Hibrit bir kuantum makine öğrenimi mimarisinin tasarımı ve kuantum gürültüsü etkilerinin analizi

Kuantaum bilgisayarlara gürültü eklemek neden yardımcı olabilir

Bugünün kuantum bilgisayarları teoride güçlü ama pratikte dağınık: hassas kuantum bitleri sürekli olarak gürültü tarafından rahatsız ediliyor ve bu genellikle performansa zarar veriyor. Bu çalışma beklenmedik bir soru soruyor: bu gürültünün bir kısmı gerçekten avantaja çevrilebilir mi? Yazarlar küçük bir kuantum devresini geleneksel bir sinir ağıyla harmanlayan bir hibrit sistem tasarlıyor ve gerçekçi gürültü düzeylerinin tıbbi verilerden meme kanseri tespiti yeteneğini nasıl etkilediğini test ediyor.

İki dünyayı karıştırmak: kuantum ve klasik öğrenme

Araştırmacılar kuantum ve klasik bileşenlerin her birinin en iyi yaptığı işi yapmasını sağlayan "hibrit" bir öğrenme hattı kuruyor. Önce sıradan tıbbi kayıtlar temizlenip normalize edilerek her sayının belirli bir aralığa sığması sağlanıyor. Bu sayılar daha sonra dikkatle seçilmiş rotasyonlar kullanılarak her özelliğin bir dizi qubita kodlandığı kompakt bir kuantum devresine besleniyor. Qubit'ler kısa süreliğine dolaşıtılıp dönüştürülüyor, sonra ölçülerek yeni bir sayı seti üretiliyor. Bunlar standart bir sinir ağının girdisi oluyor ve nihai evet-hayır kanser tahminini yapıyor.

Gürültülü bir dünyada kuantum modeli öğretmek

Kuantum donanımının kusursuz olduğunu varsaymak yerine ekip, eğitim sürecine gürültüyü açıkça dahil ediyor. Süperiletken kuantum cihazlarının yüksek doğruluklu bir emülatörünü kullanıyorlar ve üç kilit aşamada gerçekçi hatalar enjekte ediyorlar: qubit'lerin başlatıldığı an, kuantum kapıları uygulandığında ve ölçümler alındığında. Gürültü şiddetleri mevcut cihazları temsil eden kalibrasyon verilerinden, iddialı yakın dönem hedeflerinden ve daha da düşük hata oranlarına sahip geleceğe yönelik "istek listesi"nden alınıyor. Bu, aynı öğrenme mimarisinin kuantum teknolojisi kademeli olarak iyileştikçe nasıl davrandığını incelemelerini sağlıyor.

Meme kanseri verileri gerçek dünya test yatağı olarak

Bu düzenlemenin pratikte faydalı olup olmadığını görmek için yazarlar boyut ve zorluk açısından farklı üç açık meme kanseri veri setinde test ediyor. Biri nispeten sınırlı bilgiyi içeriyor, diğeri birçok örtüşen veya gereksiz sinyal barındırıyor ve üçüncüsü net desenleri öğrenmeye iyi uygun. Her veri seti için qubit sayısını ve gürültü miktarını değiştiriyor, sonra doğruluk ve eğitim süresinin nasıl değiştiğini izliyorlar. Karşılaştırmayı adil tutmak için ortak bir temel tasarımdan başlıyorlar ve sadece kuantum boyutunu ve öğrenme hızı, katman sayısı ve aktivasyon fonksiyonları gibi klasik hiperparametreleri sistematik şekilde ayarlıyorlar.

Daha az qubit — ve daha fazla gürültü — yeterli olduğunda

Sonuçlar daha fazla qubit ve daha az gürültünün her zaman daha iyi modeller üreteceği sezgisini sorguluyor. Birkaç durumda, en iyi gürültülü konfigürasyonlar, daha fazla qubit kullanan idealize edilmiş, gürültüsüz versiyonlarla özünde aynı doğruluğa ulaşırken daha az qubit kullanıyor. Örneğin, veri setine bağlı olarak, gerçekçi gürültü dahil edildiğinde tepe performans iki ila yedi qubit ile elde edilirken, gürültüsüz durumda daha büyük kuantum devreleri gerekebiliyor. Simülasyonun ve sonunda gerçek çalıştırmanın maliyeti her ekstra qubit ile hızla arttığı için bu azalma eğitim süresinde büyük tasarruflara dönüşüyor — yaklaşık 1.6 kat ile 4 katın üzerinde hızlanma aralığında — anlamlı tahmin gücünden ödün vermeden.

Aşırı uyumu önleyen yerleşik bir koruma olarak gürültü

Eğitim ve doğrulama hatalarının nasıl evrildiğine daha yakından bakıldığında, yazarlar tamamen gürültüsüz kuantum katmanlarının aşırı uyuma eğilimli olduğunu tespit ediyor: eğitim verilerinin aykırılıklarını çok iyi öğrenip genellemede başarısız oluyorlar. Orta düzeyde gürültü bulunduğunda modeller genellikle biraz daha yüksek doğrulama doğruluğu ve özellikle en iyi ayarlanmış gürültü seviyeleri için daha kararlı kayıp eğrileri elde ediyor. Fiilen, kuantum hataları klasik derin öğrenmede bilinen dropout gibi bir regularizasyon biçimi gibi davranıyor; sistemi kırılgan çözümlerden uzaklaştırıp daha basit, daha sağlam mimarilere yönlendiriyor.

Bu kuantum öğrenimi için ne anlama geliyor

Uzman olmayan biri için ana mesaj, bugünün kusurlu kuantum makinelerinin, kusurları göz ardı etmek yerine tasarımın bir parçası olarak ele alındığında, klasik yapay zekâ için zaten yararlı ortaklar olabileceği. Bu çalışma, dikkatle hazırlanmış bir hibrit modelin gerçekçi gürültü altında daha az kuantum kaynağı kullanırken tıbbi tahmin doğruluğunu neredeyse koruyabildiğini ve çok daha hızlı eğitim sağlayabildiğini gösteriyor. Kusursuz sessiz kuantum donanımını beklemek yerine, araştırmacılar orta düzey gürültüyü yardımcı bir bileşen olarak kullanarak eğitimi ve dağıtımı daha kolay, daha yalın modeller yönlendirebilirler.

Atıf: 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

Anahtar kelimeler: kuantum makine öğrenimi, hibrit sinir ağları, kuantum gürültüsü, meme kanseri tespiti, gürültülü ara ölçek kuantum