Parallel Multi-Circuit Quantum Feature Fusion in Hybrid Quantum-Classical Convolutional Neural Networks for Breast Tumor Classification

ملخص تقني: دمج الميزات الكمية متعدد الدوائر المتوازية في الشبكات العصبية التلافيفية الهجينة (كمية-كلاسيكية) لتصنيف أورام الثدي

بيان المشكلة
تتناول الورقة البحثية تحديات تصنيف أورام الثدي باستخدام الصور الطبية، وتحديداً التمييز بين الحالات الحميدة والخبيثة. وبينما تُعد الشبكات العصبية التلافيفية (CNN) الكلاسيكية فعالة، إلا أنها تواجه مشكلات في القابلية للتوسع مع البيانات الطبية عالية الأبعاد وقيوداً هيكلية. يقترح المؤلفون الاستفيد من التعلم الآلي الكمي (QML)، وتحديداً الدوائر الكمية المتغيرة (VQCs)، لتعزيز استخراج الميزات وأداء التصنيف. تركز الدراسة على مجموعة بيانات BreastMNIST، وهي معيار قياسي لصور الموجات فوق الصوتية للثدي باللون الرمادي بحجم 28×28، بهدف تحديد ما إذا كانت البنى الهجينة (كمية-كلاسيكية) يمكن أن تتفوق على النظائر الكلاسيكية البحتة عند مطابقة عدد المعلمات.

المنهجية
يقترح المؤلفون بنية شبكة عصبية تلافيفية هجينة (كمية-كلاسيكية) (QCNN) مصممة للتصنيف الثنائي. تم هيكلة المنهجية حول أربعة مكونات رئيسية:

1. العمود الفقري الكلاسيكي: تشترك النماذج الهجينة والأساسية في مستخرج ميزات CNN كلاسيكي متطابق. يتكون هذا العمود الفقري من ست طبقات تلافيفية منظمة في ثلاث كتل (32، 64، و128 مرشحاً)، باستخدام تطبيع الدفعات (batch normalization)، وتنشيط ReLU، وتجميع الحد الأقصى (max pooling)، والإسقاط (dropout). مخرجات هذه العملية هي متجه ميزات مسطح مكون من 2048 بُعداً.
2. استخراج الميزات الكمية المتوازي: يعالج النموذج الهجين الميزات الكلاسيكية عبر دائرتين كميتين متغيرتين (VQC) متوازيتين ومتميزتين، تعمل كل منهما على 4 كيوبتات:
   • الدائرة 1 (ترميز السعة - Amplitude Encoding): تقوم بترميز متجه ميزات مسبق المعالجة مكون من 16 بُعداً في سعات حالة كمية مكونة من 4 كيوبتات ($2^4=16$ حالة أساس). تستخدم الدورات القابلة للتدريب والتشابك، وتقيس قيم توقع Pauli-Z لإنتاج 4 ميزات كمية.
   • الدائرة 2 (ترميز الزاوية مع التشابك الدائري - Angle Encoding with Circular Entanglement): تقوم بترميز 4 ميزات مسبقة المعالجة مباشرة كزوايا دوران ($R_Y$) على 4 كيوبتات. تستخدم هذه الدائرة طبقتين متغيرتين من دورات $R_X$ و $R_Y$ وطوبولوجيا تشابك دائرية (بوابات CNOT تربط $j \to (j+1) \mod 4$). تقيس جميع الكيوبتات قيمة Pauli-Z، وتقيس أول كيوبتين قيمة Pauli-X، مما ينتج 6 ميزات كمية.
3. دمج الميزات الكمية-الكلاسيكية: يتم دمج مخرجات كلتا الدائرتين الكميتين (4 و6 ميزات، على التوالي) في متجه مكون من 10 أبعاد. يتم إسقاط هذا المتجه عبر طبقة خطية قابلة للتعلم إلى فضاء مكون من 128 بُعداً، يليه تطبيع الطبقة (layer normalization)، وتنشيط ReLU، وإسقاط (dropout). يتم بعد ذلك دمج هذه الميزات الكمية المدمجة مع ميزات CNN الكلاسيكية الأصلية (2048 بُعداً).
4. المصنف والتدريب: يتم تمرير متجه الميزات الهجين النهائي (2176 بُعداً) عبر شبكة متصلة بالكامل عميقة للتصنيف الثنائي. يتم تدريب النموذج باستخدام محسن AdamW، وفقدان التقاطع الثنائي (binary cross-entropy) مع تنعيم الملصقات (label smoothing)، والتوقف المبكر (early stopping). لضمان مقارنة عادلة، يستبدل النموذج الكلاسيكي الأساسي الدوائر الكمية بطبقات خطية كلاسيكية لها نفس أبعاد المدخلات والمخرجات، مع الحفاظ على نفس العدد الإجمالي للمعلمات.

المساهمات الرئيسية
تحدد الورقة أربع مساهمات رئيسية:

1. بنية مبتكرة: تقديم بنية QCNN هجينة تستخدم دائرتين كميتين متوازيتين مع مخططات ترميز متميزة (ترميز السعة وترميز الزاوية).
2. استراتيجية دمج الميزات: تنفيذ آلية دمج محددة تجمع الميزات الكمية من كلتا الدائرتين مع ميزات CNN الكلاسيكية لإنشاء فضاء ميزات مشترك.
3. تصميم تجريبي صارم: إعداد مطابق للمعلمات حيث تشترك النماذج الهجبية والكلاسيكية في أعمدة فقارية متطابقة من نوع CNN، مما يعزل المساهمة المحددة للطبقات الكمية.
4. التحقق الإحصائي: إثبات تحسين الأداء من خلال التحقق عبر خمس جولات مستقلة باستخدام الاختبارات الإحصائية.

النتائج
تم تقييم النماذج على مجموعة بيانات BreastMNIST (546 عينة تدريب، 78 عينة تحقق، 156 عينة اختبار) عبر خمس جولات مستقلة.

• الأداء: حقق نموذج QCNN الهجين دقة اختبار بلغت 86.54%، مقارنة بـ 84.17% للنموذج الكلاسيكي الأساسي. كما أظهر النموذج الهجين دقة تحقق متفوقة (87.95% مقابل 85.38%) وفقدان تحقق أقل (0.3786 مقابل 0.3982).
• المقاييس: تفوق النموذج الهجين على النموذج الكلاسيكي في دقة التدريب، ودقة التحقق، وفقدان التدريب، وفقدان التحقق، ودقة الاختبار، والدقة (precision)، ودرجة F1. وبينما سجل النموذج الكلاسيكي استدعاءً (recall) أعلى قليلاً، أظهر النموذج الهجين توازناً أفضل بشكل عام.
• الدلالة الإحصائية: أسفر اختبار Wilcoxon signed-rank أحادي الجانب عن قيمة $p = 0.03125$ ($p < 0.05$)، مما أدى إلى رفض الفرضية الصفرية التي تقول إن النموذج الهجين يؤدي بشكل مساوٍ أو أسوأ من النموذج الكلاسيكي. كما بلغت قيمة حجم التأثير، المحسوبة عبر معامل Cohen's $d$، قيمة 2.14، مما يشير إلى أهمية عملية كبيرة.

الأهمية والادعاءات
تدعي الورقة أن بنيات QCNN الهجينة يمكنها الاستفادة بفعالية من الخصائص الميكانيكية الكمية، مثل التراكب والتشابك، لتعزيز مهام تصنيف الصور الطبية. ويؤكد المؤلفون أن عملهم يضع إطاراً للتحقق الإحصائي لتقييم النماذج الكمية الهجينة في التطبيقات الطبية الحيوية.

تقر الدراسة بأن جميع التجارب أجريت باستخدام محاكاة دوائر كمية مثالية (محاكي الحالة default.qubit من PennyLane) على أجهزة كلاسيكية، وهي خالية من الضوضاء وفقدان الترابط (decoherence). وبناءً على ذلك، يصيغ المؤلفون نتائجهم بتواضع كإثبات لمفهوم المزايا النظرية لهذه البنية. كما يسلطون الضوء على أنه بينما تعد الدوائر المكونة من 4 كيوبتات وعمليات البوابة البسيطة مرشحة مناسبة للأجهزة القريبة من المدى الكمي (near-term hardware)، فإن العمل المستقبلي مطلوب للتحقق من هذه النتائج على معالجات كمية فعلية وتوسيع النهج ليشمل مجموعات بيانات سريرية أكبر وأكثر تنوعاً. لا تدعي الورقة النشر السريري الفوري، بل تحدد مساراً للتوسع والنشر على الأجهزة الكمية المتاحة في المدى القريب.