⚛️ quantum physics

Hybrid Quantum-Classical AI for Industrial Defect Classification in Welding Images

تُظهر هذه الدراسة أن نماذج التعلم الآلي الهجينة بين الكمي والكلاسيكي، والتي تستخدم النوى الكمية والدوائر التباينية لترميز الميزات، تؤدي بشكل تنافسي مقابل نهج التعلم العميق التقليدي لتصنيف العيوب في صور لحام القوس بغاز التنجستن (TIG) للألومنيوم الصناعي.

المؤلفون الأصليون: Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh

نُشر 2026-04-01

📖 4 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Akshaya Srinivasan, Xiaoyin Cheng, Jianming Yi, Alexander Geng, Desislava Ivanova, Andreas Weinmann, Ali Moghiseh

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 أنك خبير لحام محترف يقوم بفحص خط طويل من الوصلات المعدنية. مهمتك هي رصد الشقوق الصغيرة، أو الأوساخ، أو نقاط الضعف التي قد تؤدي إلى تعطل سيارة أو طائرة لاحقاً. القيام بذلك بالعين المجردة أمر بطيء ومرهق. لذا، قررت استئجار روبوت للقيام بهذه المهمة.

هذه الورقة البحثية تدور حول بناء روبوت أكثر ذكاءً وسرعة باستخدام مزيج من الحوسبة التقليدية (ما نملكه اليوم) والحوسبة الكمومية المستقبلية (الشيء الكبير القادم).

إليك قصة كيف فعلوا ذلك، مشروحة ببساطة:

1. المشكلة: بيانات كثيرة لعقل صغير

يحتاج الروبوت إلى النظر في صور عالية الدقة للحامات. هذه الصور ضخمة — مثل مكتبة هائلة من التفاصيل.

المشكلة: الحواسيب الكمومية الحالية (الأدمغة المستقبلية) تشبه الأطفال الصغار الهشين؛ لا يمكنها التعامل مع مكتبة كاملة من الكتب في وقت واحد. إذا حاولت تغذيتها بصورة ضخمة، فستصاب بالارتباك والتشوش.
الحل: قاموا ببناء "مترجم". أولاً، يقوم كمبيوتر تقليدي قوي (CNN) بالنظر إلى الصورة وتلخيصها. يقول الكمبيوتر: "حسناً، هذه الصورة بها الكثير من الملمس هنا، وخط داكن هناك، وبعض البقع اللامعة". إنه يحول الصورة الضخمة إلى ملخص قصير مكون من 63 كلمة. الآن، يمكن لهذا "الطفل الكمومي الصغير" فهمها.

2. المتسابقون الثلاثة

اختبر الباحثون ثلاثة "روبوتات" مختلفة لمعرفة أيهم يمكنه تمييز الفرق بين اللحام الجيد واللحام السيئ (تحديداً للبحث عن الأوساخ أو الوصلات الضعيفة).

🏆 المتسابق (أ): المخضرم (الشبكة العصبية التلافيفية التقليدية - Classical CNN)

من هو: ذكاء اصطناعي تقليدي مدرب تدريباً عالياً وقد رأى آلاف الصور.
كيف يعمل: ينظر إلى الصورة، يتذكر الأنماط، ثم يصرخ: "هذا لحام سيئ!".
النتيجة: كان مثالياً. حقق نسبة 100% صحيحة. إنه العامل الموثوق الذي لا يفشل أبداً.

🥈 المتسابق (ب): أمين المكتبة الكمومي (QSVM المعزز بـ VQLS)

من هو: روبوت هجين يستخدم فيزياء الكم لتنظيم البيانات.
التشبيه: تخيل أن لديك كومة من البطاقات المختلطة. الروبوت التقليدي يفرزها واحدة تلو الأخرى. أما "أمين المكتبة الكمومي" فيستخدم خدعة خاصة: يضع جميع البطاقات في حالة "تراكب" (حالة سحرية حيث تكون جميعها في أماكن عديدة في آن واحد) ويسأل: "إلى أي مجموعة تنتمي هذه البطاقة؟".
كيف يعمل: يأخذ الملخص المكون من 63 كلمة، ويحوله إلى حالة كمومية، ويستخدم خدعة رياضية معقدة (VQLS) لحل لغز يجد أفضل طريقة للفصل بين "الجيد" و"السيئ".
النتيجة: كان جيداً جداً (حوالي 97% في المهام البسيطة، و92% في المهام الأصعب). إنه ذكي، لكن الرياضيات معقدة جداً لدرجة أنها تستغرق وقتاً طويلاً للتدريب، مثل محاولة حل مكعب روبيك أثناء ركوب دراجة أحادية العجلة.

🥇 المتسابق (ج): البهلوان الكمومي (المصنف القائم على VQC)

من هو: دائرة كمومية مرنة وقابلة للتدريب.
التشبيه: فكر في هذا كلاعب جمباز. تعطيه ملخص الـ 63 كلمة، فيقوم بقلب، والتواء، ودوران (تدوير) البيانات في مساحة كمومية ليجد الزاوية المثالية لرصد العيب.
كيف يعمل: يقوم بتشفير البيانات في بوابات كمومية، ويدور بها، ويقيس النتيجة، ويتعلم من أخطائه باستخدام مدرب من كمبيوتر تقليدي.
النتيجة: كان نجم العرض! حقق ما يقرب من 99% بشكل صحيح، مقترباً من "المخضرم". كان سريعاً، وفعالاً، وتعامل مع المهام "الصعبة" (التمييز بين ثلاثة أنواع من العيوب) بشكل أفضل من "أمين المكتبة الكمومي".

3. الكشف الكبير

أراد الباحثون معرفة: "هل الحوسبة الكمومية جاهزة لأرض المصنع بعد؟"

الأخبار الجيدة: نعم! "البهلوان الكمومي" (المتسابق ج) قدم أداءً يقارب أفضل ذكاء اصطناعي تقليدي. هذا يثبت أنه حتى مع حواسيبنا الكمومية الحالية غير المثالية والمليئة بالضجيج، يمكننا بناء أدوات مفيدة للصناعة.
العقبة: "أمين المكتبة الكمومي" (المتسابق ب) كان بطيئاً ومعقداً للغاية في الوقت الحالي. الأمر يشبه امتلاك محرك سيارة فيراري في سيارة عالقة في الطين؛ إنه قوي، لكن الإعداد ثقيل جداً.
لماذا نجح الأمر جيداً: العيوب التي كانوا يبحثون عنها (الأوساخ والوصلات الضعيفة) كانت واضحة جداً بصرياً. كان الأمر يشبه العثور على قط أسود في غرفة بيضاء. لو كانت العيوب أصعب في الرؤية، لربما عانت النماذج الكمومية أكثر.

الخلاصة

هذه الورقة هي "إثبات مفهوم". فهي تظهر أننا لسنا بحاجة لانتظار حواسيب كمومية مثالية ومستقبلية للبدء في استخدامها. من خلال دمجها مع حواسيبنا الحالية (نهج هجين)، يمكننا بالفعل البدء في بناء أنظمة مراقبة جودة أكثر ذكاءً.

باختصار: لقد علموا عقلاً كمومياً صغيراً ومستقبلياً كيف يقرأ ملخصاً كتبه عقل تقليدي ذكي، ومعاً، أصبحوا مفتشي لحام ممتازين.

إليك ملخص تقني مفصل لورقة البحث بعنوان "الذكاء الاصطناعي الهجين (الكمي-الكلاسيكي) لتصنيف العيوب الصناعية في صور اللحام."

1. بيان المشكلة

تعد مراقبة الجودة الآلية في التصنيع الصناعي، لا سيما في عمليات اللحام (مثل صناعة السيارات والفضاء)، أمراً بالغ الأهمية للسلامة الهيكلية. وبينما حققت الشبكات العصبية الالتفافية (CNNs) نجاحاً في اكتشاف عيوب اللحام، إلا أنها تتطلب موارد حوسبة كبيرة، خاصة مع زيادة أبعاد البيانات وتعقيد النماذج.
تعالج الورقة البحثية جدوى التعلم الآلي الهجين (الكمي-الكلاسيكي - HQML) لهذه المهمة. ويتمثل التحدي الجوهري في تكييف بيانات الصور الصناعية عالية الدقة مع قيود الأجهزة الكمية الحالية من فئة الأنظمة الكمية متوسطة الحجم ذات الضجيج (NISQ)، والتي تتميز بعدد محدود من الكيوبتات (Qubits)، ودقة البوابات، وعمق الدائرة. تهدف الدراسة إلى تحديد ما إذا كانت النماذج المعززة كمياً يمكنها منافسة المعايير المرجعية للتعلم العميق الكلاسيكي في التطبيقات الصناعية الواقعية.

2. المنهجية

يقترح المؤلفون مسار عمل هجين يعمل فيه نموذج CNN كلاسيكي كمستخرج للميزات، مما يؤدي إلى تقليص بيانات الصور عالية الأبعاد إلى متجهات ميزات مدمجة مناسبة للمعالجة الكمية. تم اختبار نهجين مختلفين للتصنيف الكمي مقابل نموذج مرجعي لشبكة CNN كلاسيكية.

أ. البيانات والمعالجة المسبقة

مجموعة البيانات: مجموعة فرعية من مجموعة بيانات لحام TIG (لحام قوس التنجستن بغاز خامل) صناعية (مصدر Kaggle) تحتوي على حوالي 30,000 صورة رمادية بنطاق ديناميكي عالي (HDR).
المهمة: مهمة تصنيف ثلاثية الفئات مختارة بعناية:
1. لحام جيد (الفئة 0)
2. تلوث (الفئة 2)
3. نقص الانصهار (الفئة 3)
استخراج الميزات: تقوم شبكة CNN كلاسيكية (مقتبسة من "Model-1" في الأدبيات السابقة) باستخراج متجهات الميزات. اختبر المؤلفون بشكل منهجي أطوال متجهات الميزات بـ 7، 15، 31، 63، و127 لإيجيد التوازن الأمثل بين الاحتفاظ بالمعلومات وجدوى الدائرة الكمية.

ب. النماذج الثلاثة

النموذج المرجعي لشبكة CNN الكلاسيكية:
- استُخدمت كمعيار للأداء.
- تم تدريبها بالكامل (End-to-end) للتصنيف باستخدام مُحسن Adam وخسارة التقاطع المتقاطع الفئوي (Categorical Cross-Entropy).
- تعمل كمستخرج للميزات للنماذج الكمية.
آلة المتجهات الداعمة الكمية (QSVM) المعززة بـ VQLS:
- بناء النواة (Kernel Construction): يتم تطبيع متجهات الميزات الكلاسيكية وتشفيرها في حالات كمية باستخدام خريطة ميزات معلمية (بوابات الدوران والتشابك).
- مصفوفة النواة: يتم حساب مصفوفة النواة الكمية $K$ عبر الضرب الداخلي لهذه الحالات ( $K_{ij} = |\langle \tilde{x}_i | \tilde{x}_j \rangle|^2$ )، مما ينقل البيانات إلى فضاء هيلبرت عالي الأبعاد.
- المحلل (Solver): يتم حل مشكلة تحسين SVM ( $M\alpha = b$ ) باستخدام المحلل الخطي الكمي المتغير (VQLS).
- الأنزات (Ansatz): أنزات كفؤة للأجهزة تستخدم بوابات $R_y$ و $controlled-R_z$ .
- التحسين: يستخدم مُحسن COBYLA الكلاسيكي لتقليل دالة التكلفة بناءً على التداخل بين الحل التجريبي والمتجه المستهدف، باستخدام اختبارات هادامارد (Hadamard tests).
- استراتيجية تعدد الفئات: نهج "واحد مقابل الكل" (One-vs-Rest).
مصنف الدائرة الكمية المتغيرة (VQC):
- التشفير: يتم تقليل أبعاد الميزات (عبر الإسقاط الخطي) لتتناسب مع عدد الكيوبتات (ثابت عند 4 لتحقيق الأداء الأمثل) ويتم تشفير الزوايا باستخدام بوابات $R_y$ .
- الدائرة: أنزات أحادية الطبقة كفؤة للأجهزة تحتوي على بوابات $R_y$ معلمية وبوابات تشابك $CX$ .
- القياس: تُقاس الكيوبتات في أساس Pauli-Z لإنتاج قيم التوقع.
- المعالجة اللاحقة: طبقة خطية كلاسيكية مع Softmax لتحويل المخرجات الكمية إلى احتمالات فئوية.
- التدريب: يتم التحسين عبر Adam باستخدام خسارة التقاطع المتقاطع وقاعدة إزاحة المعاملات (Parameter-shift rule) للحصول على التدرجات.

ج. ضبط المعلمات الفائقة (Hyperparameter Tuning)

استخدم المؤلفون Ray Tune مع التدريب القائم على المجموعات (PBT) لتحسين حجم الدفعة (Batch size)، وحجم الميزة، وعدد الكيوبتات، وعمق الدائرة. تم تحديد التكوين الأمثل بـ حجم ميزة 63 و 4 كيوبتات مع حجم دفعة 16.

3. المساهمات الرئيسية

تطبيق صناعي واقعي: إثبات مسار عمل كامل لـ HQML على مجموعة بيانات لحام صناعية عالية الدقة، متجاوزاً بذلك البيانات الاصطناعية أو صغيرة النطاق.
المقارنة المرجعية: تقديم مقارنة صارمة بين CNN كلاسيكية، وQSVM القائم على النواة (VQLS)، ومصنف الدائرة الكمية المتغيرة (VQC) على مهام متطابقة.
تحليل حجم الميزة: تقييم منهجي لكيفية تأثير أبعاد متجهات الميزات الكلاسيكية على أداء النموذج الكمي، وتحديد "النقطة المثالية" (الحجم 63) التي توازن بين غنى المعلومات وضجيج الدائرة.
التكيف الخوارزمي: تكييف بنيات VQLS وVQC خصيصاً لقيود أجهزة NISQ، باستخدام المعالجة المسبقة الكلاسيكية للتخفيف من محدودية الكيوبتات.

4. النتائج

أُجريت التجارب على مهام ثنائية الفئات (جيد مقابل معيب) وثلاثية الفئات باستخدام مجموعة اختبار مكونة من 400 صورة.

النموذج	التصنيف الثنائي (الدقة عند الحجم 63)	التصنيف ثلاثي الفئات (الدقة عند الحجم 63)	ملاحظات رئيسية
الشبكة العصبية الالتفافية (CNN) الكلاسيكية	100%	100%	أداء مثالي ثابت؛ تعمل كحد أقصى قوي.
مصنف VQC	99.7%	98.9%	أداء يقارب المثالية؛ تنافسي للغاية مع CNN الكلاسيكية. تدريب فعال.
VQLS-QSVM	96.8%	92.4%	أداء جيد ولكنه أقل من VQC. التدريب مكلف حوسبياً بسبب بناء مصفوفة النواوة التكراري وحساسية رقم الحالة (Condition number).

تأثير حجم الميزة: بلغ أداء النماذج الكمية ذروته عند حجم ميزة 63. أدى الرفع إلى 127 إلى انخفاض طفيف في الأداء، ويرجع ذلك على الأرجاح إلى الإفراط في التخصيص (Overfitting) أو زيادة الضجيج في الدائرة الكمية.
صعوبة تعدد الفئات: أظهرت جميع النماذج انخفاضاً في الأداء في مهمة الثلاث فئات مقارنة بالمهمة الثنائية، لكن VQC حافظ على أعلى دقة بين النهج الكمية.
الإشارات البصرية: لاحظت الدراسة أن سمات بصرية معينة (مثل الخطوط الداكنة لـ "نقص الانصهار") كانت حاسمة للدقة العالية، بينما تسببت الانعكاسات أحياناً في الخلط بين فئتي "جيد" و"تلوث".

5. الأهمية والخلاصة

القابلية التنافسية: تثبت الدراسة أن النماذج الهجينة (الكمية-الكلاسيكية) يمكن أن تحقق دقة تنافسية (ضمن نطاق 1-2% من CNN الكلاسيكية) في المهام الصناعية الحقيقية، رغم قيود الأجهزة الحالية.
تفوق VQC: تفوق مصنف VQC على VQLS-QSVM، ويرجع ذلك على الأرجح إلى حساسية الأخير لرقم الحالة لمصفوفة النواة والعبء الحوسبي العالي للمحلل الخطي.
الجاهزية لأجهزة NISQ: تشير النتائج إلى أن HQML جاهز للنشر القريب في ضمان الجودة الصناعية، خاصة للمهام التي تكون فيها النماذج الكلاسيكية مستقرة بالفعل، مما يوفر مساراً نحو التفوق الكمي المستقبلي مع توسع الأجهزة.
الآفاق المستقبلية: مع تحسن الأجهزة الكمية (انخفاض الضجيج، زيادة الكيوبتات)، من المتوقع أن تكون هذه البنيات الهجيبة أكثر قابلية للتوسع وقد تتجاوز الحدود الكلاسيكية في فضاءات ميزات عالية الأبعاد محددة.

باختصار، نجحت الورقة البحثية في سد الفجوة بين التعلم الآلي الكمي النظري والتطبيق الصناعي، مبرهنة على أن نماذج VQC الهجينة هي حالياً النهج الكمي الأكثر واعدة لتصنيف العيوب الصناعية.