Clear Sky Science · he

עיצוב ארכיטקטורת למידת מכונה קוונטית היברידית וניתוח השפעות רעש קוונטי

· חזרה לאינדקס

מדוע הוספת רעש למחשבים קוונטיים עשויה לעזור

מחשבים קוונטיים של היום חזקים בתיאוריה אך מבולגנים במציאות: הביטים הקוונטיים העדינים שלהם מופרעים כל הזמן על־ידי רעש, שבדרך כלל פוגע בביצועים. המחקר הזה שואל שאלה מפתיעה: האם חלק מהרעשים הללו ניתן להפוך ליתרון? החוקרים מעצבים מערכת היברידית שמערבבת מעגל קוונטי קטן עם רשת עצבית קלאסית ובודקים כיצד רמות רעש ריאליסטיות משפיעות על יכולתה לזהות סרטן השד מתוך נתונים רפואיים.

Figure 1
Figure 1.

מיזוג שני עולמות: למידה קוונטית וקלאסית

החוקרים בונים צינור למידה "היברידי" שמאפשר לחלקים הקוונטיים והקלאסיים לעשות כל אחד את מה שהוא יודע לעשות הכי טוב. תחילה מסמכים רפואיים רגילים מנוקים ומנורמלים כך שכל מספר מתאים לתחום מוגדר. מספרים אלה מוזרמים לאחר מכן למעגל קוונטי קומפקטי, שבו כל תכונה מקודדת על גבי מערכת קיוביטים בעזרת סיבובים שנבחרו בקפידה. הקיוביטים נשזרים לזמן קצר ומעובדים, ואז נמדדים כדי לייצר מערך חדש של מספרים. אלה הופכים לקלט של רשת עצבית סטנדרטית, שמבצעת את התחזית הסופית של כן-או-לא לגבי סרטן.

ללמד מודל קוונטי בעולם רועש

במקום להעמיד פנים שחומרת הקוונטום מושלמת, הצוות בונה במפורש רעש לתוך תהליך האימון. הם משתמשים באמולטור בעל דיוק גבוה של מכשירים סופרקונדקטיביים ומזריקים שגיאות ריאליסטיות בשלושה שלבים מרכזיים: כשקיוביטים מאופסים, כאשר שערים קוונטיים מוחלים, וכאשר נערכות מדידות. עוצמות הרעש נלקחות מנתוני כיול שמייצגים מכשירים קיימים, יעד שאפתני לטווח הקרוב, ו"רשימת משאלות" עתידית עם שיעורי שגיאה נמוכים אף יותר. כך הם יכולים לחקור כיצד אותה ארכיטקטורת למידה מתנהגת ככל שטכנולוגיית הקוונטום משתפרת בהדרגה.

Figure 2
Figure 2.

נתוני סרטן השד כמִחבּר בדיקה מעשי

כדי לראות האם ההגדרה הזאת מועילה בפועל, המחברים בודקים אותה על שלוש מערכות נתונים ציבוריות של סרטן השד השונות בגודל ובמדרגת הקושי. אחת כוללת מידע מוגבל יחסית, אחרת מכילה הרבה אותות חופפים או עודפים, והשלישית מתאימה היטב ללמידת דפוסים ברורים. עבור כל מערך נתונים הם משתנים במספר הקיוביטים ובכמות הרעש, ואז עוקבים אחר שינויי הדיוק וזמן האימון. כדי לשמור על השוואה הוגנת, הם מתחילים מעיצוב בסיס משותף ומכוונים באופן שיטתי רק את גודל החלק הקוונטי ואת ההיפרפרמטרים הקלאסיים כמו קצב הלמידה, מספר השכבות ופונקציות ההפעלה.

מתי פחות קיוביטים — ויותר רעש — מספיקים

התוצאות מאתגרות את האינטואיציה שאומרת שיותר קיוביטים ופחות רעש תמיד מביאים למודלים טובים יותר. בכמה מקרים, התצורות הרועשות הטובות ביותר מגיעות לעשיית דיוק שווה במהותה לגרסאות האידיאליות החסרות רעש בעוד שמשתמשות בפחות קיוביטים. לדוגמה, תלוי במערך הנתונים, הביצועים השיאיים מושגים לעיתים עם רק שניים עד שבעה קיוביטים כשכלולים רעשים ריאליסטיים, לעומת מעגלים קוונטיים גדולים יותר במקרה חסר הרעש. מאחר שעלות הסימולציה ולבסוף ההרצה הממשית גדלות במהירות עם כל קיוביט נוסף, הקטנה זו מתרגמת לחיסכון גדול בזמן האימון — מהירויות אימון גדולות יותר בטווח של כ-1.6 עד מעל פי 4, מבלי לפגוע בכוח החיזוי המשמעותי.

רעשים כמערכת מגן מובנית נגד התאמת-יתר

בהסתכלות מעמיקה יותר על אופן התפתחות שגיאות האימון והוולידציה, המחברים מוצאים ששכבות קוונטיות לחלוטין נטולות רעש נוטות לבצע התאמת-יתר: הן לומדות את המורכבות הספציפית של נתוני האימון היטב מדי ונכשלות בהכללה. כשקיים רעש מתון, המודלים לעתים משיגים דיוק וולידציה מעט גבוה יותר ועקומות הפסד יציבות יותר, במיוחד עבור רמות רעש מכוונות היטב. בפועל, שגיאות הקוונטום פועלות כמו צורת רגולריזציה מוכרת מעולם הלמידה העמוקה הקלאסי, כגון dropout, ודוחפות את המערכת הרחק מפתרונות שבירים ואל ארכיטקטורות פשוטות וחזקות יותר.

מה משמעות הדבר לעתיד הלמידה הקוונטית

ללא מומחיות מיוחדת, המסר העיקרי הוא שמכונות קוונטיות בלתי-מושלמות של היום עשויות כבר להיות שותפות שימושיות ל-AI הקלאסי, במיוחד כאשר פגמן מטופל כחלק מהעיצוב ולא כהטרדה שצריך להתעלם ממנה. עבודה זו מראה שמודל היברידי מעוצב בקפידה יכול לשמור על דיוק בחיזוי רפואי כמעט ללא שינוי תוך שימוש בפחות משאבים קוונטיים ואימון מהיר בהרבה תחת רעש ריאליסטי. במקום לחכות לחומרה קוונטית שקטה באופן מושלם, חוקרים עשויים להצליח לרתום רעש מתון כרכיב מועיל, שמכוון למודלים קומפקטיים שקל יותר לאמן ולפרוס ביישומים בעולם האמיתי.

ציטוט: 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

מילות מפתח: למידת מכונה קוונטית, רשתות נוירונים היברידיות, רעשים קוונטיים, זיהוי סרטן השד, קוואנטום בינוני-היקף רועש