تحليل الأداء المقارن لخرائط الميزات الكمومية لتعلّم الآلة القائم على النوى الكمومية

لماذا يهم هذا الأمر خارج المختبر

مع تعقّد بياناتنا ومشكلاتنا، قد تكافح أدوات تعلم الآلة الحالية لإيجاد أنماط واضحة. تعد الحواسيب الكمومية بطرق جديدة لمعالجة مثل هذه المشكلات، لكن لا يزال غير واضح متى وكيف يمكن أن تُحدث فرقًا حقيقيًا. تستكشف هذه الورقة جزءًا عمليًا من تلك الأحجية: كيفية تصميم وضبط مصنّفات قائمة على الكم حتى تنافس، وأحيانًا تتفوق على، طرقًا كلاسيكية راسخة سواء في مشكلات نموذجية صغيرة أو في مجموعة بيانات طبية حقيقية.

تحويل الشبه إلى قوة كمومية

تعتمد العديد من طرق التعلم الناجحة، مثل آلات الدعم الناقل، على «النوى» التي تقيس مدى تشابه نقطتي بيانات بعد تحويل غير مرئي إلى فضاء ميزات أغنى. يمكن للحواسيب الكمومية تنفيذ مثل هذه التحويلات بطبيعتها عن طريق تشفير البيانات في حالات كمومية ثم مقارنة مقدار تداخل حالتين. يركّز المؤلفون على هذه النوى الكمومية وعلى «خرائط الميزات» التي تحدد كيف يحول الدائرة الكمومية الأرقام العادية إلى حالات كمومية. تخفف خريطة ميزات جيدة من تداخل البيانات وتجعلها أسهل للفصل؛ بينما تهدر خريطة ضعيفة موارد الأجهزة الكمومية. تسأل الدراسة سؤالين رئيسيين: أي خرائط الميزات تعمل بشكل أفضل، وإلى أي مدى يمكن أن يُحسّن الضبط الدقيق من أدائها؟

اختبار عدة وصفات كمومية

يقدم الباحثون خريطة ميزات جديدة ذات رتبة أعلى ويقارنونها بخمس تصاميم متقدمة من أعمال سابقة. تستخدم كل خريطة دائرة بسيطة من قطبتين تطبق دورانات أحادية-القطبة وباب تشابك، لكن الصيغ الرياضية التي تحرك تلك الدورانات تختلف. للحفاظ على تركيز الدراسة، تُثبّت بنية الدائرة الكمومية وإعدادات آلة الدعم الناقل وإجراء التقييم، بينما يتغير فقط خريطة الميزات و"قوة الدوران" الداخلية لها. يتيح ذلك نسب مكاسب الأداء مباشرة إلى طريقة تشفير البيانات في الحالات الكمومية بدلاً من تعديلات إضافية في خوارزميات التعلم الكلاسيكية المحيطة بها.

من أنماط تجريبية إلى تشخيص السرطان

قيّم الفريق النوى الكمومية على ثلاث مشكلات اختبار ثنائية البعد الكلاسيكية — دوائر متحدة المركز، وهلالات القمر، ونمط XOR — وكذلك على نسخة مختزلة من مجموعة بيانات تشخيص سرطان الثدي بجامعة ويسكونسن. بالنسبة لبيانات الطب، اختيرت ميزتان بمعلوماتية عالية مبنيتان على الصور باستخدام طريقة اختيار ميزات قياسية. ثم أُعاد تحجيم جميع المدخلات إلى نفس النطاق وأُدخلت إلى دوائر ضحلة من قطبتين، مما يحافظ على واقعية التجارب لأجهزة الكم المتوسطة الحجم والمرتبكة اليوم. قورن الأداء بمجموعة واسعة من النماذج الكلاسيكية، بما في ذلك آلات الدعم الناقل الخطية ونوى دالة الأساس الشعاعي، وأشجار القرار، والغابات العشوائية، والتعزيز، وبايز البسيط، والتحليل التمييزي الخطي، والشبكات متعددة الطبقات، مستخدمين الدقة ومعامل ماتيوز للمقارنة بين الصحة وتوازن الفئات.

ما الذي كشفت عنه المقارنات

عبر مجموعات البيانات النموذجية الأبسط، حققت النوى الكمومية المعززة — خصوصًا تلك المبنية على خريطة الميزة الجديدة واثنتين من الخرائط القائمة — تصنيفًا شبه مثالي، مطابقة أو متفوقة على معظم المنافسين الكلاسيكيين. في بيانات سرطان الثدي الأكثر تحديًا، ظلت أفضل خرائط الميزات الكمومية قادرة على المنافسة مع قواعد انطلاق كلاسيكية قوية مثل نوى دالة الأساس الشعاعي والشبكات العصبية. مفتاح مهم هو معامل الدوران، الذي يضبط مدى تأثير قيم المدخلات على الدورانات الكمومية. عبر تحريك هذا المعامل عبر قيم متعددة، يظهر المؤلفون أن اختياره بعناية يمكن أن يحسّن الأداء بشكل ملحوظ، وأن القيمة المثلى تعتمد على مجموعة البيانات. توضح تصورات فضاءات الميزات والحدود القرار الناتجة أن بعض الخرائط تنحت مناطق فصل مفصّلة ومتراصة بشكل جيد، بينما تترك أخرى حدودًا مشوّهة أو في مواضع سيئة، ما يفسر التباين في النتائج.

تعمق في كيفية عملها

لفهم هذه التأثيرات بشكل أفضل، تصور الدراسة كيف تعيد كل خريطة ميزات تشكيل شبكة من نقاط المدخلات لمشكلات مختلفة. بالنسبة للنمط الدائري، تعيد معظم الخرائط بنجاح إعادة إنتاج البنية الأساسية، لكن بالنسبة لهلالات القمر وبيانات السرطان الحقيقية يتوافق فقط جزء من الخرائط جيدًا مع التوزيع الحقيقي. تغيّر تجارب إضافية نوع دوران القطبة الأحادية المستخدم وتؤكد أنه، لبعض الأنماط مثل XOR، قد يهم اختيار محور الدوران بقدر ما تهم صيغة التشفير التفصيلية. عموماً، تحتل خريطة الميزة الجديدة باستمرار مرتبة ضمن الأفضل، خصوصًا عند اقترانها بمعامل دوران مناسب، مما يبرز التفاعل الدقيق بين البوابات الكمومية، وصيغ التشفير، وإعدادات المعاملات الفائقة.

ما الذي يعنيه هذا للمضي قدمًا

لغير المتخصصين، الرسالة الأساسية هي أن التفوق الكمومي في تعلم الآلة لن يأتي «مجانيًا» بمجرد تشغيل نماذج قياسية على أجهزة كمومية. بدلاً من ذلك، يعتمد النجاح على ابتكار الطريقة الصحيحة لإدخال البيانات إلى الدوائر الكمومية وعلى ضبط عدد قليل من الإعدادات الحرجة حتى تلتقط الحالات الكمومية بنية المشكلة المطروحة. تقدم هذه الورقة خارطة طريق لذلك باستخدام طرق النواة الكمومية، مبينة أن خرائط الميزات الكمومية المصممة والمضبوطة بعناية يمكن أن تحقق أداءً قويًا، وأحيانًا متفوقًا، حتى باستخدام دوائر صغيرة جدًا. في الوقت نفسه، يشير المؤلفون إلى أن نتائجهم قائمة على محاكاة خالية من ضوضاء الأجهزة وعلى مجموعات بيانات متواضعة نسبيًا، لذا يبقى تحقيق هذه المكاسب على الآلات الكمومية الحقيقية وبمقاييس أكبر تحديًا حيويًا للأعمال المستقبلية.

الاستشهاد: Jha, R.K., Kasabov, N., Bhattacharyya, S. et al. Comparative performance analysis of quantum feature maps for quantum kernel-based machine learning. Sci Rep 16, 8142 (2026). https://doi.org/10.1038/s41598-026-39392-9

الكلمات المفتاحية: تعلم الآلة الكمومي, النوى الكمومية, خرائط الميزات, ضبط المعاملات الفائقة, التصنيف