Porównanie wydajności zbioru danych MedMNIST na rzeczywistym sprzęcie kwantowym

Dlaczego komputery kwantowe interesują się obrazami medycznymi

Szpitale generują ogromne zbiory obrazów medycznych — zdjęć rentgenowskich, skanów i preparatów mikroskopowych — które lekarze coraz częściej analizują przy pomocy sztucznej inteligencji. W tym badaniu postawiono śmiałe pytanie: czy współczesne, wczesne komputery kwantowe mogą zacząć przejmować część tej pracy? Autorzy poddali duży, zróżnicowany zestaw obrazów medycznych rzeczywistemu sprzętowi kwantowemu IBM, aby sprawdzić, jak daleko kwantowe uczenie maszynowe sięga obecnie i gdzie wciąż odstaje.

Nauka chipów kwantowych rozpoznawania wzorców medycznych

Badacze koncentrują się na kwantowym uczeniu maszynowym, gdzie informacje są przetwarzane za pomocą kubitów, które mogą istnieć w wielu stanach jednocześnie i oddziaływać ze sobą w sposób niedostępny klasycznym bitom. Zamiast łączyć elementy kwantowe ze znanymi sieciami głębokimi, celowo stosują wyłącznie modele kwantowe, aby sprawdzić ich samodzielne możliwości. Jako pole testowe przyjmują MedMNIST — ustandaryzowany zbiór lekkich zestawów danych obrazów medycznych obejmujących zdjęcia klatki piersiowej, skany siatkówki, zmiany skórne, komórki krwi, tkankę okrężnicy i skany tomografii komputerowej jamy brzusznej. Każdy zestaw stawia inne zadanie klasyfikacyjne — od prostych pytań tak/nie (np. zapalenie płuc czy nie) po trudniejsze problemy wieloklasowe z wieloma kategoriami i silnie niezrównoważonymi rozkładami etykiet.

Zmieszczanie dużych obrazów w małych urządzeniach kwantowych

Ponieważ współczesne procesory kwantowe są małe i hałaśliwe, zespół nie może wprowadzać pełnych obrazów klinicznych bezpośrednio do obwodów kwantowych. Zamiast tego redukują każdy obraz do grubej siatki — albo 7×7, albo 8×8 pikseli — za pomocą uśredniającego poolingu, a następnie tłumaczą każdy piksel na obrót zastosowany do kubitu. Powstaje dzięki temu kompaktowa reprezentacja kwantowa obrazu, z którą obwód może pracować. Aby jak najlepiej wykorzystać ograniczony sprzęt, generują „świadome urządzenia” obwody przy użyciu zautomatyzowanego narzędzia projektowego nazwanego Élivágar. Próbkuje ono wiele kandydackich obwodów, które respektują rzeczywiste okablowanie i charakterystyki błędów 127-kubitowego procesora Cleveland firmy IBM, ocenia je pod kątem odporności na hałas i zdolności rozdzielania klas obrazów, a następnie wybiera najbardziej obiecujące układy do dalszych testów.

Trenowanie w symulacji, testowanie na rzeczywistym układzie kwantowym

Modele kwantowe są najpierw trenowane w bezszumowym symulatorze programowym uruchamianym na wydajnych klasycznych GPU. Tam parametry bramek obrotu obwodu są dopasowywane standardowymi metodami optymalizacji, aż symulowany obwód najlepiej rozróżnia obrazy treningowe. Gdy znajdowane są dobre ustawienia parametrów, zespół je zamraża i przenosi jedynie krok inferencji na rzeczywiste urządzenie IBM. Na sprzęcie stosują zaawansowane strategie obsługi błędów: wzory dodatkowych impulsów mających osłaniać bezczynne kubity przed wpływem otoczenia, sztuczki z randomizacją służące uśrednianiu błędów koherentnych oraz technikę oczyszczania pomiarów, która statystycznie koryguje błędy odczytu. Badanie ablacyjne na jednym z najbardziej wrażliwych na hałas zbiorów danych pokazuje, że połączenie wszystkich trzech strategii znacząco odzyskuje utraconą dokładność i jakość separacji klas w porównaniu z uruchomieniem tego samego obwodu bez zabezpieczeń na urządzeniu.

Jak modele kwantowe wypadają na tle klasycznej sztucznej inteligencji

W ośmiu zbiorach MedMNIST czysto kwantowe modele osiągają solidne wyniki, mimo że używają zdecydowanie mniej cech i parametrów niż najnowocześniejsze sieci głębokie. Na zdjęciach klatki piersiowej w zadaniu wykrywania zapalenia płuc model kwantowy osiąga około 85% dokładności — w zasadzie dorównując popularnym sieciom resztkowym, które pracują na znacznie wyższej rozdzielczości obrazów z milionami regulowanych wag. W przypadku bardziej złożonych, wieloklasowych problemów, takich jak rozpoznawanie chorób siatkówki czy kategoryzacja zmian skórnych, modele kwantowe pozostają za najsilniejszymi systemami klasycznymi, ale są zaskakująco konkurencyjne. W porównaniu z lekkimi metodami klasycznymi trenowanymi na tych samych niskorozdzielczych danych wejściowych, obwody kwantowe osiągają podobną dokładność przy znacznie mniejszej liczbie dostrajanych parametrów, co sugeruje korzystny kompromis „dokładność na parametr” dla rozwiązań kwantowych.

Co to oznacza dla przyszłej medycznej AI

Dla czytelnika niebędącego specjalistą kluczowym przesłaniem jest to, że komputery kwantowe, nawet w swojej hałaśliwej, małoskalowej fazie początkowej, mogą już sensownie podjąć realistyczne testy obrazowania medycznego — chociaż jeszcze nie przewyższają najlepszej klasycznej AI. Ta praca ustanawia staranny, porównawczy benchmark: rodzinę wyłącznie kwantowych modeli, trenowanych w symulacji i uruchamianych na 127-kubitowym urządzeniu, ocenianych w wielu różnych typach obrazów medycznych i rygorystycznie porównanych z ustalonymi podejściami klasycznymi. Wyniki pokazują, że modele kwantowe mogą zbliżyć się do wydajności klasycznej przy użyciu znacznie mniejszej ilości informacji na obraz oraz że inteligentny projekt obwodów i techniki obsługi błędów są kluczowe. Wraz z rozwojem większego i czystszego sprzętu kwantowego te same pomysły mogą pomóc przesunąć analizę obrazów medycznych w reżim, w którym procesory kwantowe zaoferują nie tylko parytet, ale rzeczywiste przewagi nad dzisiejszymi narzędziami AI.

Cytowanie: Singh, G., Jin, H. & Merz Jr., K.M. Benchmarking MedMNIST dataset on real quantum hardware. Sci Rep 16, 9017 (2026). https://doi.org/10.1038/s41598-026-35605-3

Słowa kluczowe: kwantowe uczenie maszynowe, obrazowanie medyczne, MedMNIST, sprzęt kwantowy IBM, mitigacja błędów