Ҷустуҷӯи Меъмории Квантӣ бо Омӯзиши Намояндагии Беназорат (Quantum Architecture Search, QAS) чаҳорчӯбаи predictor-free-и тарҳрезии занҷири квантӣ мебошад, ки сохтори занҷирҳои параметрии квантиро бе истифодаи тамғаи иҷроиш дар фазои латентии камандоза ва пайваста ифода мекунад ва сипас ин фазои латентиро бо REINFORCE ё Bayesian Optimization ҷустуҷӯ карда, занҷирҳои номзади баландсифатро ёфтан мехоҳад. Дар таҳқиқот занҷири квантӣ аввал ҳамчун графи ациклии самтдор (Directed Acyclic Graph, DAG) код мешавад, навъҳои gate ва нақшҳои qubit бо хусусиятҳои ҷудогона ифода мегарданд, variational graph autoencoder-и асосёфта ба Graph Isomorphism Network (GIN) бо истифода аз танҳо маълумоти сохтории 100.000 занҷири ба таври тасодуфӣ тавлидшуда намояндагии латентии 16-андозаро меомӯзад ва баъд алгоритмҳои ҷустуҷӯ дар ин фазо меъмориҳои номзадро интихоб мекунанд.
Навоварии асосии таҳқиқот дар он аст, ки намояндагии сохтори занҷири квантиро аз раванди ҷустуҷӯи ба иҷроиш нигаронидашуда ҷудо мекунад. Усулҳои Predictor-based QAS метавонанд арзёбии пешакии шумораи зиёди занҷирҳо ва омӯзонидани пешгӯигари ҷудогонаи иҷроишро бо ин натиҷаҳо талаб кунанд. Дар ин таҳқиқот дар марҳилаи омӯзиши пешакӣ иҷроиши занҷир, энергияи VQA ё тамғаи fidelity истифода намешавад. Аммо ибораи “predictor-free” маънои “бе арзёбӣ”-ро надорад: ҳангоми ҷустуҷӯ занҷирҳои номзаде, ки REINFORCE ё Bayesian Optimization пешниҳод мекунанд, барои ҳисоб кардани reward воқеан дар вазифа арзёбӣ мешаванд.
Таҷрибаҳои асосии ҷустуҷӯ дар quantum state preparation, MaxCut ва вазифаҳои камкунии энергия, ки дар манбаъ зери унвони “quantum chemistry” пешниҳод шудаанд, дар сатҳи 4 ва 8 qubit гузаронида шудаанд. Дар ҳар таҷриба фазои ҷустуҷӯ аз 100.000 занҷир иборат буда, ҳар run танҳо 1000 search query истифода кардааст ва муқоисаҳои асосии иҷроиш бо 50 random seed-и мустақил анҷом дода шудаанд. REINFORCE ва Bayesian Optimization, махсусан дар таҷрибаҳои 4-qubit, нисбат ба Random Search занҷирҳои номзади баландсифаттар пайдо кардаанд; аммо усул дар ҳама миқёсҳо ва ҳамаи метрикаҳо аз намояндагии рақиб мутлақо беҳтар нест. Масалан, баъзе муқоисаҳои 12-qubit encoding ба нафъи GSQAS encoding-и мавҷуда натиҷа медиҳанд.
Санҷиши сахтафзори воқеии квантӣ танҳо дар намунаҳои интихобшудаи MaxCut анҷом дода шудааст. Параметрҳои беҳтарин занҷирҳое, ки барои 4-node ва 8-node MaxCut дар натиҷаи ҷустуҷӯ ёфт шуданд, дар симулятори бе садо омӯзонида шуда, баъд ҳамон параметрҳо бе оптимизатсияи дубора дар дастгоҳи NISQ-и ibm_sherbrooke-и IBM иҷро шудаанд. Манбаъ барои ҳар масъала пас аз 10.000 shot эҳтимоли %100,0 optimal bitstring-ро гузориш медиҳад. Ин натиҷа интиқоли ду занҷири интихобшудаи MaxCut-ро тасдиқ мекунад; аммо нишон намедиҳад, ки ҳамаи вазифаҳои QAS, ҳамаи занҷирҳо ё ҳамаи шароити садои NISQ бо муваффақияти %100 ҳал шудаанд.
Таҳқиқот ҳамчунин маҳдудияти муҳими миқёспазириро нишон медиҳад. Дар ҳоле ки намояндагиҳои латентии 4-qubit фишурда ва аз ҷиҳати иҷроиш муназзамтар гурӯҳбандӣ мешаванд, дар фазои 12-qubit намунаи 100.000 занҷир қисми хеле хурдтари меъмориҳои имконпазирро фаро мегирад ва аз ин рӯ ташкили латентии занҷирҳои баландсифат заифтар мешавад. Бинобар ин, гарчанде усул аз ҷиҳати кам кардани хароҷоти ҷустуҷӯ ва бартараф кардани ниёз ба маҷмӯаи калони додаҳои тамғадор бартарӣ медиҳад, масъалаи миқёспазирӣ ба занҷирҳои калонтарини квантӣ ҳалшуда нест.
Ҷустуҷӯи Меъмории Квантӣ (QAS) Чист?
Ҷустуҷӯи Меъмории Квантӣ (Quantum Architecture Search, QAS) равиши оптимизатсияи меъмории занҷир аст, ки барои як вазифаи муайяни ҳисоббарории квантӣ ба таври худкор ё нимахудкор таҳқиқ мекунад, ки кадом gate-ҳо дар кадом qubit-ҳо ва бо кадом сохтори пайвастшавӣ/тартиб истифода шаванд; дар ин таҳқиқот QAS ба ҷойи мустақиман паймоиш кардани фазои дискретӣ ва комбинатории занҷирҳо аввал фазои пайвастаи намояндагии латентии омӯхташударо ҷустуҷӯ мекунад.
Чаро меъмории занҷири квантӣ муҳим аст?
Variational Quantum Algorithm (VQA) оилаи алгоритмҳои гибридии квантӣ-классикӣ мебошад, ки занҷири параметрии квантиро бо optimizer-и классикӣ якҷо истифода мебарад. Занҷири параметрии квантӣ, Parameterized Quantum Circuit (PQC), занҷири квантиест, ки кунҷҳои муайяни gate ё дигар параметрҳои gate-и он омӯзишшаванда мебошанд.
Дар VQA на танҳо қимати параметрҳои gate, балки меъмории занҷир низ муҳим аст. Ҳатто агар ду занҷир шумораи якхелаи qubit дошта бошанд, фарқият дар навъҳои gate, тартиби gate, пайвастҳои ду-qubit ва circuit depth метавонад expressibility, entangling capability, рафтори оптимизатсия ва ҳассосият ба садоро тағйир диҳад.
Аз ин рӯ, ду масъалаи алоҳидаи оптимизатсия вуҷуд дорад:
- Оптимизатсияи параметрҳо: Танзим кардани кунҷҳои параметрии gate, ба монанди \(R_x\), \(R_y\), \(R_z\), \(U3\), дар занҷири интихобшуда.
- Оптимизатсияи меъморӣ: Интихоб кардани он ки кадом gate-ҳо, бо кадом тартиб ва бо кадом пайвастҳои qubit истифода шаванд.
QAS масъалаи дуюмро ҳадаф мегирад. Аммо азбаски фазои меъморӣ дискретӣ ва комбинаторӣ аст, шумораи занҷирҳои имконпазир метавонад бо афзоиши qubit ва gate хеле зуд зиёд шавад.
NISQ чӣ маъно дорад?
Noisy Intermediate-Scale Quantum (NISQ) дастгоҳҳои квантии давраи мобайнии садодорро тавсиф мекунад, ки дар онҳо fault-tolerant quantum error correction дар тамоми ҳисоб пурра татбиқ карда намешавад, аммо бо шумораи муайяни qubit ва gate-и физикӣ ҳисобҳои воқеии квантӣ анҷом дода мешаванд.
Дар ангезаи ин таҳқиқот NISQ муҳим аст; зеро занҷирҳои параметрии дарозтар, дорои gate-ҳои нолозим ё суст сохторбандишуда ҳатто агар дар симулятори идеалӣ кор кунанд, метавонанд дар дастгоҳи воқеӣ аз сабаби decoherence ва gate noise иҷроишро аз даст диҳанд. Аз ин рӯ, ҳадафи QAS на танҳо ёфтани занҷирҳои аз ҷиҳати математикӣ дорои қобилияти баланди ифода, балки инчунин сохторҳои самарабахши занҷир барои вазифа мебошад.
Barren plateau чист?
Barren plateau мушкилест, ки дар баъзе variational quantum circuit-ҳо дар минтақаҳои калони landscape-и оптимизатсия қиматҳои gradient хеле хурд мешаванд. Вақте gradient қариб ба сифр мерасад, optimizer-и классикӣ метавонад муайян кардани самти параметреро, ки бояд ба он ҳаракат кунад, душвор ёбад.
Манбаъ barren plateau-ро ҳамчун яке аз ангезаҳои QAS меорад; аммо даъво намекунад, ки усули пешниҳодшуда масъалаи barren plateau-ро аз ҷиҳати математикӣ пурра бартараф мекунад. Он чизе, ки таҳқиқот мустақиман чен мекунад, иҷроиши ҷустуҷӯи меъмории занҷир аст.
Чаро Занҷири Квантӣ ҳамчун Графи Ациклии Самтдор (DAG) Код Мешавад?
Таҳқиқот ҳар gate-и занҷири квантиро ҳамчун гиреҳи граф ва вобастагиҳои gate-ҳоро, ки дар як qubit аз рӯи тартиби вақт пайи ҳам меоянд, ҳамчун канорҳои самтдор ифода мекунад; бо илова кардани гиреҳҳои START ва END занҷир ба графи ациклии самтдор табдил меёбад ва ҳамин тавр graph representation learning-и асосёфта ба GIN метавонад навъи gate, мавқеи qubit ва топологияи пайвастшавии занҷирро ҳамзамон коркард кунад.
DAG чист?
Directed Acyclic Graph (DAG) графест, ки канорҳои он самтдор мебошанд, аммо directed cycle-и ба нуқтаи оғоз бармегардад надорад. Азбаски тартиби вақти gate-ҳо дар занҷири квантӣ табиатан муносибати dependency-и ба пеш самтдорро ба вуҷуд меорад, ифодаи DAG мувофиқ аст.
Дар манбаъ занҷире, ки \(m\) навъи gate, \(h\) gate ва \(g\) qubit дорад:
бо граф ифода мешавад. Шумораи гиреҳҳо бо дохил кардани START ва END:
мешавад.
Барои ин граф ду матритсаи якдигарро пуркунанда сохта мешаванд:
- Adjacency matrix \(A\): матритсаи сохтории пайвастшавии андозаи \(n\times n\).
- Gate matrix \(X\): матритсаи хусусиятҳои gate ва нақши qubit бо андозаи \(n\times(m+2+g)\).
\(A_{ij}=1\) мавҷуд будани directed edge аз node \(i\) ба node \(j\)-ро нишон медиҳад; \(A_{ij}=0\) нишон медиҳад, ки чунин пайваст нест.
Дар равиши пешинаи encoding кадом маълумот гум мешуд?
EGSQAS encoding-и пешина, ки манбаъ муқоиса мекунад, нақшҳои control ва target qubit-ро дар дохили gate-и ду-qubit ба қадри кофӣ фарқ намекард. Масалан, дар CNOT gate control qubit ва target qubit аз ҷиҳати физикӣ нақши якхела надоранд; вақте ин фарқ гум мешавад, ду занҷири гуногун метавонанд аз ҷиҳати сохторӣ аз ҳад зиёд монанд ифода шаванд.
Encoding-и пешниҳодшуда ин мушкилро бо ду роҳ ҳал мекунад:
- Барои gate-и ду-qubit, control qubit дар сатри дахлдор бо −1 ва target qubit бо +1 код мешавад.
- Edge weight дар adjacency matrix бо шумораи qubit-ҳои дар амалиёт иштироккунанда алоқаманд карда мешавад; масалан, барои gate-и ду-qubit weight 2 истифода мешавад.
Ҳамин тавр, модел на танҳо маълумоти “кадом gate ҳаст?”-ро, балки нақши амалиётии gate-ро дар системаи qubit низ мебинад.
Омӯзиши Намояндагии Беназорат дар Ин Таҳқиқот Чиро Меомӯзад?
Омӯзиши пешакии беназорат намеомӯзад, ки як занҷир дар MaxCut, state preparation ё вазифаи камкунии энергия то чӣ андоза хуб кор мекунад; он танҳо меомӯзад, ки аз \(A\) adjacency matrix ва \(X\) gate/qubit feature matrix хусусиятҳои сохтории занҷирҳоро ба тағйирёбандаҳои латентии фишурда табдил диҳад ва аз ин маълумоти сохторӣ графи занҷирро бозсозӣ кунад.
Variational posterior: Муодилаи (1)
\(Z\) маҷмӯи latent representation мебошад. \(z_i\) як тағйирёбандаи латентӣ; \(\mu_i\) Gaussian posterior mean-и ин тағйирёбанда; \(\sigma_i\) параметри standard deviation мебошад. \(\operatorname{diag}(\sigma_i^2)\) фарзияи diagonal covariance-ро ифода мекунад.
Ин муодила муодилаи квантии state wavefunction нест. \(Z\) тағйирёбандаи латентиест, ки модели классикии machine-learning меомӯзад.
Reparameterization trick
Модел тағйирёбандаи латентиро:
ба ин шакл намуна мегирад. Ин навишт барои пайваст кардани раванди намунагирии тасодуфӣ ба ҷараёни омӯзиши differentiable тавассути \(\mu_i\) ва \(\sigma_i\) истифода мешавад.
GIN message passing: Муодилаи (2)
\(M^{(s)}\) матритсаи node embedding дар \(s\). message-passing layer-и GIN мебошад. Оғоз:
\(\hat A\) дар манбаъ:
таъриф мешавад. Ҳарчанд circuit graph-и аслӣ directed аст, ҳангоми GIN message passing adjacency symmetrize мешавад; ҳамин тавр байни gate-ҳои пайвастшуда feature aggregation-и дуҷониба имконпазир мешавад.
Ҳади \((1+\epsilon^{(s)})M^{(s-1)}\) саҳми self-loop-и омӯзишшаванда мебошад, ки намояндагии пешинаи худи node-ро нигоҳ медорад. \(\hat A M^{(s-1)}\) маълумоти gate-ҳои ҳамсояро ҷамъ мекунад. \(\operatorname{MLP}^{(s)}\) бошад маълумоти ҷамъшударо ба nonlinear embedding табдил медиҳад.
Дар ҳамаи таҷрибаҳои асосии таҳқиқот:
- шумораи GIN layer \(L=5\),
- hidden dimension = 128,
- latent dimension = 16
истифода шудааст.
Fusion layer чӣ кор мекунад?
Модел ба ҷойи такя кардан танҳо ба баромади охирини GIN layer, fusion layer-еро истифода мебарад, ки намояндагиҳои аз қабатҳои гуногуни GIN омадаро якҷо мекунад. Ҳадаф ин аст, ки на танҳо намояндагии абстрактии қабати амиқ, балки маълумоти маҳаллии gate/connectivity аз қабатҳои пештар низ ба latent representation интиқол ёбад.
Decoder кадом маълумотро бозсозӣ мекунад?
Decoder аз latent \(Z\) ҳам adjacency matrix \(A\)-ро ва ҳам сохтори gate matrix:
бозсозӣ кардан мехоҳад. \(X^t\) маълумоти gate type one-hot ва \(X^q\) маълумоти мавқеъро, ки нишон медиҳад gate дар кадом qubit-ҳо кор мекунад, мебарад.
Муодилаи (3): Adjacency reconstruction
Ин factorization модели тавлиди маълумоти edge дар reconstructed graph аз ҷуфтҳои latent node мебошад.
Муодилаи (4)
Манбаъ ин ифодаро бо нотацияи \(\operatorname{ReLU}_j\) медиҳад ва барои \(\operatorname{ReLU}_j\) таърифи мустақили муфассали математикӣ пешниҳод намекунад. Аз ин рӯ, нишондиҳӣ хомӯшона ба activation ё probability function-и дигар табдил дода нашудааст. \(F_1\) дар манбаъ ҳамчун trainable linear function нишон дода мешавад.
Муодилаҳои (5)–(7): Gate matrix reconstruction
Softmax барои тавлиди категорияи gate type ва \(\tanh\) барои баромади пайвастаи qubit-position encoding истифода мешавад. Манбаъ дар Муодилаҳои (6) ва (7) барои ҳар ду баромад аломати \(F_2\)-ро истифода мекунад ва баъд мегӯяд, ки \(F_1\) ва \(F_2\) trainable linear functions мебошанд. Verianla ин нотацияро бо фарзия ба рамзи дигар, мисли \(F_3\), иваз накардааст.
ELBO: Муодилаи (8)
Evidence Lower Bound (ELBO) ҳадафи омӯзиши variational autoencoder мебошад. Ҳади аввал то чӣ андоза хуб бозтавлид шудани circuit structure-и аслиро аз latent representation мукофот медиҳад. Ҳади дуюм Kullback–Leibler divergence байни posterior \(q(Z\mid X,A)\) ва prior \(p(Z)\)-ро ҷазо медиҳад.
Манбаъ prior-ро:
интихоб мекунад. Ин regularization ташаккули фазои латентиро ба probabilistic representation-и муназзамтар ба ҷойи lookup table-и пароканда ва кандашуда ташвиқ мекунад.
Pretraining бо minibatch gradient descent ва batch size 32 анҷом дода шудааст.
Гиперпараметрҳои омӯзиши пешакӣ
| Параметр | Қимат | Маъно |
|---|---|---|
| Шумораи Qubit | 4 / 8 / 12 | Миқёсҳои таҷриба/намояндагӣ |
| Шумораи Gate | 10 / 20 / 30 | Танзими circuit generator барои 4 / 8 / 12 qubit мутаносибан |
| Maximum circuit depth | 5 | Ҳадди болоии умқи занҷири тавлидшуда |
| Шумораи Circuit | 100.000 | Randomly generated search / representation space |
| Batch size | 32 | Андозаи pretraining minibatch |
| Pretraining epoch | 16 | Шумораи epoch-и омӯзиши пешакии autoencoder |
| Dropout | 0,1 | Decoder implicit regularization |
| Input normalization | True | Input normalization татбиқ мешавад |
| Input dimension | 2 + #gates + #qubits | Андозаи хусусиятҳои Gate/qubit |
| Hidden dimension | 128 | GIN hidden representation |
| Latent dimension | 16 | Фазои латентии пайвастаи омӯхташуда |
| GIN layer | 5 | Message-passing depth |
| MLP layer | 2 | Умқи MLP дар GIN |
Operation pool
Random circuit generator маҷмӯи зерини gate-ҳоро истифода мебарад:
Интихоби ин маҷмӯа муҳим аст. Search algorithm танҳо занҷирҳоеро пайдо карда метавонад, ки generator тавони тавлиди онҳоро дорад. Агар дар Operation pool оилаҳои муайяни gate вуҷуд надошта бошанд, QAS баъдтар ин меъмориҳои гумшударо “ихтиро” карда наметавонад. Аз ин рӯ, натиҷаҳои таҳқиқот бояд дар заминаи circuit search space-и муайяншуда арзёбӣ шаванд.
Метрикаҳои иҷроиши Pretraining чиро чен мекунанд?
Манбаъ панҷ metric-и ҷудогонаро истифода мебарад:
- Accuracyops: дақиқии gate type reconstruction.
- Accuracyqubit: дақиқии бозсозии он ки gate дар кадом qubit-ҳо кор мекунад.
- Accuracyadj: дақиқии adjacency matrix reconstruction.
- Falposmean: миқдори mean false-positive дар reconstructed adjacency matrix.
- KLD: метрикаи KL-divergence, ки дар арзёбии continuity/smoothness-и latent representation истифода мешавад.
| Qubit | Encoding | Accuracy ops | Accuracy qubit | Accuracy adj | Falpos mean | KLD |
|---|---|---|---|---|---|---|
| 4 | GSQAS | 99,99 | 99,99 | 99,91 | 100,00 | 0,061 |
| 4 | Пешниҳодшуда | 100 | 99,97 | 98,89 | 23,41 | 0,045 |
| 8 | GSQAS | 86,69 | 99,98 | 99,82 | 100,00 | 0,038 |
| 8 | Пешниҳодшуда | 100 | 98,65 | 97,34 | 7,35 | 0,029 |
| 12 | GSQAS | 86,69 | 99,94 | 99,70 | 100,00 | 0,028 |
| 12 | Пешниҳодшуда | 98,67 | 99,14 | 97,79 | 4,75 | 0,022 |
Ин ҷадвалро ба шакли “encoding-и пешниҳодшуда дар ҳамаи reconstruction metric-ҳо беҳтар аст” хондан дуруст нест. Гарчанде усули пешниҳодшуда дар gate-type accuracy, metric-и false-positive ва KLD бартариҳои равшан нишон медиҳад, қиматҳои Accuracyqubit ва махсусан Accuracyadj дар баъзе ҳолатҳо аз GSQAS пасттаранд. Арзёбии манбаъ аз рӯи representation quality-и умумӣ ва downstream search behavior анҷом дода мешавад.
Ҳарчанд манбаъ дар caption-и Table 1 ибораи “four metrics”-ро истифода мекунад, дар ҷадвали намоён Accuracyops, Accuracyqubit, Accuracyadj, Falposmean ва KLD, яъне панҷ сутуни metric мавҷуданд. Verianla ин фарқи ибораи дохили манбаъро пинҳон намекунад.
Тасвирҳои PCA ва t-SNE чиро нишон медиҳанд?
Манбаъ дар Figure 2 барои ба ду андоза кам кардани latent representation-и 16-андоза Principal Component Analysis (PCA) ва t-distributed Stochastic Neighbor Embedding (t-SNE)-ро истифода мебарад.
Рангҳои ин тасвирҳо қиматҳои energy ё fidelity-и circuit-ҳоро нишон медиҳанд; аммо ин performance қиматҳо target-и unsupervised pretraining-и autoencoder нестанд. Онҳо танҳо пас аз омӯзиш барои таҳлили он ки latent space аз ҷиҳати иҷроиш чӣ гуна ташкил ёфтааст, болои намояндагӣ гузошта шудаанд.
Дар ҳолати 4-qubit меъмориҳои баландсифат дар минтақаҳои муназзамтар гурӯҳбандӣ мешаванд. Дар ҳолати 12-qubit бошад, азбаски 100.000 circuit қисми хурдтари фазои меъмории имконпазирро ифода мекунад, ин тартиб заифтар аст. Манбаъ инро ҳамчун маҳдудияти representation-learning coverage дар фазоҳои калонтарини ҷустуҷӯ тафсир мекунад.
Ҷустуҷӯи Predictor-Free Чӣ Маъно Дорад?
Ҷустуҷӯи predictor-free маънои онро дорад, ки supervised predictor-и алоҳида барои пешгӯии пешакии иҷроиши candidate circuit омӯзонида намешавад; pretrained structural encoder собит карда мешавад, REINFORCE ё Bayesian Optimization аз фазои латентӣ номзад интихоб мекунад ва evaluation-и воқеии вазифаи занҷири номзад танҳо барои тавлиди reward истифода мешавад.
REINFORCE
Манбаъ мегӯяд, ки бо PPO ва A2C озмоишҳои ибтидоӣ гузаронидааст, аммо барои architecture search усули REINFORCE-ро интихоб кардааст.
REINFORCE алгоритми reinforcement-learning-и навъи policy-gradient мебошад. Дар ин таҳқиқот:
- state space аз pretrained architecture embeddings иборат аст;
- policy network LSTM-и якҳуҷайраро истифода мебарад;
- action ба интихоби latent vector-и аз state distribution-и ҷорӣ намунагирифташуда мувофиқат мекунад;
- candidate circuit дар вазифа арзёбӣ мешавад;
- fidelity ё таносуби энергияи бадастомада ҳамчун reward ба policy update ворид мешавад.
Reward барои вазифаҳои энергия: Муодилаи (9)
Манбаъ дар MaxCut ва вазифаҳои камкунии энергия convention-еро истифода мебарад, ки дар он \(E_{\mathrm{ground}}<0\) аст. Дар доираи ин convention, вақте энергияи номзад ба ground-state energy мерасад:
мешавад. Барои \(E_{\mathrm{candidate}}=0\), reward 0 аст.
Ҳангоми оптимизатсияи барвақт ё numerical noise, агар \(E_{\mathrm{candidate}}>0\) бошад, таносуб метавонад манфӣ шавад. Манбаъ дар ин ҳолат reward-ро ба 0 clip мекунад.
Барои Quantum state preparation energy ratio истифода намешавад; reward мустақиман fidelity мебошад.
Adaptive baseline
Бо мақсади кам кардани variance-и REINFORCE манбаъ:
adaptive baseline истифода мебарад. \(R_{\mathrm{avg}}\) reward average-и пешина; \(\alpha\in[0,1]\) smoothing coefficient мебошад. Манбаъ дар матни асосии усул қимати мушаххаси numerical-и \(\alpha\)-ро намедиҳад; бинобар ин қимат тахмин карда нашудааст.
Ҳар run 1000 architecture search-ро дар бар мегирад.
Bayesian Optimization
Search strategy-и дуюм Bayesian Optimization-и асосёфта ба Deep Networks for Global Optimization (DNGO) мебошад.
Манбаъ дар модели BO regression як hidden-layer feed-forward basis function бо 128 hidden unit истифода мебарад. Ҳамчун Acquisition function Expected Improvement (EI) интихоб мешавад.
BO дар оғоз бо 16 sample кор мекунад. Дар ҳар epoch, top-k architecture embedding-ҳои пешниҳодкардаи EI ба batch илова мешаванд ва модел дар batch-и навшуда 100 epoch дубора омӯзонида мешавад.
“100 epoch”-и ин ҷо ҳамон омӯзише нест, ки барои autoencoder pretraining 16 epoch дода шудааст. Яке architecture representation pretraining, дигаре омӯзиши дубораи дохили iteration-и модели BO search мебошад.
Усул ва Натиҷаҳои Таҳқиқот
1000 Ҷустуҷӯ дар Фазои 100.000 Занҷир Чиро Ифода Мекунад?
Дар ҳар run-и асосии QAS усул аз search space-и пешакӣ сохташудаи 100.000 занҷир танҳо 1000 номзадро, яъне тақрибан як фоизро дар вазифа арзёбӣ мекунад; аз ин рӯ ҳадафи таҷриба exhaustive паймоиш кардани ҳамаи занҷирҳо нест, балки санҷидани он аст, ки latent representation метавонад минтақаҳои баландсифатро нисбат ба Random Search зичтар намуна гирад ё не.
Вазифаҳои асосии таҷрибавӣ
Таҳқиқот се оилаи истифодаҳоро ба кор мебарад:
- quantum state preparation,
- MaxCut,
- energy minimization / гурӯҳи quantum chemistry бо истилоҳоти манбаъ.
Таҷрибаҳои асосии Figure 3 ва Figure 4 дар сатҳи 4 ва 8 qubit анҷом дода шудаанд. Дар баъзе бахшҳои representation-learning ва арзёбии encoding, 12-qubit circuits низ истифода мешаванд.
Quantum state preparation
Ҳадафи вазифаи Quantum state preparation бозсозии target quantum state бо fidelity-и ҳарчи баландтар мебошад.
Манбаъ target state-ро бо тавлиди random circuit-и мувофиқ месозад ва усули QAS-ро барои ҷустуҷӯи candidate circuit-ҳое истифода мебарад, ки барои ин state fidelity-и баланд медиҳанд.
Азбаски Fidelity байни 0 ва 1 метавонад мустақиман ҳамчун reward истифода шавад, energy normalization-и ҷудогона анҷом дода намешавад.
MaxCut
MaxCut масъалаест, ки vertices-и weighted undirected graph-ро ба ду гурӯҳ ҷудо карда, ҷамъбасти edge weight байни ду гурӯҳро максималӣ мекунад.
Таҳқиқот аз graph як Hamiltonian ҳосил мекунад ва арзёбии энергияи асосёфта ба VQE-ро истифода мебарад.
Дар Appendix A.2 манбаъ:
- барои намунаи 4-qubit / 4-node ground-state energy = −10 Ha,
- барои намунаи 8-qubit / 8-node ground-state energy = −52 Ha
ифодаро истифода мебарад. Азбаски воҳиди “Ha” дар манбаъ ҳамин тавр навишта шудааст, он нигоҳ дошта шудааст; Verianla ин нотацияро хомӯшона ба воҳиди дигар табдил намедиҳад.
Фарқи Quantum chemistry ва TFIM
Дар Appendix A.2 намунаҳои молекулавӣ:
- 4-qubit H₂: тақрибан optimal ground-state energy = −1,136 Ha,
- 12-qubit LiH: тақрибан optimal ground-state energy = −7,88 Ha
дода шудаанд.
Аммо намунаи 8-qubit молекула нест. Манбаъ равшан мегӯяд, ки \(n=8\) transverse-field Ising model (TFIM) истифода шудааст.
Муодилаи Манбаъ (10) — бе тағйир
\(\sigma_z^i\) оператори Pauli-Z дар qubit-и \(i\); \(\sigma_x^i\) оператори Pauli-X-ро ифода мекунад. Ҳади аввал neighboring spin coupling ва ҳади дуюм саҳми transverse-field-ро нишон медиҳад.
Номувофиқии муҳими дохили манбаъ: Матн мегӯяд модел \(n=8\) аст ва ҷамъ аз \(i=0\) то 7 меравад, аммо дар индекси ҳамсоя \((i+1)\bmod 6\) навишта шудааст. Ин ифода дар source PDF айнан ҳамин гуна аст. Verianla бо тахмини берун аз манбаъ, ки ин typographical error аст, онро ба \(\bmod 8\) иваз накардааст.
Манбаъ барои ин Hamiltonian тақрибан optimal energy-и −10 Ha-ро истифода мебарад.
Натиҷаҳои ҷустуҷӯ чӣ гуна муқоиса шуданд?
Дар Figure 3 ҳар plot average reward-и 50 run-и мустақилро нишон медиҳад ва ҳар run 1000 query дорад. Shaded bands standard deviation-ро нишон медиҳанд.
Тибқи мушоҳидаи муаллифон, REINFORCE ва Bayesian Optimization ҳангоми пешрафти search дар latent representation average reward-ро махсусан дар марҳилаи аввал баланд мекунанд, дар ҳоле ки Random Search improvement-и монанд нишон намедиҳад. Гарчанде variance-и RL ва BO аз Random Search каме баландтар аст, сатҳҳои average reward баландтаранд.
Candidate threshold-ҳо
| Вазифа | 4-qubit threshold | 8-qubit threshold |
|---|---|---|
| State preparation | 0,95 | 0,75 |
| MaxCut | 0,95 | 0,925 |
| Energy / гурӯҳи quantum-chemistry | 0,95 | 0,95 |
Аз ин рӯ, candidate count-ҳои 4-qubit ва 8-qubit-ро танҳо аз рӯи рақам мустақим муқоиса кардан дуруст нест; дар баробари task complexity, қиматҳои threshold низ фарқ мекунанд.
Самаранокии ҷустуҷӯи 4-qubit
| Усул | Task | Арзёбии умумӣ | Номзади ёфтшуда \(N_{\mathrm{QAS}}\) | \(N_{\mathrm{QAS}}/N_{\mathrm{eval}}\) |
|---|---|---|---|---|
| GNN predictor + RL | Fidelity | 2000 | 36 | 0,0180 |
| GNN predictor + RL | MaxCut | 2000 | 783 | 0,3915 |
| GNN predictor + RL | QC-H₂ | 2000 | 278 | 0,1390 |
| GSQAS predictor + RL | Fidelity | 2000 | 37 | 0,0185 |
| GSQAS predictor + RL | MaxCut | 2000 | 785 | 0,3925 |
| GSQAS predictor + RL | QC-H₂ | 2000 | 658 | 0,3290 |
| Random Search | Fidelity | 1000 | 15 | 0,0150 |
| Random Search | MaxCut | 1000 | 568 | 0,5680 |
| Random Search | QC-H₂ | 1000 | 371 | 0,3710 |
| QAS-и пешниҳодшуда — REINFORCE | Fidelity | 1000 | 69 | 0,0690 |
| QAS-и пешниҳодшуда — REINFORCE | MaxCut | 1000 | 898 | 0,8980 |
| QAS-и пешниҳодшуда — REINFORCE | QC-H₂ | 1000 | 817 | 0,8170 |
| QAS-и пешниҳодшуда — BO | Fidelity | 1000 | 63 | 0,0630 |
| QAS-и пешниҳодшуда — BO | MaxCut | 1000 | 820 | 0,8200 |
| QAS-и пешниҳодшуда — BO | QC-H₂ | 1000 | 739 | 0,7390 |
Қимати \(N_{\mathrm{eval}}=2000\)-и усулҳои Predictor-based ҷамъбасти арзёбиҳои labeled-circuit, ки барои сохтани performance predictor лозиманд, ва арзёбиҳои ҳангоми search иҷрошударо дар бар мегирад. Дар усули пешниҳодшудаи predictor-free, 1000 labeled pretraining circuit evaluation-и ҷудогона вуҷуд надорад; structural pretraining performance label талаб намекунад ва \(N_{\mathrm{eval}}=1000\) search evaluation истифода мешавад.
Ин ҷадвал нишон медиҳад, ки усул махсусан дар MaxCut ва вазифаи энергияи H₂ метавонад high-performing regions-ро зичтар намуна гирад. Аммо task-specific threshold-ҳо ва search-space composition заминаи натиҷаҳо мебошанд; қиматҳо QAS efficiency constant-и универсалӣ нестанд.
Оё бо тағйир додани Encoding натиҷа ҳамеша беҳтар мешавад?
| Таҷриба | GSQAS encoding \(N_{\mathrm{QAS}}/N_{\mathrm{eval}}\) | Encoding-и пешниҳодшуда \(N_{\mathrm{QAS}}/N_{\mathrm{eval}}\) |
|---|---|---|
| GSQAS — 4 | 0,3125 | 0,3290 |
| GSQAS — 12 | 0,1415 | 0,1380 |
| QAS-RL — 4 | 0,7600 | 0,8170 |
| QAS-RL — 8 | 0,1600 | 0,1670 |
| QAS-RL — 12 | 0,4220 | 0,3920 |
Ин натиҷа маҳдудияти муҳими тафсирро ташкил медиҳад. Encoding-и нав дар аксари намунаҳои 4 ва 8-qubit бартарӣ медиҳад, аммо дар ду муқоисаи 12-qubit аз GSQAS encoding ақиб мемонад. Манбаъ низ нокифоя намояндагӣ шудани 12-qubit search space бо 100.000 circuit-ро ҳамчун сабаби эҳтимолӣ баррасӣ мекунад.
Аблятсияи Latent dimension ва GIN depth
| Latent \(d_z\) | GIN depth \(L\) | VAE loss | Average reward RL | Average reward BO |
|---|---|---|---|---|
| 8 | 5 | 0,11 | 0,95 ± 0,001 | 0,89 ± 0,030 |
| 16 | 5 | 0,09 | 0,98 ± 0,006 | 0,93 ± 0,013 |
| 32 | 5 | 0,14 | 0,975 ± 0,009 | 0,92 ± 0,017 |
| 16 | 3 | 0,10 | 0,95 ± 0,013 | 0,93 ± 0,021 |
| 16 | 7 | 0,09 | 0,97 ± 0,010 | 0,92 ± 0,022 |
Натиҷаҳои Ablation аз рӯи 10 random seed ҳамчун mean ± standard deviation дода шудаанд. Гарчанде VAE reconstruction objective ба hyperparameter-ҳо ҳассос аст, downstream QAS reward камтар тағйир меёбад. Интихоби default-и манбаъ \(d_z=16\), \(L=5\) мебошад.
Натиҷаи %100 дар IBM ibm_sherbrooke Чӣ Маъно Дорад?
Натиҷаи %100-и манбаъ маънои онро дорад, ки танҳо ду занҷири MaxCut-и бо QAS интихобшуда — масъалаҳои 4-node ва 8-node — бо параметрҳои дар симулятор омӯзонидашуда бе тағйир, дар ibm_sherbrooke бо 10.000 shot барои ҳар кадом иҷро шуданд ва дар ҳамаи ченкуниҳо optimal bitstring гузориш гардид; ин натиҷа нишон намедиҳад, ки вазифаҳои state-preparation ё chemistry/TFIM дар сахтафзори воқеӣ ба ҳамон муваффақият расидаанд ё усул quantum advantage-и умумӣ медиҳад.
Протоколи санҷиши сахтафзори воқеӣ
- Бо QAS барои 4-node ва 8-node MaxCut best-performing circuit интихоб шуд.
- Параметрҳои trainable-и ин занҷирҳо дар noise-free simulator оптимизатсия шуданд.
- Ҳамон parameter set ба дастгоҳи воқеии ibm_sherbrooke интиқол дода шуд.
- Манбаъ мегӯяд, ки ягон hardware-specific parameter re-tuning анҷом дода нашудааст.
- Ҳар шароит бо 10.000 measurement shot иҷро шуд.
| Метрика | 4-node симулятор | 4-node дастгоҳи воқеӣ | 8-node симулятор | 8-node дастгоҳи воқеӣ |
|---|---|---|---|---|
| Эҳтимоли Optimal bitstring | %100,0 | %100,0 | %100,0 | %100,0 |
| Average cut value | 4 | 4 | 12 | 12 |
| Shot | 10.000 | 10.000 | 10.000 | 10.000 |
| Noise model | Noise-free | Physical NISQ | Noise-free | Physical NISQ |
| Device | Simulator | ibm_sherbrooke | Simulator | ibm_sherbrooke |
Манбаъ confidence interval-и ҷудогона гузориш намедиҳад. Аз ин рӯ, Verianla умумисозии омории мисли “эҳтимоли воқеии муваффақият маҳз 1,000000 аст” намекунад; танҳо натиҷаи барои 10.000 repeated shot дар Table 4 мушоҳидашуда ва ҳамчун %100,0 гузоришшударо мерасонад.
Оё ин натиҷа quantum advantage аст?
Не. Саволи таҳқиқот мағлуб кардани classical computer нисбат ба quantum computer аз ҷиҳати суръат ё complexity нест. Framework-и ҷустуҷӯ асосан machine learning-и классикӣ ва quantum simulation-и бе садоро истифода мебарад; таҷрибаи hardware-и воқеӣ бошад интиқолпазирии candidate circuit-ҳои интихобшударо месанҷад.
Бинобар ин, ибораи дастгиришавандаи таҳқиқот ин аст, ки “ду MaxCut circuit-и ёфтшуда ба дастгоҳи воқеии NISQ бе parameter re-tuning бо муваффақият интиқол дода шуданд”. Натиҷаи “QAS classical computing-ро гузашт” ё “quantum advantage нишон дода шуд” аз ҷониби манбаъ санҷида нашудааст.
Ҷиҳатҳои қавии таҳқиқот
- Architecture representation learning аз task-specific search ҷудо карда шудааст.
- Pretraining performance labels ё VQA evaluations талаб намекунад.
- Нақши Control/target ва multi-qubit edge importance нисбат ба encoding-и пешина равшантар ифода мешавад.
- Ҳамон pretrained representation метавонад барои downstream tasks-и гуногун истифода шавад.
- REINFORCE ва BO метавонанд дар ҳамон latent space татбиқ шаванд.
- Search performance на танҳо дар як истифода, балки дар state preparation, MaxCut ва вазифаҳои energy-based арзёбӣ шудааст.
- Search curves-и асосӣ аз рӯи 50 independent run арзёбӣ шудаанд.
- Барои Latent dimension ва GIN depth аблятсияи ҷудогона анҷом дода шудааст.
- Беҳтарин MaxCut circuit-ҳо мустақиман дар hardware-и воқеии IBM санҷида шудаанд.
Маҳдудиятҳои таҳқиқот
Search-space coverage: Гарчанде 100.000 circuit метавонад дар масъалаи 4-qubit намунагирии бой диҳад, он метавонад танҳо қисми хеле хурди тамоми possible architecture space-и 12-qubit-ро фаро гирад. Манбаъ clustering-и заифтар дар latent representation-и 12-qubit-ро бо ин маҳдудият мепайвандад.
Вобастагӣ ба Operation-pool: Модел танҳо дар доираи gate set ва structural constraints-и иҷозатдодаи circuit generator-и ибтидоӣ ҷустуҷӯ мекунад.
Доираи Hardware validation: Hardware-и воқеӣ танҳо барои 4-node ва 8-node MaxCut best circuits истифода шудааст; барои state preparation ва вазифаҳои энергия ҳамон real-device validation гузориш нашудааст.
Санҷиши занҷири интихобшуда: Hardware test тамоми candidate distribution-ро не, балки беҳтарин занҷирҳои интихобкардаи search-ро месанҷад.
Умумисозии Noise-model: Таҷрибаҳои асосии search дар noise-free simulator анҷом дода шудаанд. QAS objective мустақиман ҳамчун hardware noise-aware search оптимизатсия нашудааст.
Scalability: Натиҷаҳои 12-qubit нишон медиҳанд, ки representation coverage ва downstream search performance метавонанд коҳиш ёбанд. Аз ин рӯ, усул дар занҷирҳои калонтар ба таври худкор ҳамон efficiency-ро кафолат намедиҳад.
Predictor-free ≠ evaluation-free: Гарчанде predictor-и ҷудогона ва labeled pretraining лозим нест, барои reward candidate VQA evaluation талаб мешавад; арзёбии гарони вазифа пурра аз байн намеравад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
Манбаъ дастгирӣ мекунад, ки табдил додани circuit structure ба latent representation-и ба таври беназорат омӯхташуда метавонад барои QAS муфид бошад ва REINFORCE/BO дар ин latent space метавонад нисбат ба Random Search high-performing candidate discovery-и самараноктар таъмин кунад.
Encoding-и пешниҳодшуда маълумоти circuit-specific, ба монанди control-target role ва interaction weight, равшантар ифода мекунад ва дар бисёр metric ва downstream search condition бартарӣ медиҳад.
Дар намунаҳои 4-qubit нишон дода мешавад, ки latent representation метавонад бо performance structure ба таври муназзам гурӯҳбандӣ шавад; performance label training target-и ин representation нест.
Нишон дода мешавад, ки 4-node ва 8-node MaxCut circuits-и интихобшуда бо simulator-trained parameters дар ibm_sherbrooke бе tuning-и дубора optimal output-и дар манбаъ гузоришшударо нигоҳ медоранд.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
Таҳқиқот исбот намекунад, ки encoding-и нав дар ҳамаи масъалаҳои quantum circuit architecture search беҳтарин аст. Дар муқоисаҳои 12-qubit баъзе натиҷаҳо ба нафъи encoding-и кӯҳна мебошанд.
Таҳқиқот нишон намедиҳад, ки равиши predictor-free ниёз ба quantum circuit evaluation-ро пурра бартараф кардааст.
Таҳқиқот нишон намедиҳад, ки ҳамаи занҷирҳои ёфтшуда ба hardware noise-и воқеӣ устуворанд.
Таҳқиқот вазифаҳои state preparation, H₂, LiH ё TFIM-ро дар ibm_sherbrooke бо ҳамон hardware test protocol тасдиқ намекунад.
Таҳқиқот fault-tolerant quantum computing нишон намедиҳад; дастгоҳи воқеии истифодашуда NISQ мебошад.
Таҳқиқот quantum computational advantage ё classical speedup-ро исбот намекунад.
Таҳқиқот нишон намедиҳад, ки намунаи 100.000 занҷир 12-qubit ё circuit spaces-и калонтарро пурра ифода мекунад.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: Quantum Architecture Search with Unsupervised Representation Learning
Муаллифон: Yize Sun, Zixin Wu, Volker Tresp, Yunpu Ma.
Саҳми баробар: Yize Sun ва Zixin Wu.
Муаллифи иртибот: Yunpu Ma.
Почтаи электронии иртиботии дар манбаъ додашуда: cognitive.yunpu@gmail.com
Муассиса 1: Ludwig-Maximilians-University Munich, Munich, Germany.
Муассиса 2: Siemens AG, Munich, Germany.
Муассиса 3: MCML — Munich Center for Machine Learning, Munich, Germany.
Навъи манбаъ: Hakemli journal article.
Маҷалла: Quantum.
Ҷилд: 10.
Рақами мақола/саҳифа: 1994.
Санаи нашр: 3 феврали 2026.
Санаи қабул: 23 январи 2026.
DOI: 10.22331/q-2026-02-03-1994.
Eprint: arXiv:2401.11576v6 [quant-ph], 25 январи 2026.
Ношир: Verein zur Förderung des Open Access Publizierens in den Quantenwissenschaften.
Муҳаррир: Jiangwei Shang.
Литсензия: Creative Commons Attribution 4.0 International (CC BY 4.0).
Навъи илмии таҳқиқот: Таҳқиқоти усули омӯзиши мошинии квантӣ / quantum architecture search; graph representation learning, reinforcement learning, Bayesian optimization, quantum simulation-и бе садо ва hardware evaluation-и маҳдуди воқеии NISQ-ро дар бар мегирад.
Search space: 100.000 circuit бо Random generator.
Operation pool: X, Y, Z, H, Rx, Ry, Rz, U3, CNOT, CZ, CY.
Circuit generator: 4 / 8 / 12 qubit; мутаносибан 10 / 20 / 30 gate; maximum depth 5.
Representation model: GIN-based variational graph autoencoder.
GIN layer: 5.
Latent dimension: 16.
Hidden dimension: 128.
Pretraining: 16 epoch; batch size 32; dropout 0,1; structure-only \(A,X\) input; performance label истифода намешавад.
Search algorithms: REINFORCE ва Bayesian Optimization-и асосёфта ба DNGO.
Search budget: 1000 query барои ҳар run-и асосӣ.
Такрорҳои асосии иҷроиш: 50 independent run / random seed барои Figure 3 ва Figure 4.
Такрорҳои Ablation: 10 random seed барои Table 6.
Дастгоҳи воқеии квантӣ: IBM ibm_sherbrooke.
Доираи санҷиши hardware-и воқеӣ: Танҳо 4-node ва 8-node MaxCut circuits-и интихобшуда.
Шумораи Hardware shot: 10.000 барои ҳар шароит.
Hardware parameter transfer: Параметрҳо дар noise-free simulator омӯзонида шуда, бе re-tuning ба дастгоҳи воқеӣ интиқол дода шудаанд.
Натиҷаи Hardware: Манбаъ Table 4 барои 4-node ва 8-node MaxCut ҳам дар simulator ва ҳам дар дастгоҳи воқеӣ %100,0 optimal-bitstring probability гузориш медиҳад; confidence interval-и ҷудогона дода нашудааст.
Ёддошти дохили манбаъ оид ба Муодилаи (10): Матн ҳангоми таърифи \(n=8\) TFIM индекси ҳамсояро \((i+1)\bmod6\) менависад. Verianla формуларо тағйир надода, ин номувофиқиро намоён гузоштааст.
Ёддошти дохили манбаъ оид ба номи истифода: Гарчанде таҷрибаи 8-qubit дар гурӯҳи таҷрибаҳои “quantum chemistry” баррасӣ мешавад, модели физикии дар Appendix A.2 истифодашуда молекула не, TFIM аст. H₂ намунаи 4-qubit ва LiH намунаи 12-qubit molecular мебошанд.
Ёддошти дохили манбаъ оид ба metric-caption: Caption-и Table 1 “four metrics” мегӯяд, дар ҳоле ки ҷадвал панҷ сутуни metric дорад.
Маблағгузорӣ: Quantum Reinforcement Learning for Industrial Applications (QLindA), project no. 13N15644, аз ҷониби German Federal Ministry of Education and Research; инчунин Quantum-Classical Hybrid Optimization Algorithms for Logistics and Production Line Management (QCHALLenge), project no. 01MQ22008B, аз ҷониби Federal Ministry for Economic Affairs and Climate Action.
Изҳороти истифодаи AI: Бахши acknowledgments-и манбаъ мегӯяд, ки баъзе қисмҳои manuscript барои drafting ва language refinement бо дастгирии OpenAI ChatGPT-4 таҳия шудаанд ва масъулияти мундариҷаро муаллифон ба уҳда доранд.
Дастрасии додаҳо: Дар мақолаи 20-саҳифагии пешниҳодшуда бахши мустақили “Data Availability” муайян нашудааст. Суроғаи repository ё dataset, ки дар манбаъ нест, илова карда нашудааст.
Code availability: Дар PDF-и пешниҳодшуда изҳороти мустақили “Code Availability” муайян нашудааст.
Бархӯрди манфиатҳо: Дар PDF-и пешниҳодшуда изҳороти алоҳидаи competing-interest/conflict-of-interest муайян нашудааст; аз ин рӯ фарзияи берун аз манбаъ дар шакли “бархӯрди манфиатҳо вуҷуд надорад” дода нашудааст.
Саҳми муаллифон: Дар PDF-и пешниҳодшуда бахши алоҳидаи CRediT author-contribution муайян нашудааст; танҳо саҳми баробари Yize Sun ва Zixin Wu равшан нишон дода шудааст.
Маҳдудияти асосии тафсир: Таҳқиқот дар бораи efficient architecture search ва selected-circuit hardware transfer далел медиҳад; fault tolerance, hardware robustness-и умумӣ ё quantum advantage нишон намедиҳад.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд