ניצול דיאגנוסטיקה של כאוס קוונטי ב‑QAOA לשיפור סיווג בתּוּכת למידה עמוקה משולבת קוונטית‑קלאסית

מדוע כאוס יכול לעזור למחשבים “לראות”

מחשבים מודרניים מקבלים עזרה מפיזיקה קוונטית בזיהוי דפוסים בנתונים כגון ספרות כתובות־יד. אך מעגלים קוונטיים יכולים להתנהג באופן מפתיע ופרוע: שינויים זעירים בהגדרותיהם עלולים לגרום לשינויים גדולים בתוצאתם. המחקר שואל שאלה פשוטה: במקום להילחם בהתנהגות הפרועה הזו, האם אפשר למדוד אותה ולהפוך אותה לאות שימושי שעוזר למערכת היברידית קוונטית‑קלאסית לסווג תמונות בדיוק גבוה יותר?

סיבוב חדש על אלגוריתם קוונטי פופולרי

החוקרים מתבססים על אלגוריתם האופטימיזציה הקירובית הקוונטית, QAOA, שתוכנן במקור לפתרון בעיות אופטימיזציה קשות. כאן, QAOA מעובד לעדשה קוונטית שממירה נתונים רגילים לתבנית קוונטית עשירה יותר לפני שרשת נוירונים קלאסית מבצעת את התחזית הסופית. מכיוון ששכבות QAOA מערבלות ומעורבות קיוביטים בצורה מובנית אך מסובכת, המעגל שמתהווה יכול להתנהג בדומה למערכת דינמית כאוטית, שבה התאמות קטנות בזוויות הבקרה משפיעות בעוצמה על המצב הסופי. במקום לראות בכך מטרד, המחברים חוקרים את התופעה ומנסים ללכוד אותה בתכונה מספרית יחידה שניתן להזין לאלגוריתם למידה.

להקשיב לכאוס במעגל קוונטי

כדי "להקשיב" להתנהגות הכאוטית, הצוות משתמש בכלי מפיזיקה קוונטית שנקרא קורלטור מסודר־לא־בזמן (out-of-time-ordered correlator). בפשטות, הכלי עוקב כיצד דחיפה קטנה ומקומית לחלק אחד במעגל מתפשטת ומערבבת מידע ברחבי המערכת. המחברים משתנים בעוצמת זוויות ה‑QAOA לאורך קו חד־ממדי ומקליטים כיצד מדד הערבוב הזה מתנדנד. המיקומים של השקעים בעקומה הזו פועלים כמסמני רגישות: במקום שהשקעים קרובים זה לזה, המעגל רגיש מאוד לשינויים זעירים. על‑ידי חקר המרווחים בין השקעים רבים כאלה על פני עומקים ובחירות פרמטר, הם מוצאים דפוס סטטיסטי אופייני בצורת "לוג‑נורמלית", חותם היכר של תהליכי גדילה מלחכיים ומכבידים בלבול־כאוס.

הפיכת אות כאוס לתכונת למידה

בהמשך לניתוח הזה, המחברים מעצבים שני מודלים היברידיים לסיווג קבוצה קטנה ומאוזנת של תמונות מספרים כתובות‑יד ממאגר MNIST. בעיצוב הסטנדרטי התמונות מדחסות לכמה מספרים, עוברות דרך מעגל QAOA רדוד על 4, 6, 8 או 10 קיוביטים, והממוצע של המדידות מכל קיוביט הופך לקלט לרשת נוירונית קלאסית. בעיצוב המודע‑לכאוס מוסיפים מרכיב נוסף: מתוך עקומת הערבוב של המעגל המאומן הם מחשבים את המרווח האופייני בין שקעי הרגישות וממירים מרווח זה ל"ציון כאוס" ממוסד באמצעות המודל הלוג‑נורמלי שנקבע מראש. ציון זה, מספר יחיד המסכם עד כמה המעגל מכוּון בעדינות, מצורף לתכונות הקוונטיות הרגילות לפני הסיווג.

מציאת אזור "גולדילוקס" קוונטי

שני המודלים מושווים בקפדנות באמצעות ריצות אימון חוזרות ותואמות כך שרק נוכחותו או היעדרו של ציון הכאוס שונה ביניהם. עבור מעגלים קטנים יותר עם 4, 6 או 8 קיוביטים, הגרסה המודעת לכאוס מניבה בעקביות דיוק גבוה יותר במבחן, משפרת ביצועים בכ‑1.6 עד 1.8 נקודות אחוז וזוכה ברוב המכריע של הריצות המותאמות. התוצאות הטובות ביותר מופיעות עבור מעגלים עם 8 קיוביטים, שמגיעים לכ־90 אחוז דיוק במערך הבדיקה עם תכונת הכאוס ומנצחים בכל השוואה. עם זאת, כאשר רוחב המעגל מוגדל ל‑10 קיוביטים, הציון הנוסף מתחיל להזיק והדיוק יורד ביחס למודל הסטנדרטי. דפוס זה מרמז על משטר "גולדילוקס" שבו המעגל חזיר מספיק מבחינת הבעה כדי להרוויח ממשוב כאוס, אך לא כל כך רגיש שהוא הופך לבלתי יציב.

מה משמעות הדבר למכונות למידה קוונטיות עתידיות

בעבור הלא‑מומחים, המסר המרכזי הוא שכאוס במעגלים קוונטיים אינו רק איום לשליטה; הוא גם יכול להיות משאב אם מודדים אותו ומשתמשים בו בחוכמה. על‑ידי זיקוק התנהגות ערבוב מורכבת למספר בודד ומבוקל, המחברים מעניקים למודלים היברידיים קוונטיים‑קלאסיים חוגה נוספת שעוזרת להתאים את העושר של המעגל למורכבות הנתונים. בסימולציות צנועות וללא רעש, חוגה נוספת זו משפרת את סיווג התמונות מבלי לשנות את הארכיטקטורה הכוללת. ככל שהמכשירים הקוונטיים האמיתיים יתחדשו אך יישארו לא מושלמים, דיאגנוסטיקות המודעות‑לכאוס כאלה יכולות להפוך לכלים מעשיים לכיול עומק וגודל המעגל, לעיצוב אסטרטגיות תיקון שגיאות חזקים יותר, ולבסוף להפיכת מערכות למידה משופרות‑קוונטית לאמינות יותר.

ציטוט: 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

מילות מפתח: למידה מכונתית קוונטית, QAOA, כאוס קוונטי, היברידי קוונטי קלאסי, סיווג תמונות