Assessing Projected Quantum Kernels for the Classification of IoT Data

ملخص تقني: تقييم النوى الكمومية المسقطة لتصنيف بيانات إنترنت الأشياء (IoT)

1. بيان المشكلة

تواجه عملية دمج تعلم الآلة الكمومي (QML) في التطبيقات الواقعية عقبتين رئيسيتين:

• توافق البيانات: تعتمد معظم أبحاث تعلم الآلة الكمومي على مجموعات بيانات مرجعية (مثل MNIST) تتطلب معالجة مسبقة كبيرة (مثل تحليل المكونات الرئيسية PCA أو المشفرات التلقائية Autoencoders) لتقليل الأبعاد من أجل أجهزة عصر الـ NISQ الحالي. هذه المعالجة المسبقة يمكن أن تشوه الطبيعة الجوهرية للبيانات وتخفي المزايا الكمومية المحتملة.
• تحدي الأبعاد: بينما تستطيع الحواسيب الكمومية رسم البيانات في فضاءات هيلبرت ضخمة بشكل أسي، إلا أن هذه الأبعاد الهائلة يمكن أن تعيق عملية التعلم وتزيد من التعقيد الحسابي.

يهدف المؤلفون إلى تقيي^(التقييم) كيفية أداء النوى الكمومية المسقطة (Projected Quantum Kernels - PQK) عند تطبيقها مباشرة على بيانات مستشعرات إنترنت الأشياء (IoT) عالية الأبعاد والواقعية دون الحاجة إلى تقليل الأبعاد.

2. المنهجية

تستخدم الدراسة مهمة تصنيف ثنائي: التنبؤ بـ إشغال الغرفة المكتبية (مشغولة مقابل غير مشغولة) بناءً على المعايير البيئية (الإضاءة، الستائر، المصابيح، الرطوبة، $CO_2$، ودرجة الحرارة).

أ. مسار البيانات:
استخدم الباحثون مجموعة بيانات COGITO-IoT (2,865 سجلاً). وخلافاً للأساليب التقليدية، تم حقن هذه البيانات مباشرة في الدوائر الكمومية، حيث تم ربط كل ميزة من الميزات الستة بكيوبت (qubit) محدد.

ب. استراتيجيات الترميز الكمومي:
قارن المؤلفون بين عدة خرائط ميزات (الدوائر الكمومية المستخدمة لترميز البيانات الكلاسيكية):

• ضحلة/بسيطة: RotX (دوران الكيوبت الواحد) ودائرة 3D مخصصة (دوران حول محاور $X$ و $Y$ و $Z$).
• متشابكة/معقدة: 3D-CNOT (إضافة بوابات CNOT دائرية)، IQP (الزمن متعدد الحدود الفوري الكمومي)، Trotterized (محاكاة تطور الهاميلتوني)، و ZZFeatureMap.

ج. نهج النوى (Kernel Approaches):

• النواة الكمومية (QK): تحسب التشابه عبر التداخل المباشر للحالات الكمومية ($|\langle\phi(\mathbf{x}')|\phi(\mathbf{x})\rangle|^2$).
• النواة الكمومية المسقطة (PQK): تقوم بإسقاط الحالة الكمومية عالية الأبعاد مرة أخرى إلى فضاء ميزات كلاسيكي باستخدام مجموعة من قياسات Pauli ($X, Y, Z$) على الكيوبتات الفردية ($m=1$)، أو أزواج الكيوبتات ($m=2$)، أو كليهما. هذا ينشئ تمثيلاً كلاسيكياً يُستخدم بعد ذلك في آلة ناقلات الدعم (SVM).

د. الإعداد التجريبي:
أُجريت التجارب باستخدام محاكي حالة متجه (statevector) خالٍ من الضجيج. قام المؤلفون بإجراء بحث شبكي (grid search) للمعلمات الفائقة ($C$ و $\gamma$) واستخدموا التحقق المتقاطع بـ 10 طيات (10-fold cross-validation). كما بحثوا في تأثير ضجيج العينات (noise shot) (ضجيج أخذ العينات المحدود) من خلال تغيير عدد تقييمات الدائرة.

3. المساهمات الرئيسية

• الربط المباشر من إنترنت الأشياء إلى الكم: إثبات سير عمل يتم فيه استخدام بيانات إنترنت الأشياء الواقعية دون تقليل الأبعاد، مما يوفر تقييماً أكثر "أمانة" لأداء تعلم الآلة الكمومي.
• تحليل التعقيد: تقديم مقارنة نظرية تظهر أن PQK تمتلك تعقيداً حسابياً كمومياً أقل — حيث يتناسب خطياً مع عدد السجلات $\mathcal{O}(N)$ — مقارنة بـ QK التي تتناسب تربيعياً $\mathcal{O}(N^2)$.
• التحقق التجريبي من الدوائر الضحلة: تحدي الحدس القائل بأن الدوائر الأعمق والأكثر تعقيداً هي الأفضل دائماً، من خلال إظهار أن البنى الضحلة يمكن أن تكون أكثر فعالية لمهام تصنيف محددة.

4. النتائج

• تكافؤ الأداء: حققت PQK دقة ودرجات F1 مساوية، وفي بعض الحالات متفوقة، لنموذج SVM-RBF الكلاسيكي. وتحديداً، كان ترميز 3D-CNOT مع قياسات $m=2$ تنافسياً للغاية.
• PQK مقابل QK: بالنسبة لخرائط الميزات الضحلة، تفوقت PQK بشكل كبير على QK (بفارق ذو دلالة إحصائية عبر اختبار t المزدوج). ومع ذلك، تلاشت هذه الميزة مع خرائط الميزات الأعمق والأكثر تعقيداً.
• إحكام النموذج: أنتجت PQK نماذج أكثر إحكاماً، حيث حققت انخفاضاً يصل إلى 18% في عدد ناقلات الدعم مقارنة بـ SVM الكلاسيكي، مما يشير إلى قدرة أفضل على التعميم.
• "فائدة الضجيج": من المثير للاهتمام أن الدراسة وجدت أن وجود قدر معتدل من ضجيج العينات (عدد قليل من الـ shots) يمكن أن يحسن الأداء، ويرجع ذلك على الأرجح إلى المساعدة في خروج المُحسِّن (optimizer) من النقاط المحلية الدنيا أو نقاط السرج.

5. الأهمية

هذه الورقة البحثية مهمة لأنها تنقل أبحاث تعلم الآلة الكمومي بعيداً عن مجموعات البيانات "اللعبة" نحو بيانات مستشعرات واقعية وعملية. إنها توفر خارطة طريق لتصميم مسارات تعلم آلة كمومي فعالة من خلال تسليط الضوء على أن تصميم الترميز واستراتيجية القياس غالباً ما تكون أكثر أهمية من عمق الدائرة. تشير النتائج إلى أن PQK هي مرشح فعال وفعال من الناحية الحسابية للحوسبة الطرفية (edge computing) وتطبيقات إنترنت الأشياء حيث تكون القيود على الموارد (سواء في أبعاد البيانات أو عمق البوابة الكمومية) بالغة الأهمية.