيجاد منطقة «غولديلوكس» كمومية

يُقارن النموذجان بعناية باستخدام العديد من جولات التدريب المطابقة بحيث يكون الاختلاف الوحيد هو وجود أو غياب درجة الفوضى. بالنسبة للدوائر الأصغر المكوّنة من 4 أو 6 أو 8 كيوبت، يعطي الإصدار الواعي بالفوضى دقّة اختبار أعلى باستمرار، محقّقًا تحسّنًا بنحو 1.6 إلى 1.8 نقطة مئوية والفوز في غالبية الجولات المتقارنة. تظهر أفضل النتائج مع دوائر 8 كيوبت، التي تصل دقتها في مجموعة الاختبار إلى نحو 90 في المئة مع ميزة الفوضى وتفوز في كل المقارنات. مع ذلك، عندما تُدفع عرض الدائرة إلى 10 كيوبت، تبدأ درجة الفوضى المضافة في الإضرار، فتنخفض الدقة نسبةً إلى النموذج القياسي. يوحي هذا النمط بوجود نطاق «غولديلوكس» حيث تكون الدائرة معبّرة بما يكفي للاستفادة من معلومات الفوضى، ولكن ليست حساسة إلى درجة تصبح فيها غير مستقرة.

ماذا يعني هذا لآلات التعلّم الكمومية المستقبلية

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن الفوضى في الدوائر الكمومية ليست تهديدًا فقط للتحكم؛ بل يمكن أن تكون موردًا إذا ما قيسَت واستُخدمت بحكمة. عبر استخلاص سلوك التشويش المعقّد إلى رقم موحّد ومعاير، يزوّد المؤلفون النماذج الهجينة الكمومية–الكلاسيكية مقبضًا إضافيًا يساعد على ملاءمة ثراء الدائرة مع تعقيد البيانات. في محاكاة متواضعة وخالية من الضوضاء، يحسّن هذا المقبض الإضافي تصنيف الصور دون تغيير البنية العامة. ومع نمو الأجهزة الكمومية الحقيقية لكنها تظل غير كاملة، قد تصبح هذه المؤشرات الواعية بالفوضى أدوات عملية لضبط عمق وحجم الدوائر، وتصميم استراتيجيات أخطاء أكثر متانة، وفي نهاية المطاف جعل أنظمة التعلم المعززة بالكموم أكثر موثوقية.

الاستشهاد: Villalba-Díez, J., Losada-González, J.C. Exploiting quantum chaos diagnostics in QAOA for enhanced hybrid quantum classical deep learning classification. Sci Rep 16, 15744 (2026). https://doi.org/10.1038/s41598-026-51870-8

الكلمات المفتاحية: التعلّم الآلي الكمومي, QAOA, الفوضى الكمومية, هجين كمومي كلاسيكي, تصنيف الصور