Divide et impera: hybrid multinomial classifiers from quantum binary models

إليك ملخص تقني مفصل لورقة البحث بعنوان "Divide et impera: hybrid multinomial classifiers from quantum binary models" من إعداد سيموني رونكالو وآخرون.

1. بيان المشكلة

تتناول الورقة تحديًا جوهريًا في تعلم الآلة الكمي (QML): توسيع نطاق المصنفات الكمية الثنائية بطبيعتها للتعامل مع مهام التصنيف متعدد الفئات (multinomial classification) دون المساس بإمكانية التفوق الكمي.

• السياق: العديد من المصنفات الكمية (مثل المصنفات الكمية التباينية، ومصنفات اختبار التبادل SWAP-test) مصممة لإخراج قرار ثنائي واحد (0 أو 1) بناءً على درجة احتمالية.
• العقبة: إن أخذ العينات مباشرة من توزيع متعدد الفئات مكون من $K$ من الفئات يتطلب عادةً عبئًا حسابيًا لا يقل عن $O(K)$، مما يحاكي تكلفة طبقة مخرجات كلاسيكية تحتوي على $K$ من الخلايا العصبية. هذا العبء يهدد بإبطال مفعول التسريع الأسي الذي توفره النماذج الكمية فيما يتعلق بحجم المدخلات.
• الهدف: بناء مصنف متعدد الفئات باستخدام مجموعة من النماذج الكمية الثنائية عبر استراتيجيات المعالجة اللاحقة، مع تقليل العبء الحسابي إلى أدنى حد مع الحفاظ على الميزة الكمية.

2. المنهجية

يقترح المؤلفون نهجًا هجينًا كميًا-كلاسيكيًا. حيث يستخدمون مصنفًا بصريًا كميًا محددًا يعتمد على تأثير هونغ-أو-ماندل (HOM) (كما ورد في عملهم السابق [30, 31]) ويجمعون بين عدة نماذج من هذا النموذج الثنائي باستخدام ثلاث استراتيجيات تفكيك قياسية:

1. واحد مقابل واحد (One-vs-One - OvO):

   • يدرب مصنفًا ثنائيًا منفصلاً لكل زوج من الفئات $(k, k')$.
   • العبء: يتطلب $K(K-1)/2$ من المصنفات.
   • التعقيد: $O(K^2)$ عند الاستدلال.
   • الآلية: التقييم المتوازي مع التصويت بالأغلبية.

2. واحد مقابل الكل (One-vs-Rest - OvR):

   • يدرب مصنفًا ثنائيًا واحدًا لكل فئة $k$ لتمييز الفئة $k$ عن الفئات الأخرى.
   • العبء: يتطلب $K$ من المصنفات.
   • التعقيد: $O(K)$ عند الاستدلال.
   • الآلية: التقييم المتوازي؛ حيث يتم اختيار الفئة ذات الدرجة الأعلى.

3. شجرة القرار الثنائية (Binary Decision Tree - DT):

   • تقسم مجموعة الفئات $K$ بشكل متكرر إلى تقسيمات ثنائية، وتنظمها في هيكل شجري هرمي.
   • العبء: يتطلب عبور الشجرة من الجذر إلى الورقة.
   • التعقيد: $O(\log_2 K)$ عند الاستدلال.
   • الآلية: التقييم المتسلسل. عند كل عقدة، يتم توجيه المدخلات يسارًا أو يمينًا بناءً على مخرج المصنف الثنائي حتى الوصول إلى ورقة (فئة واحدة).

النموذج الكمي:

• البنية: شبكة عصبية ضحلة يتم تنفيذها بصريًا باستخدام الأنماط المكانية للفوتونات وتداخل هونغ-أو-ماندل (HOM).
• التكافؤ: مكافئ رياضيًا لشبكة كلاسيكية ضحلة مع $M$ من الخلايا العصبية المخفية (تنشيط المربع لـ القيمة المطلقة) وطبقة مخرجات خطية (تنشيط سيجمويد).
• القيود: الأوزان مقيدة (معيرة بـ L2 للطبقات المخفية و L1 للمخرجات) بسبب الترميز الفيزيائي للمعلمات في حالات الفوتونات.
• التسريع: يوفر تسريعًا فائقًا (superexponential)، حيث يصنف $N$ من الميزات بتكلفة حسابية وبصرية ثابتة قدرها $O(1)$.

الإعداد التجريبي:

• مجموعات البيانات: MNIST، وFashion-MNIST، وCIFAR-10.
• النماذج المرجعية: تم بناء نموذج كلاس مرجعي باستخدام نفس استراتيجيات التفكيك (OvO، OvR، DT) ولكن مع بنية أكثر تعبيرًا (شبكات ReLU عميقة، بدون قيود المعيرة) لضمان أن أي فجوات في الأداء تعود إلى استراتيجية المعالجة اللاحقة وليس إلى قدرة النموذج التعبيرية.
• المقاييس: متوسط الدقة عبر $K$ من الفئات.

3. المساهمات الرئيسية

• الإطار الهجين: أثبت وجود طريقة قابلة للتطبيق لتحويل المصنفات الكمية الثنائية إلى مصنفات متعددة الفئات دون تعديل بنية الأجهزة الكمية الأساسية.
• تحليل العبء: قدم مقارنة صارمة للأعباء الحسابية ($O(K^2)$، $O(K)$، و $O(\log_2 K)$) لمختلف استراتيجيات التفكيك في السياق الكمي.
• تحسين شجرة القرار: حدد شجرة القرار الثنائية (DT) كأكثر الاستراتيجيات فعالية من حيث التكلفة، حيث تحافظ على التسريع الأسي للنموذج الكمي من خلال حصر عبء الاستدلال في التعقيد اللوغاريتمي.
• التحقق التجريبي: أظهر أن اختيار استراتيجية التفكيك له تأثير ضئيل على الدقة، مما يعني أنه يمكن اختيار الاستراتيجية الأكثر كفاءة (DT) دون التضحية بالأداء.

4. النتائج

قام المؤلفون باختبار الطرق على مجموعات فرعية من 4 فئات و6 فئات من مجموعات البيانات، وكذلك تغيير $K$ من 2 إلى 10 في CIFAR-10.

• مقارنة الدقة:

  • حققت النماذج الكمية والكلاسيكية دقة متقاربة عبر جميع الاستراتيجيات (OvO، OvR، DT).
  • أظهرت النماذج الكلاسيكية تفوقًا طفيفًا ومستمرًا (حوالي 1-2% أعلى في MNIST)، ويُعزى ذلك إلى قيود المعيرة في النموذج الكمي التي تحد من قدرته التعبيرية.
  • استقلالية الاستراتيجية: لم يغير اختيار OvO أو OvR أو DT من الدقة النهائية بشكل كبير.

• القابلية للتوسع (عدد الفئات $K$):

  • مع زيادة $K$ (حتى 10)، انخفضت الدقة بشكل رتيب لكل من النماذج الكمية والكلاسيكية.
  • ظلت فجوة الدقة بين النماذج والتخمين العشوائي كبيرة (الكمي: ~23-30% فوق العشوائي؛ الكلاسيكي: ~28-35% فوق العشوائي).
  • يشير هذا إلى أن العائق هو استراتيجية المعالجة اللاحقة نفسها، وليس البنية الكمية المحددة.

• متانة شجرة القرار:

  • أظهرت الاختبارات التي غيرت توبولوجيا الشجرة وبذور التدريب أن كلاً من هيكل الشجرة وتفاوت التدريب لم يؤثرا بشكل كبير على الدقة، مما يؤكد أن نهج DT قوي.

5. الأهمية والخاتمة

• الحفاظ على الميزة الكمية: تثبت الدراسة أنه من الممكن بناء مصنف كمي متعدد الفئات بـ تسريع أسي بالنسبة لحجم المدخلات. من خلال استخدام نهج شجرة القرار، يتم تقليل العبء إلى $O(\log_2 K)$، وهو أمر ضئيل مقارنة بالتكلفة الثابتة $O(1)$ لمصنف HOM الأساسي.
• فعالية التكلفة: تعتبر شجرة القرار الخيار الأمثل للمصنفات الكمية الهجينة، حيث توفر أقل عبء حسابي مع الحفاظ على مستويات دقة مماثلة للطرق المتوازية (OvO/OvR).
• التوجهات المستقبلية: يشير المؤلفون إلى أن انخفاض الدقة الملحوظ مع زيادة $K$ يعود إلى الطبيعة "المحايدة" (agnostic) للمعالجة اللاحقة (التي تعامل الفئات بشكل مستقل). قد تتطلب التحسينات المستقبلية تدريبًا مشتركًا لهيكل شجرة القرار مع النماذج الكمية لاستغلال الارتباطات بين الفئات بشكل أفضل، بدلاً من معاملة الشجرة كمجرد خطوة معالجة لاحقة.

باختالام، توفر الورقة خارطة طريق عملية لتوسيع نطاق المصنفات الكمية الثنائية إلى مشكلات العالم الحقيقي متعددة الفئات، مع تحديد شجرة القرار الثنائية كعنصر حاسم للحفاظ على الكفاءة الكمية.