ניתוח ביצועים השוואתי של מפות תכונה קוונטיות ללמידת מכונה מבוססת קרנל קוונטי

מדוע זה חשוב מעבר למעבדה

ככל שהנתונים והבעיות שלנו מסובכים יותר, גם כלים מתקדמים של למידת מכונה נתקלים בקשיים לזהות דפוסים ברורים. מחשבים קוונטיים מבטיחים דרכים חדשות להתמודדות עם בעיות כאלה, אך עדיין לא ברור מתי ואיך הם אכן יוכלו לסייע. המאמר חוקר חלק פרקטי של התמונה הזו: כיצד לעצב ולכוונן מסווגים מבוססי קוונטים כך שיוכלו להתחרות ולעתים להתעלות על שיטות קלאסיות מבוססות היטב, הן בבעיות תיאורטיות והן על מערך נתונים רפואי ממשי.

הפיכת דמיון לעוצמה קוונטית

שיטות למידה מצליחות רבות, כמו מכונות וקטור תמיכה, נשענות על "קרנלים" שמודדים עד כמה שתי דוגמאות דומות לאחר המרה בלתי נראית למרחב תכונות עשיר יותר. מחשבים קוונטיים יכולים לממש המרות כאלה באופן טבעי על ידי קידוד נתונים למצביות קוונטיות ואז השוואת מידה של חפיפה בין מצבים. המחברים מתמקדים בקרנלים הקוונטיים וב"מפות התכונה" שמכוונות את המעגל הקוונטי כיצד להמיר מספרים רגילים למצביות קוונטיות. מפה טובה מפשטת הפרדה של נתונים סבוכים; מפה גרועה מבזבזת את החומרה הקוונטית. העבודה שואלת שתי שאלות מרכזיות: אילו מפות תכונה עובדות הכי טוב, ועד כמה כוונון קפדני משפר אותן?

בדיקת מספר מתכונים קוונטיים

החוקרים מציגים מפה תכונה מסדר גבוה חדשה ומשווים אותה לחמישה עיצובים מתקדמים קיימים. כל מפה משתמשת במעגל דו־קיווביטי פשוט שמיישם סיבובי קיווביט יחיד ודלת שערים מסבך, אך הנוסחאות המתמטיות שמנחות את אותם סיבובים שונות. כדי לשמר פוקוס במחקר, מבנה המעגל הקוונטי, הגדרות מכונת הווקטור־תמיכה ונוהל ההערכה נשמרים קבועים בעוד שרק מפה התכונה ו"עוצמת הסיבוב" הפנימית שלה משתנות. כך ניתן לייחס שיפורי ביצועים ישירות לאופן הקידוד של הנתונים למצביות קוונטיות ולא לכיוונונים נוספים של האלגוריתם הקלאסי שמסביב.

מדגמים משחק לילדי משחק ועד אבחון סרטן

הצוות מעריך את הקרנלים הקוונטיים על שלוש בעיות מבחן קלאסיות דו־ממדיות—מעגלים קונצנטריים, ירחי סהר ודפוס XOR—וכן על גרסה מצומצמת של מאגר הנתונים לאבחון סרטן השד של ויסקונסין. עבור הנתונים הרפואיים נבחרו שתי התכונות המבוססות דימות שהיו המודיעות ביותר באמצעות שיטת בחירת תכונות סטנדרטית. כל הקלטים הוגדלו לטווח אחיד והוזנו למעגלים רדודים של שני קיווביטים, לשמור על ריאליזם ביחס למכשירים קוונטיים בינוניים רעשיים של ימינו. הביצועים הושוו מול סט רחב של מודלים קלאסיים, כולל מכונות וקטור‑תמיכה ליניאריות ועם פונקציית בסיס רדיאלית (RBF), עצי החלטה, יערות אקראיים, boosting, נאיבי בייס, ניתוח מפלג ליניארי ורשתות מפות רב‑שכבתיות, תוך שימוש בדיוק ומדד המתיו'ס לתפיסת נכונות ואיזון בין המעמדות.

מה גילו ההשוואות

במאגרים הפשוטים יותר, הקרנלים הקוונטיים המשופרים—בייחוד אלה המבוססים על מפת התכונה החדשה ושתי מפות קיימות—משיגים סיווג כמעט מושלם, מה שמתחרה ולעתים עולה על רוב המתחרים הקלאסיים. בנתוני סרטן החלבון המאתגרים יותר, מפות התכונה הקוונטיות הטובות נשארות תחרותיות מול בסיסי השוואה קלאסיים חזקים כגון קרנלים RBF ורשתות עצביות. פרמטר מרכזי הוא גורם הסיבוב, שמקנה קנה מידה לעוצמת השפעת ערכי הקלט על הסיבובים הקוונטיים. על ידי סריקה של גורם זה על־פני ערכים שונים, המחברים מראים כי בחירה נבונה יכולה לשפר ביצועים במידה ניכרת, ושהערך הטוב ביותר תלוי במאגר הנתונים. ויזואליזציות של מרחבי התכונות ואת גבולות ההחלטה שנוצרו מבהירות שמפות מסוימות חוצבות אזורים מפרידים מדויקים ומותאמים היטב, בעוד שאחרות משאירות גבולות מעוותים או ממוקמים בצורה גרועה, מה שמסביר את הפיזור בתוצאות.

התעמקות באיך זה עובד

כדי להבין טוב יותר את ההשפעות הללו, המחקר מראה כיצד כל מפה משנה את מיקום נקודות רשת של הקלטים עבור בעיות שונות. עבור הדוגמה המעגלית, רוב המפות משחזרות בהצלחה את המבנה הבסיסי, אך עבור ירחי הסהר ונתוני הסרטן האמיתיים רק תת‑קבוצה של מפות מתיישרת היטב עם ההתפלגות האמיתית. ניסויים נוספים משנים את סוג סיבוב הקיווביט היחיד ומשקפים שלעיתים קרובות, עבור דפוסים כמו XOR, בחירת ציר הסיבוב יכולה להיות חשובה כמעט כמו נוסחת הקידוד המדויקת. בסך הכול, מפת התכונה החדשה מדורגת בעקביות בין הטובות, במיוחד כאשר היא משולבת עם גורם סיבוב מתאים, מה שמבליט את האינטראקציה העדינה בין שערים קוונטיים, נוסחאות קידוד והגדרות היפרפרמטר.

מה המשמעות להמשך

ללא־מומחה, המסר המרכזי הוא שבעדיפות קוונטית בלמידת מכונה לא תגיע "בחינם" רק על ידי הרצת מודלים סטנדרטיים על חומרה קוונטית. במקום זאת, ההצלחה תלויה בעיצוב הדרך הנכונה להגיש נתונים למעגלים קוונטיים ובכיוונון מספר הגדרות מרכזיות כך שהמצביות הקוונטיות ייבנו את מבנה הבעיה בפועל. מאמר זה מספק מפת דרכים לעשות זאת עם שיטות קרנל קוונטיות, ומראה שמפות תכונה קוונטיות שעוצבו וכוונו בחוכמה יכולות להניב ביצועים חזקים ולעתים עליונים אף עם מעגלים זעירים. יחד עם זאת, המחברים מציינים שהתוצאות מבוססות על סימולציות ללא רעש חומרתי ועל מערכי נתונים צנועים יחסית, ולכן מימוש מלא של השיפורים האלה על מכונות קוונטיות אמיתיות ובקנה מידה גדול יותר נותר אתגר חשוב לעבודות עתידיות.

ציטוט: 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

מילות מפתח: למידת מכונה קוונטית, קרנלים קוונטיים, מפות תכונה, כוונון היפרפרמטרים, סיווג