\n",
"\n",
"## 1. عنوان المشروع\n",
"\n",
"# التحسين الكمّي بخوارزمية QAOA\n",
"### Quantum Optimization (QAOA for Max-Cut)\n",
"\n",
"نحل مسألة القطع الأعظمي (Max-Cut) على رسم بياني من 6 عقد بخوارزمية QAOA (Farhi, Goldstone & Gutmann 2014) بعمق $p=1,2,3$، ونقارن النتائج بالحل الأمثل المحسوب بالبحث الشامل (Brute Force).\n",
"\n",
"> **عن Google Colab:** يعمل هذا الدفتر على المعالج المركزي (CPU) ولا يحتاج GPU. توفّر العتاد في Colab يعتمد على حسابك وعلى الموارد المتاحة وقت التشغيل، وColab ليس خدمة خلفية دائمة. جميع النتائج **محاكاة كلاسيكية** لدوائر كمّية، وليست تشغيلاً على جهاز كمّي حقيقي.\n",
"\n",
"
\n",
"\n",
"## 2. شرح المشكلة\n",
"\n",
"Max-Cut: قسّم العقد إلى مجموعتين بحيث يُقطع أكبر عدد من الأضلاع. نكتب الهاميلتوني $H_C=\\sum_{(i,j)\\in E}\\tfrac12(1-Z_iZ_j)$ الذي تساوي قيمته على أي سلسلة بتات حجمَ القطع. QAOA تحضّر $|\\gamma,\\beta\\rangle=\\prod_{k=1}^{p}e^{-i\\beta_k H_M}e^{-i\\gamma_k H_C}|+\\rangle^{\\otimes n}$ وتعظّم $\\langle H_C\\rangle$. مقياس الجودة: نسبة التقريب $r=\\langle H_C\\rangle/C_{max}$.\n",
"\n",
"
"
]
},
{
"cell_type": "code",
"execution_count": 1,
"id": "91262de7",
"metadata": {
"execution": {
"iopub.execute_input": "2026-11-20T08:13:34.797737Z",
"iopub.status.busy": "2026-11-20T08:13:34.797562Z",
"iopub.status.idle": "2026-11-20T08:13:35.519752Z",
"shell.execute_reply": "2026-11-20T08:13:35.513527Z"
}
},
"outputs": [
{
"name": "stdout",
"output_type": "stream",
"text": [
"Note: you may need to restart the kernel to use updated packages.\n"
]
}
],
"source": [
"# يثبّت الإصدارات التي اختُبر عليها هذا الدفتر (اختُبر بـ Python 3.12/3.13).\n",
"# Installs the exact versions this notebook was tested with.\n",
"%pip install -q \"pennylane==0.45.1\" \"matplotlib\""
]
},
{
"cell_type": "code",
"execution_count": 2,
"id": "4c816768",
"metadata": {
"execution": {
"iopub.execute_input": "2026-11-20T08:13:35.522200Z",
"iopub.status.busy": "2026-11-20T08:13:35.522012Z",
"iopub.status.idle": "2026-11-20T08:13:37.066124Z",
"shell.execute_reply": "2026-11-20T08:13:37.065389Z"
}
},
"outputs": [],
"source": [
"import itertools, time\n",
"import numpy as onp\n",
"import pennylane as qml\n",
"from pennylane import numpy as pnp\n",
"import matplotlib.pyplot as plt\n",
"SEED = 1\n",
"rng = onp.random.default_rng(SEED)"
]
},
{
"cell_type": "markdown",
"id": "167a76e1",
"metadata": {},
"source": [
"
\n",
"\n",
"## 5. تحميل البيانات\n",
"\n",
"الرسم البياني محدد يدوياً (لا بيانات خارجية): حلقة من 6 عقد مع ثلاثة أوتار.\n",
"\n",
"
\n",
"\n",
"## 11. النتائج\n",
"\n",
"**قراءة النتائج:** تزداد نسبة التقريب عادةً مع زيادة العمق $p$، ويرتفع احتمال قياس قطع أمثل. لكن البحث الشامل هنا أسرع بكثير؛ ولا توجد اليوم أدلة على أن QAOA على عتاد NISQ يتفوق على أفضل الخوارزميات الكلاسيكية (مثل Goemans–Williamson) في مسائل عملية.\n",
"\n",
"