⚛️ quantum physics

Analysis of Quantum Image Representations for Supervised Classification

تقارن هذه الورقة بين أربعة تمثيلات للصور الكمومية، حيث وجدت أن تمثيلي FRQI وQPIE يقدمان ضغطاً فائقاً، وتوضح أن النوى الكمومية القائمة على هذه التمثيلات تحقق دقة تصنيف مماثلة للطرق الكلاسيكية مع تطلب موارد تخزين أقل بشكل أسي.

المؤلفون الأصليون: Marco Parigi, Mehran Khosrojerdi, Filippo Caruso, Leonardo Banchi

نُشر 2026-01-15

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Marco Parigi, Mehran Khosrojerdi, Filippo Caruso, Leonardo Banchi

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أن لديك مكتبة ضخمة من الصور الرقمية. على جهاز كمبيوتر عادي، يستغرق تخزين هذه الصور وتنظيمها مساحة هائلة، مثل محاولة وضع مكتبة داخل علبة أحذية عبر طباعة كل صفحة من كل كتاب. تستكشف هذه الورقة طريقة جديدة للتعامل مع هذه الصور باستخدام القواعد الغريبة والساحرة لـ ميكانيكا الكم.

تساءل المؤلفون، وهم فريق من الفيزيائيين من جامعة فلورنسا، سؤالاً بسيطاً: إذا حاولنا تقليص هذه الصور إلى أصغر حجم كمي ممكن، فأي طريقة ستكون الأفضل، وهل ستسمح لنا بتمييز ما في الصورة؟

إليك تفصيل دراستهم باستخدام تشبيهات من الحياة اليومية:

1. طرق "التقليص" الأربع

اختبر الفريق أربع طرق مختلفة لتشفير (أو "تقليص") صورة باللون الأبيض والأسود إلى حالة كمية. فكر في هذه الطرق كأنها أربع خوارزميات ضغط مختلفة، ولكن لعالم الكم:

TNR (تمثيل شبكة الموتر): تخيل أنك تأخذ صورة وتقوم بطيها لتصبح هيكلاً "أوريغامي" معقداً حيث تمثل الثنيات العلاقات بين البكسلات. إنها طريقة منظمة لحمل الصورة، لكنها تتطلب مقداراً معيناً من "الورق" (الذاكرة) للحفاظ على تلك الثنيات سليمة.
FRQI (التمثيل المرن للصورة الكمية): هذا يشبه تحويل سطوع كل بكسل في الصورة إلى زاوية محددة على عجلة دوارة. جميع البكسلات تدور معاً في حالة "تراكب". هذه الطريقة مدمجة جداً، لكن قراءة الصورة مرة أخرى صعبة لأن عليك تخمين الزوايا بناءً على الاحتمالات.
NEQR (التمثيل الكمي المحسن الجديد): هذه الطريقة تشبه كتابة سطوع كل بكسل كرمز محدد (مثل الباركود الثنائي) على شريط منفصل لكل بكسل. إنها دقيقة جداً — يمكنك قراءة الصورة مرة أخرى بشكل مثالي — لكنها تتطلب المزيد من شرائط الورق (الذاكرة) مقارنة بطريقة العجلة الدوارة.
QPIE (ترميز صورة الاحتمالية الكمية): هذا هو النسخة الأكثر تقليصاً على الإطلاق. إنها تعامل سطوع البكسلات كـ "وزن" أو "احتمالية" لحالة كمية واحدة. تستخدم أقل قدر ممكن من المساحة (الكيوبتات)، ولكن مثل FRQI، فإن قراءة الصورة الأصلية بدقة هي لعبة حظ.

2. اختبار "الضغط" (الضغط)

أراد الباحثون معرفة مدى ضغط هذه الطرق للبيانات فعلياً. استخدموا أداة تسمى مصفوفة جرام (Gram Matrix)، وهي في الأساس "بطاقة تقييم تشابه".

التشبيه: تخيل أن لديك 100 صورة مختلفة. إذا ضغطتها بشكل سيء، فستظل جميعها متميزة عن بعضها البعض (تشابه منخفض). أما إذا ضغطتها كثيراً، فستبدأ جميعها في الظهور كبقع ضبابية من نفس اللون (تشابه عالٍ).
النتيجة: وجدوا أن FRQI و QPIE كانا "أبطال الضغط الفائق". لقد ضغطا الصور بإحكام شديد لدرجة أن النسخ الكمية من الصور المختلفة بدت متشابهة جداً فيما بينها (تداخل عالٍ). أما NEQR فكان "الضاغط اللطيف"، حيث حافظ على تميز الصور ولكنه استهلك مساحة أكبر. ووقعت TNR في مكان ما بينهما.

3. "لعبة التخمين" (التصنيف)

الاختبار الحقيقي لم يكن فقط حول تقليص الصور؛ بل حول ما إذا كان بإمكان الكمبيوتر تمييزها. لقد أعدوا لعبة تصنيف ثنائي (اختبار "نعم/لا").

المهمة: عرض صورة على الكمبيوتر وسؤاله: "هل هذا '0' أم '1'؟" (باستخدام مجموعة بيانات MNIST الشهيرة للأرقام المكتوبة بخط اليد).
المقارنة: قارنوا الطرق الكمية بـ النواة الخطية الكلاسيكية (classical linear kernel) التقليدية (الطريقة التقليدية غير الكمية للقيام بذلك).

المفاجأة الكبرى:
الطرق الكمية (خاصة FRQI و QPIE) أدت بأداء مماثل للطريقة الكلاسيكية من حيث الدقة. لقد خمنوا الرقم الصحيح بنسبة 99% تقريباً.

ومع ذلك، كان المقابل هائلاً:

الطريقة الكلاسيكية: لتخزين صورة بحجم 16×16 بكسل، احتاج الكمبيوتر الكلاسيكي إلى 2,048 بت من الذاكرة.
الطريقة الكمية: احتاجت أجهزة الكمبيوتر الكمية فقط إلى 8 إلى 16 كيوبت (بت كمي) لتخزين نفس الصورة تماماً.

هذا هو التقليص الأسي. إنه الفرق بين تخزين مكتبة في مستودع وتخزينها في علبة كبريت واحدة.

4. العقبة (تحضير الحالة)

توضح الورقة البحثية بعناية عقبة رئيسية. فبينما يعد تخزين الصورة بالتنسيق الكمي فعالاً للغاية، فإن تحميل الصورة في ذلك التنسيق في المقام الأول هو أمر بطيء وصعب حالياً.

التشبيه: تخيل أن لديك صندوقاً سحرياً يمكنه تقليص منزل كامل ليصبح كرة رخامية (الحالة الكمية). توضح الورقة أنه بمجرد وجود المنزل داخل الرخامة، يمكنك التعرف عليه تماماً. لكن عملية وضع المنزل داخل الرخامة الآن تستغرق وقتاً طويلاً وجهداً كبيراً (التعقيد)، وهو ما يلغي حالياً بعض فوائد السرعة.

الملخص

تخلص الورقة إلى ما يلي:

يمكن لـ تمثيلات الصور الكمية (QImRs) تقليص الصور إلى جزء ضئيل جداً من حجمها الكلاسيكي.
تعد FRQI و QPIE الأفضل في هذا الضغط، على الرغم من أنها تجعل الصور تبدو متشابهة جداً فيما بينها.
رغم هذا الضغط الشديد، يمكن لهذه الطرق الكمية تصنيف الصور (التمييز بين 0 و 1) بدقة تماثل الحواسيب التقليدية.
الفائدة الرئيسية هي كفاءة الذاكرة: تحتاج أجهزة الكمبيوتر الكمية إلى مساحة أقل بشكل أسي لتخزين البيانات، حتى لو كانت عملية إدخال البيانات إلى الحالة الكمية لا تزال قيد التطوير.

باخت-الاختصار: يمكن لأجهزة الكمبيوتر الكمية أن تضع صورة في علبة كبريت وتتعرف عليها بدقة، لكن إدخال الصورة في علبة الكبريت هو الجزء الصعب حالياً.

ملخص تقني: تحليل تمثيلات الصور الكمومية للتصنيف الخاضع للإشراف

بيان المشكلة
في سياق البيانات الضخمة والذكاء الاصطناعي، هناك حاجة ماسة لتحسين كفاءة تخزين البيانات ومعالجتها وتحليلها. تقدم معالجة الصور الكمومية (QIP) حلاً محتملاً من خلال الاستفية من الخصائص الميكانيكية الكمومية مثل التراكب والتشابك لتخزين المعلومات المرئية ومعالجتها بكفاءة أكبر من الحواسيب الكلاسيكية. فبينما تتطلب الصور الكلاسيكية ذات الأبعاد $N \times N$ عدد $N$ من البتات للتخزين، يمكن للتمثيلات الكمومية نظرياً تشفير نفس المعلومات باستخدام $O(\log N)$ من الكيوبتات، مما يوفر اختزالاً أسياً في موارد الذاكرة. ومع ذلك، لا تزال هناك ضرورة لإجراء مقارنة شاملة بين مختلف تمثيلات الصور الكمومية (QImRs) فيما يتعلق بخصائص الضغط وكفاءتها في مهام التعلم الخاضع للإشراف. وتحديداً، يتناول البحث المقايضة بين دقة التصنيف ومتطلبات الذاكرة عند استخدام مختلف تمثيلات الصور الكمومية (QImRs) كنوى (kernels) في آلات ناقلات الدعم (SVM).

المنهجية
يجري المؤلفون تحليلاً مقارناً لأربعة تمثيلات مختلفة للصور الكمومية (QImRs) لتشفير الصور الرمادية (grayscale):

تمثيل شبكة التنسور (TNR): يستخدم حالات ضرب مصفوفات (MPS) لتشفير قيم البكسل كسعات حقيقية في حالة كمومية مهيكلة، مع استخدام عنونة ذات بنية كتلية لتعكس العلاقات المكانية.
التمثيل المرن للصور الكمومية (FRQI): يشفر مواقع البكسل في $2n$ من الكيوبتات، وكثافة التدرج الرمادي في سعات الاحتمالية لكيوبت لون واحد عبر زوايا الدوران.
التمثيل الكمومي المعزز الجديد (NEQR): يشفر مواقع البكسل في $2n$ من الكيوبتات، وكثافة التدرج الرمادي في $q$ من الكيوبتات باستخدام الحالات الأساسية، مما يسمح بالاسترجاع الحتمي.
تشفير الصور بالاحتمالية الكمومية (QPIE): يشفر مواقع البكسل في $2n$ من الكيوبتات، وكثافة التدرج الرمادي مباشرة في سعات الاحتمالية للحالة.

تستخدم الدراسة مجموعتي بيانات MNIST وFashion-MNIST، مع معالجة مسبقة للصور لتصل إلى دقة $16 \times 16$ صورة رمادية. ينفذ المؤلفون مهام تصنيف ثنائي (الفئة 0 مقابل الفئات 1-9) باستخدام آلات ناقلات الدعم (SVM). يتم بناء النوى الكمومية عن طريق حساب التداخل (التطابق/fidelity) بين الحالات الكمومية التي تشفر صوراً مختلفة. وتتم مقارنة هذه النوى الكمومية مع نواة خطية كلاسيكية. تُجرى عمليات المحاكاة باستخدام Pennylane لتنفيذ الدوائر الكمومية وScikit-Learn لمصنف SVM.

المساهمات والنتائج الرئيسية

تحليل الضغط: يحلل المؤلفون قدرات الضغط للتمثيلات الأربعة من خلال فحص مصفوفات غرام (Gram matrices) لـ 100 صورة تدريبية. تمثل العناصر خارج القطر في هذه المصفوفات التداخل بين الحالات الكمومية المختلفة.
- أظهر كل من FRQI وQPIE أعلى مستويات الضغط، حيث تقع العناصر خارج القطر بشكل كبير في النطاق $[0.8, 1]$ ، مما يشير إلى أن الحالات الكمومية المشفرة قريبة جداً من بعضها البعض.
- أظهر NEQR أقل مستويات الضغط، مع عناصر خارج القطر في النطاق $[0, 0.4]$ ، مما يشير إلى حالات أكثر تمايزاً.
- أظهر TNR مستوى متوسطاً من الضغط ( $[0.4, 0.7]$ ).
أداء التصنيف: تقيم الدراسة دقة آلات ناقلات الدعم (SVMs) باستخدام هذه النوى الكمومية. تشير النتائج إلى أن النوى الكمومية تحقق متوسط دقة تصنيف مماثل للنواة الخطية الكلاسيكية في كلا مجموعتي البيانات (على سبيل المثال، $\approx 99\%$ في MNIST و $\approx 94-96\%$ في Fashion-MNIST).
كفاءة الموارد: بينما تكون الدقة متقاربة، تختلف متطلبات التخزين بشكل كبير. تتطلب النواة الخطية الكلاسيكية 2,048 بت لصورة بحجم $16 \times 16$ $16 \times 16$ . في المقابل، تتطلب التمثيلات الكمومية موارد أقل أسياً:
- TNR: 9 كيوبتات
- FRQI: 9 كيوبتات
- NEQR: 16 كيوبت
- QPIE: 8 كيوبتات
بعد الربط (Bond Dimension) في TNR: يستقصي المؤلفون تأثير بعد الربط على الدقة في TNR. ويجدون أن الدقة تتحسن مع زيادة بعد الربط، حيث تتقارب عند بُعد 4 لـ MNIST و6 لـ Fashion-MNIST، مما يشير إلى أن أبعاد الربط المتوسطة كافية لالتقاط الارتباطات الجوهرية للصورة.

الأهمية والادعاءات
يزعم البحث أن النوى الكمومية القائمة على تمثيلات الصور الكمومية (QImRs) توفر بديلاً قابلاً للتطبيق للنوى الكلاسيكية للتصنيف الصوري الخاضع للإشراف، حيث توفر دقة مماثلة مع الحاجة إلى موارد أقل أسياً لتخزين الصور. ويسلط المؤلفون الضوء على أن عدم تعامد حالات التضمين الكمومي، المستمدة من تخزين البكسلات عبر التراكب، هو أمر مركزي لهذا التخزين المعزز للذاكرة.

ومع ذلك، يحافظ المؤلفون على موقف متواضع فيما يتعلق بالميزة العملية الفورية. فهم يشيرون صراحة إلى أن أفضل البروتوكولات المعروفة حالياً لتحميل البيانات الكلاسيكية الدقيقة في حالة مكونة من $n$ كيوبت تتطلب عدداً من البوابات الكمومية يتناسب مع $O(2^n)$ . وتطغى تكلفة إعداد الحالة هذه حالياً على تعقيد الخوارزميات الكمومية وتتحدى تحقيق التفوق الكمومي. ويخلص البحث إلى أنه بينما تبدو فوائد التخزين النظرية واضحة، فإن تحميل البيانات بكفاءة يظل سؤالاً مفتوحاً، ويجب أن يستكشف العمل المستقبلي الصور الملونة (RGB) وتأثير الضجيج على تنفيذات الأجهزة الكمومية.

1. طرق "التقليص" الأربع

2. اختبار "الضغط" (الضغط)

3. "لعبة التخمين" (التصنيف)

4. العقبة (تحضير الحالة)

الملخص

أبحاث مشابهة