ترميز البيانات
Data Encoding
ترميز البيانات (Data Encodingترميز البيانات: ترميز البيانات (Data Encoding) هو تحويل متجه كلاسيكي x إلى حالة كمّية ψ(x)⟩ بدارة تعتمد على x؛ وأشهر صيغه ترميز الأساس وترميز السعة وترميز الزوايا.) هو تحويل متجه كلاسيكي $x$ إلى حالة كمّية $|\psi(x)\rangle$ بدارة تعتمد على $x$؛ وأشهر صيغه ترميز الأساس وترميز السعة وترميز الزوايا.
قبل أن يعالج نموذج كمّي بيانات كلاسيكية، يجب ترميزها في حالة كمّية. يسمى ذلك ترميز البيانات أو تحميلها (Data Encoding / Loading)، وهو جزء أساسي من النموذج لا مجرد خطوة تمهيدية، لأنه يحدد فضاء الدوال التي يستطيع النموذج تمثيلها.
ترميز الأساس (Basis Encodingترميز الأساس: ترميز الأساس (Basis Encoding) يحوّل سلسلة بتات كلاسيكية مباشرة إلى حالة أساس حسابية: البت 1 يقابله تطبيق X على الكيوبت المقابل.): تُمثَّل سلسلة بتات $b$ بحالة الأساس $|b\rangle$. هو بسيط ومناسب للبيانات الثنائية، لكنه يحتاج كيوبتًا لكل بت.
ترميز السعة (Amplitude Encodingترميز السعة: ترميز السعة (Amplitude Encoding) يضع متجهاً مُطبَّعاً من 2ⁿ عنصراً في سعات n كيوبت، فيضغط البيانات أسّياً في عدد الكيوبتات، لكن دائرة تحضيره العامة تحتاج نحو 2ⁿ بوابة.): يُطبَّع متجه $x\in\mathbb{R}^N$ ويُحمَّل في السعات: $|\psi(x)\rangle=\tfrac{1}{\|x\|}\sum_{i}x_i|i\rangle$. يحتاج $\lceil\log_2N\rceil$ كيوبتًا فقط، وهذا مغرٍ، لكن تحضير حالة عامة كهذه يتطلب في الحالة العامة دارة بعدد بوابات من رتبة $N$، فقد يضيع التوفير الأسّي في الكيوبتات بتكلفة التحضير. وهذا أحد أهم القيود العملية لكثير من الخوارزميات المقترحة.
ترميز الزوايا (Angle Encodingترميز الزاوية: ترميز الزاوية (Angle Encoding) يضع كل سمة حقيقية زاويةً لدوران أحادي الكيوبت، مثل RY(xᵢ)، فتنتج حالة جداء منفصلة (Product State)، عمقها ثابت، وتحتاج كيوبتاً لكل سمة.): تُرمَّز كل سمة في زاوية دوران على كيوبت مستقل، مثل $$R_Y(x_i)|0\rangle=\cos\tfrac{x_i}{2}|0\rangle+\sin\tfrac{x_i}{2}|1\rangle.$$ يحتاج كيوبتًا لكل سمة ودارة بعمق ثابت، ولذلك يناسب أجهزة NISQ. ولأن الدورانات دورية، يُستحسن تحجيم السمات إلى مدى مثل $[0,\pi]$، كما يفعل المختبر في تجربة إيريس، حتى لا تتطابق قيم مختلفة.
تستخدم خرائط السمات الأعقد، مثل خريطة ZZ، بوابات تشابك يتعلق طورها بحاصل ضرب سمتين، فتُدخل تفاعلات غير خطية بين السمات. كما يمكن تكرار الترميز بين طبقات قابلة للتدريب (إعادة الرفع، Data Re-uploading)، فتزداد الترددات التي يستطيع النموذج تمثيلها.
قاعدة عامة: النموذج الكمّي الناتج دالة في $x$ تحددها خريطة الترميز إلى حد بعيد. إذا رُمّزت سمة واحدة بدوران باولي واحد، فإن أي قيمة متوقعة تكون كثيرة حدود مثلثية من الدرجة الأولى في تلك السمة، أي من الشكل $a+b\cos x+c\sin x$، مهما كانت الدارة القابلة للتدريب بعدها. فاختيار الترميز قرار تصميمي يعادل في أهميته اختيار البنية في الشبكات العصبية الكلاسيكية.
وفي المختبر يمكن المقارنة بين ترميز الزوايا وخريطة ZZ على مجموعات البيانات نفسها لملاحظة أثر الترميز مباشرة.
الصياغة الرياضية
مثال محلول
- ترميز السعة للمتجه $x=(3,4)$: $\|x\|=5$، فـ $|\psi\rangle=0.6|0\rangle+0.8|1\rangle$، واحتمالا القياس $0.36$ و $0.64$. كيوبت واحد يكفي لمتجه من بعدين.
- ترميز الزوايا للسمة $x=\pi/2$: $R_Y(\pi/2)|0\rangle=\cos\tfrac{\pi}{4}|0\rangle+\sin\tfrac{\pi}{4}|1\rangle=|+\rangle$، فـ $\langle Z\rangle=\cos x=0$.
- لعينة من سمتين $(x_1,x_2)=(0,\pi)$ بترميز الزوايا: $R_Y(\pi)|0\rangle=|1\rangle$ للكيوبت 1 و $|0\rangle$ للكيوبت 0، فالحالة $|10\rangle$ بترتيب $q_1q_0$.
جرّب بنفسك: مختبر ترميز البيانات
اختبر فهمك
يحتاج الاختبار إلى JavaScript.
موضوعات مرتبطة
المراجع
- Maria Schuld; Francesco Petruccione (2021). Machine Learning with Quantum Computers. Springer (Quantum Science and Technology) doi:10.1007/978-3-030-83098-4
- Xanadu (2025). What is quantum machine learning?. PennyLane pennylane.ai
- IBM Quantum (2025). Quantum Machine Learning (course). IBM Quantum Learning quantum.cloud.ibm.com
