تصميم بنية هجينة لتعلم الآلة الكمومي وتحليل تأثيرات الضوضاء الكمومية

لماذا قد يساعد إضافة الضوضاء إلى الحواسيب الكمومية

الحواسيب الكمومية اليوم قوية نظريًا لكنها فوضوية عمليًا: بتاتها الكمومية الحساسة تتعرض باستمرار لتشويش، مما يؤثر سلبًا على الأداء في العادة. تطرح هذه الدراسة سؤالًا مفاجئًا: هل يمكن تحويل بعض تلك الضوضاء إلى ميزة؟ يصمم المؤلفون نظامًا هجينًا يمزج دائرة كمومية صغيرة مع شبكة عصبية تقليدية ويختبرون كيف تؤثر مستويات الضوضاء الواقعية على قدرته في كشف سرطان الثدي من بيانات طبية.

مزاوجة عالمين: التعلم الكمومي والكلاسيكي

يبني الباحثون خط تعلم «هجيني» يتيح للأجزاء الكمومية والكلاسيكية أن تؤدي كلٌ منها ما تجيده. أولًا، تُنقح السجلات الطبية العادية وتُطبع بحيث تقع كل قيمة ضمن مدى ثابت. تُغذى هذه القيم بعد ذلك إلى دائرة كمومية مضغوطة، حيث يُرمز كل مميّز على مجموعة من البتات الكمومية باستخدام دورانات مُختارة بعناية. تُتشابك البتات لفترة وجيزة وتُحوّل، ثم تُقاس لإنتاج مجموعة جديدة من القيم. تصبح هذه القيم مدخلاً لشبكة عصبية قياسية تقوم بالقرار النهائي بنعم أو لا حول وجود السرطان.

تدريب نموذج كمومي في عالم به ضوضاء

بدلًا من التظاهر بأن الأجهزة الكمومية مثالية، يبني الفريق الضوضاء صراحةً داخل عملية التدريب. يستخدمون محاكيًا عالي الدقة لأجهزة فائقة التوصيل ويحقنون أخطاء واقعية في ثلاث مراحل رئيسية: عند تهيئة البتات الكمومية، عند تطبيق بوابات كمومية، وعند إجراء القياسات. تُؤخذ شدات الضوضاء من بيانات المعايرة التي تمثل الأجهزة الحالية، وهدفًا طموحًا قريب المدى، وقائمة أمنيات مستقبلية بمعدلات خطأ أقل. يتيح لهم ذلك استكشاف كيفية تصرف نفس بنية التعلم مع تحسن التكنولوجيا الكمومية تدريجيًا.

بيانات سرطان الثدي كمختبر اختبار واقعي

لمعرفة ما إذا كان هذا الإعداد مفيدًا في الممارسة، يختبره المؤلفون على ثلاث مجموعات بيانات عامة لسرطان الثدي تختلف في الحجم والصعوبة. تحتوي إحداها على معلومات محدودة نسبيًا، والأخرى تحوي إشارات متداخلة أو مكررة بكثرة، والثالثة مناسبة جيدًا لاكتساب أنماط واضحة. لكل مجموعة بيانات يغيّرون عدد البتات الكمومية وكمية الضوضاء، ثم يتابعون كيف تتغير الدقة وزمن التدريب. للحفاظ على عدالة المقارنة، يبدأون من تصميم أساسي مشترك ثم يعدِّلون بصورة منهجية فقط حجم الجزء الكمومي والبارامترات الكلاسيكية مثل معدل التعلم وعدد الطبقات ودوال التفعيل.

متى يكفي عدد أقل من البتات — ومع المزيد من الضوضاء

تتحدى النتائج الحدس القائل بأن المزيد من البتات والضوضاء الأقل دائمًا يؤديان إلى نماذج أفضل. في عدة حالات، تصل أفضل التكوينات الضوضائية أساسًا إلى نفس الدقة التي تحققها النسخ المثالية الخالية من الضوضاء بينما تستخدم بتات أقل. على سبيل المثال، اعتمادًا على مجموعة البيانات، يُبلغ الأداء الأقصى مع وجود ضوضاء واقعية عن نفسه مع عدد ضئيل يتراوح بين بتين إلى سبعة بتات، مقارنةً بدوائر كمومية أكبر في الحالة الخالية من الضوضاء. ونظرًا لأن تكلفة المحاكاة والتنفيذ الحقيقي في نهاية المطاف تتزايد بسرعة مع كل بت إضافي، فهذه التخفيضات تترجم إلى وفورات كبيرة في زمن التدريب — تسارُعات تتراوح تقريبًا من 1.6 مرة إلى أكثر من 4 مرات، دون التضحية بقوة تنبؤية ذات مغزى.

الضوضاء كحاجز مدمج ضد الإفراط في التكيّف

عند التمعن في تطور أخطاء التدريب والتحقق، يجد المؤلفون أن الطبقات الكمومية الخالية تمامًا من الضوضاء تميل إلى الإفراط في التكيّف: تتعلَّم خصوصيات بيانات التدريب جيدًا جدًا وتفشل في التعميم. عندما تكون هناك ضوضاء معتدلة، غالبًا ما تحقق النماذج دقة تحقق أعلى قليلًا ومنحنيات خسارة أكثر استقرارًا، خصوصًا عند مستويات الضوضاء المضبوطة على نحو أمثل. في الواقع، تتصرّف الأخطاء الكمومية كشكل من أشكال التنظيم المعروفة من التعلم العميق الكلاسيكي، مثل الإطفاء الجزئي (dropout)، مدفوعة النظام بعيدًا عن الحلول الهشة ونحو بنى أبسط وأكثر متانة.

ما معنى هذا لمستقبل التعلم الكمومي

لغير المتخصص، الرسالة الأساسية هي أن الآلات الكمومية غير الكاملة اليوم قد تكون بالفعل شركاء مفيدين للذكاء الاصطناعي الكلاسيكي، خصوصًا عندما تُعامل عيوبها كجزء من التصميم بدلًا من كونها مصدر إزعاج يجب تجاهله. تُظهر هذه الدراسة أن نموذجًا هجينيًا مصمَّمًا بعناية يمكنه الحفاظ على دقة التنبؤ الطبي دون تغيير يذكر مع استخدام موارد كمومية أقل والتدريب بشكل أسرع كثيرًا في ظل الضوضاء الواقعية. بدلًا من انتظار أجهزة كمومية هادئة تمامًا، قد يتمكن الباحثون من استغلال الضوضاء المعتدلة كمكوِّن مفيد، موجهين نحو نماذج أقصر أسهل في التدريب والنشر في تطبيقات العالم الحقيقي.

الاستشهاد: Bravo-Montes, J.A., Martín-Toledano, A., Velasco-Gallego, C. et al. Design of a hybrid quantum machine learning architecture and analysis of quantum noise effects. Sci Rep 16, 13496 (2026). https://doi.org/10.1038/s41598-026-42216-5

الكلمات المفتاحية: تعلم الآلة الكمومي, الشبكات العصبية الهجينة, الضوضاء الكمومية, كشف سرطان الثدي, الحوسبة الكمومية متوسطة النطاق والضوضائية