⚛️ quantum physics

Benchmarking Quantum Kernel Support Vector Machines Against Classical Baselines on Tabular Data: A Rigorous Empirical Study with Hardware Validation

تجد هذه الدراسة التجريبية الصارمة لآلات ناقلات الدعم ذات النواة الكمومية عبر تسع مجموعات بيانات ونماذج ضجيج متعددة أن النهج الكمومية الحالية تفشل في التفوق بشكل ملحوظ على الخطوط المرجعية الكلاسيكية القوية بسبب الأطياف الذاتية غير المثالية والأعباء الحسابية العالية، رغم إظهارها دقة عالية في الأجهزة وتقديم إرشادات قابلة للتنفيذ للأبحاث المستقبلية.

المؤلفون الأصليون: Siavash Kakavand, Christoph Strohmeyer, Michael Schlotter

نُشر 2026-04-22

📖 5 دقيقة قراءة🧠 قراءة متعمّقة

CC BY 4.0

المؤلفون الأصليون: Siavash Kakavand, Christoph Strohmeyer, Michael Schlotter

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 طاهٍ يحاول ابتكار طريقة ثورية جديدة لطهي شريحة اللحم. لديك الآن "شواية كوانتوم" (Quantum Grill) جديدة ومتطورة للغاية، تعدك بطهي اللحم بطرق لا تستطيع أي موقد عادي القيام بها. ولكن قبل أن تستبدل مطبخك بالكامل، تريد أن تعرف: هل تجعل هذه الشواية الجديدة شرائح اللحم أفضل حقاً من موقد الغاز الموثوق الذي تملكه؟

هذه الورقة البحثية هي اختبار التذوق النهائي. لم يقم الباحثون بطهي شريحة لحم واحدة فحسب؛ بل قاموا بطهي 970 وجبة مختلفة عبر تسعة أنواع مختلفة من المكونات (مجموعات البيانات) لمعرفة ما إذا كانت شواية الكوانتوم يمكنها هزيمة موقد الغاز (الحواسيب التقليدية) في مهمة فرز البيانات.

إليك تفاصيل نتائجهم، مترجمة إلى لغة يومية بسيطة:

1. الإعداد: "شواية الكوانتوم" مقابل "موقد الغاز"

موقد الغاز (الآلات المتجهة الداعمة التقليدية - Classical SVMs): هذه هي الطريقة القياسية التي تحل بها الحواسيب المشكلات اليوم. إنها موثوقة، سريعة، وجيدة جداً فيما تفعله. فكر فيها كأنها رئيس طهاة خبير قضى عقوداً في الطهي.
شواية الكوانتوم (الآلات المتجهة الداعمة الكمومية - QSVMs): تستخدم قوانين الفيزياء الكمومية الغريبة للنظر إلى البيانات بطريقة مختلفة تماماً. نظرياً، يجب أن تكون قادرة على رؤية أنماط لا يستطيع موقد الغاز رؤيتها.
المكونات: اختبروا تسعة مشكلات من العالم الحقيقي، مثل تشخيص سرطان الثدي، أو رصد رسائل البريد الإلكتروني المزعجة، أو تحديد أمراض القلب. هذه هي "شرائح اللحم" التي كانوا يحاولون طهيها.

2. المفاجأة الكبرى: الموقد القديم لا يزال هو الفائز

بعد طهي جميع الوجبات الـ 970، وجد الباحثون أن موقد الغاز كان دائماً أفضل تقريباً.

في 8 من أصل 9 مجموعات بيانات، أنتج الكمبيوتر التقليدي (موقد الغاز) نتيجة أكثر دقة من الكمبيوتر الكمومي.
الحالة الوحيدة التي اقتربت فيها شواية الكوانتوم من الفوز كانت في مجموعة بيانات صغيرة ومعقدة تسمى "Haberman" (تحليل بقاء)، حيث تمكنت من طهي شريحة لحم أفضل قليلاً.
الحكم: بالنسبة للبيانات القياسية (مثل الجداول الحسابية والسجلات الطبية)، فإن شواية الكوانتوم الفاخرة ليست جاهزة لاستبدال موقد الغاز بعد.

3. لماذا فشلت شواية الكوانتوم؟ (مشكلة "غولدي لوكس" - المنطقة المثالية)

تعمق الباحثون لمعرفة لماذا عانت شواية الكوانتوم. لقد نظروا في "ملف النكهة" للبيانات التي أنشأتها الحواسيب.

موقد الغاز (نواة RBF): وجد "منطقة غولدي لوكس" (المنطقة المثالية). البيانات التي أنشأها كانت "مثالية تماماً" — ليست مسطحة جداً ولا مدببة جداً. كانت تمتلك القدر الكافي من الهيكل لفصل البيانات "الجيدة" عن البيانات "السيئة".
شواية الكوانتوم: كانت إما مسطحة جداً أو مدببة جداً.
- بعض الإعدادات الكمومية جعلت البيانات تبدو مثل بانكيك مسطح وممل (لا نكهة ولا هيكل).
- بينما جعلت الإعدادات الأخرى تبدو مثل إبرة حادة واحدة (تركيز مفرط على شيء واحد، وتجاهل البقية).
- ولأن البيانات الكمومية كانت إما مملة للغاية أو متطرفة للغاية، لم يستطع الكمبيوتر رسم خط واضح للفصل بين الفئات. كان الأمر يشبه محاولة فرز كرات رخامية حمراء وزرقاء بينما تبدو جميعها كدرجات من اللون الرمادي.

4. محاولة "الضبط": تدريب النواة الكمومية (QKT)

حاول الباحثون إصلاح شواية الكوانتوم بإضافة "مقبض ضبط" (يسمى تدريب النواة الكمومية). سمح هذا للكمبيوتر بتعديل إعداداته لتناسب المكونات المحددة بشكل أفضل.

هل نجح الأمر؟ في مجموعة بيانات واحدة (سرطان الثدي)، تمكنت بالفعل من طهي شريحة لحم تكاد تكون بجودة شريحة الموقد التقليدي!
العائق: للحصول على هذه النتيجة، كان على شواية الكوانتوم أن تعمل لمدة 2,000 ضعف أطول وتستهلك كميات هائلة من الطاقة. إنه يشبه استخدام مفاعل نووي لغلي كوب واحد من الماء. كانت النتيجة جيدة، لكن التكلفة كانت باهظة جداً لدرجة تجعلها غير عملية.

5. فحص الأجهزة: هل المحاكاة حقيقية؟

يتم إجراء الكثير من أبحاث الكم على "محاكيات" (برامج حاسوبية تتظاهر بأنها حواسيب كمومية). أراد الباحثون معرفة: هل يصمد هذا أمام آلة كمومية حقيقية؟

ذهبوا إلى كمبيوتر كمومي حقيقي من شركة IBM (المسمى "ibm fez").
النتيجة: تصرف الجهاز الحقيقي بشكل مشابه جداً للمحاكي. "الضجيج" (الأخطاء) في الجهاز الحقيقي لم يفسد التجربة؛ بل في الواقع، ساعد قليلاً، حيث عمل كنوع من التوابل الطبيعية.
الاستنتاج: الأخبار السيئة من المحاكي هي أخبار حقيقية. إذا قال المحاكي إن شواية الكوانتوم ضعيفة الأداء، فإن الأجهزة الحقيقية توافق على ذلك.

6. اختبار "البذرة": هل كان الأمر مجرد حظ؟

أحياناً، إذا قمت بخلط الأوراق بطريقة معينة، قد تحصل على يد رابحة بالحظ. قام الباحثون بإجراء التجربة 16 مرة مع عمليات خلط عشوائية مختلفة لمعرفة ما إذا كانت النتائج ثابتة.

النتيجة: فاز موقد الغاز باستمرار. فازت شواية الكوانتوم فقط في تلك المجموعة المحددة من البيانات (Haberman)، وحتى في تلك الحالة، كان الفوز ضيقاً جداً. النتائج لم تكن مجرد ضربة حظ.

الخلاصة النهائية

هذه الورقة البحثية هي بمثابة "واقع مرير" لمجال التعلم الآلي الكمومي.

لا تتخلص من موقد الغاز الخاص بك بعد. بالنسبة لمشكلات البيانات التي نواجهها كل يوم (السجلات الطبية، التمويل، فلاتر البريد المزعج)، لا تزال الحواسيب التقليدية أسرع، وأرخص، وأكثر دقة.
شواية الكوانتوم تحتاج إلى وصفة جديدة. الطريقة الحالية التي "تنظر" بها الحواسيب الكمومية إلى البيانات (خرائط الميزات) متطرفة للغاية. إنها بحاجة لتعلم كيفية العثور على "منطقة غولدي لوكس" في المنتصف.
الأجهزة جاهزة، لكن البرمجيات ليست كذلك. تعمل الآلات الكمومية بشكل جيد بما يكفي لإجراء هذه الاختبارات، لكن الخوارزميات التي تعمل عليها ليست متطورة بما يكفي للتفوق على الأنظمة التقليدية بعد.

باختصار: الحوسبة الكمومية هي تقنية واعدة، ولكنها حالياً تشبه سيارة فورمولا 1 تحاول القيادة على طريق زراعي طيني. إنها آلة مذهلة، ولكن على هذا النوع من التضاريس، لا يزال الجرار القديم والموثوق (الحوسبة التقليدية) يقوم بعمل أفضل.

إليك ملخص تقني مفصل للورقة البحثية بعنوان "تقييم أداء آلات المتجهات الداعمة ذات النواة الكمومية مقابل النماذج الكلاسيكية على البيانات الجدولية: دراسة تجريبية صارمة مع التحقق من صحة الأجهزة".

1. بيان المشكلة

تعد طرق النواة الكمومية (QKMs) واعدة نظرياً للتعلم الخاضع للإشراف، حيث تستفيد من الدوائر الكمومية ذات المعلمات لخرائط البيانات إلى فضاءات هيلبرت عالية الأبعاد، حيث تعمل نواتج الضرب الداخلي كتقييمات لنواة آلات المتجهات الداعمة (SVM). ومع ذلك، فإن الأدلة التجريبية الصارمة التي تثبت وجود "تفوق كمومي" عملي على البيانات الجدولية الواقعية نادرة.

تعاني الاختبارات المرجعية الحالية من عيوب منهجية، تشمل:

المقارنة ضد نماذج كلاسيكية ضعيفة (مثل SVM الخطي فقط).
استخدام التحقق من الصحة البسيط (hold-out validation) بدلاً من التحقق المتقاطع المتداخل الصارم (nested cross-validation)، مما يؤدي إلى خطر الانحياز التفاؤلي.
الافتقار إلى اختبارات الدلالة الإحصائية.
الاعتماد حصرياً على المحاكاة المثالية دون التحقق من صحة الأجهزة.

تهدف هذه الدراسة إلى معالجة هذه الفجوات من خلال إجراء تقييم مرجعي واسع النطاق وصارم لآلات المتجهات الداعمة ذات النواة الكمومية (QSVMs) مقابل نماذج كلاسيكية قوية عبر مجموعات بيانات متنوعة، مع دمج التحقق من صحة الأجهزة على معالجات كمومية حقيقية.

2. المنهجية

تستخدم الدراسة إطار عمل تجريبي شامل يتضمن 970 تجربة عبر تسع مجموعات بيانات للتصنيف الثنائي (من UCI/OpenML) ذات أحجام عينات متفاوتة ( $N \in [208, 4601]$ ) وأبعاد ( $d \in [3, 60]$ ).

التصميم التجريبي

بروتوكول التحقق: تحقق متقاطع متداخل صارم (5 طيات خارجية $\times$ 3 أو 5 طيات داخلية) لضمان تقدير غير منحاز للأداء وضبط المعلمات الفائقة ( $C$ ).
خرائط الميزات الكمومية: تم تقييم أربع عائلات متميزة:
1. Rot2DoF: ترميز الحالة المنتجة (بدون تشابك).
2. Belis: تشابك سلم CNOT.
3. Sakhnenko10: طوبولوجيا حلقة CNOT.
4. ZZFeatureMap: ترميز تفاعل ZZ الزوجي.
النماذج الكلاسيكية المرجعية: نواة خطية، ونواة الدوال الشعاعية الأساسية (RBF)، ونواة متعددة الحدود (درجة 3).

أنواع الخلفية (Backend):
1. المحاكاة المثالية: محاكاة متجه الحالة (خالية من الضجيج).
2. المحاكاة ذات الضجيج: محاكاة مصفوفة الكثافة مع ضجيج التبديد (depolarizing noise).
3. الأجهزة: التنفيذ على جهاز IBM ibm_fez (Heron r2، 156 كيوبت) باستخدام دائرة الحساب والالغاء (compute-uncompute).

تدريب النواة الكمومية (QKT): استخدمت مجموعة فرعية من التجارب معلمات قابلة للتعلم لتحسين محاذاة النواة مع الهدف (KTA) عبر خوارزمية L-BFGS-B.
المعالجة المسبقة: تم تطبيق تقليل الأبعاد (PCA، أو NMF، أو الاختيار القائم على الأشجار) لكل طية لخرائط الميزات إلى $k \in \{3, \dots, 14\}$ بُعداً، بما يتناسب مع قيود الكيوبتات.

مراحل التحليل

تتكون الدراسة من أربع مراحل تحليلية:

الدلالة الإحصائية: اختبارات ويلكوكسون للرتب الموقعة المقترنة وتحليل كروال-واليس العاملي.
منحنيات التعلم: تقييم كفاءة البيانات عبر ستة أجزاء تدريبية (10%–100%).
التحقق من صحة الأجهزة: مقارنة مباشرة بين مصفوفات النواة في الأجهزة والمحاكاة المثالية.
حساسية البذرة (Seed Sensitivity): تحليل قابلية التكرار عبر 16 بذرة عشوائية (8,400 عملية ضبط لـ SVM).

3. المساهمات الرئيسية

التقييم المرجعي الصارم: أول دراسة تجمع في آن واحد بين 9 مجموعات بيانات، والتحقق المتقاطع المتداخل الصارم، واختبار الدلالة الإحصائية، والتحقق من صحة الأجهزة، والتحليل الطيفي.
التحقق من صحة الأجهزة: أظهرت دقة عالية ( $r \geq 0.976$ ) بين الأجهزة الكمومية الحقيقية والمحاكاة المثالية لمصفوفات النواة عند مقاييس الدائرة المختبرة.
التحليل الطيفي (فرضية "غولديلوكس"): قدمت تفسيراً ميكانيكياً لضعف أداء QSVM من خلال تحليل الأطياف الذاتية لمصفوفات النواة.
التقييم الشامل لـ QKT: حددت التكاليف الحسابية واستقرار التقارب للنواوات الكمومية القابلة للتدريب.
العلم المفتوح: مجموعة الاختبار الكاملة (~18,700 سطر من الكود، 683 مصفوفة نواة مخبأة) متاحة للعموم.

4. النتائج الرئيسية

أ. مقارنة الأداء

لا يوجد تفوق كمومي: في 29 مقارنة زوجية (أفضل كمومي مقابل أفضل كلاسيكي لكل مجموعة بيانات)، لم يصل أي منها إلى الدلالة الإحصائية عند $\alpha = 0.05$ .
هيمنة النواوات الكلاسيكية: تفوقت النواوات الكلاسيكية (تحديداً RBF) على النواوات الكمومية في 8 من أصل 9 مجموعات بيانات. حققت أفضل نواة كمومية (Rot2DoF) متوسط دقة متوازنة (BA) قدره 0.649، مقارنة بـ 0.830 لأفضل نواة كلاسيكية.
الاستثناء (Haberman): كانت مجموعة البيانات الوحيدة التي أظهرت تفوقاً كمومياً قوياً هي Haberman (تحليل البقاء)، حيث تفوقت النواوات الكمومية على النماذج الكلاسيكية بمقدار +3.2 نقطة مئوية (BA 0.581 مقابل 0.549). وقد تم تأكيد ذلك كأمر ذي دلالة في تحليل حساسية البذرة ( $p=0.004$ ).

ب. التحليل الطيفي (فرضية "غولديلوكس")

كشف التحلل الطيفي لمصفوفات النواة عن سبب ضعف أداء النواوات الكمومية:

Belis (المتشابكة): أنتجت مصفوفات قريبة من الهوية (طيف مسطح، نسبة رتبة فعالة 0.40–0.74)، مما يفتقر إلى البنية التمييزية.
Rot2DoF (حالة منتجة): أنتجت مصفوفات قريبة من الرتبة-1 (مركزة للغاية، أعلى قيمة ذاتية >50%)، مما يؤدي إلى انهيار المعلومات.
RBF (الكلاسيكية): شغلت منطقة "غولديلوكس" المتوسطة (رتبة فعالة 0.06–0.07)، مما يوفر بنية كافية لحدود القرار دون انهيار المعلومات.
الاستنتاج: تفشل خرائط الميزات الكمومية الثابتة الحالية في إنتاج الملف الطيفي المتوسط المطلوب لتصنيف SVM الفعال.

ج. منحنيات التعلم وكفاءة البيانات

أظهرت النواوات الكمومية منحدرات تعلم أكثر حدة في 6 من أصل 8 مجموعات بيانات، مما يشير إلى أنها تتعلم بشكل أسرع في البداية.
ومع ذلك، وبسبب انخفاض الخط المرجعي بشكل كبير، فشلت في سد الفجوة مع الطرق الكلاسيكية حتى عند استخدام 100% من بيانات التدريب.

د. التحقق من صحة الأجهزة

الدقة: ارتبطت مصفوفات النواة في الأجهزة بالمحاكة المثالية بمعامل ارتباط بيرسون $r \geq 0.976$ (متوسط $r=0.990$ ).
الضجيج كمنظم (Regularizer): في 4 من أصل 6 تجارب أجهزة، أدى الضجيج إلى تحسين الأداء قليلاً (متوسط +1.5 نقطة مئوية) مقارنة بالمحاكة المثالية، ومن المرجح أنه يعمل كمنظم ضمني.
تأثير التشابك: حققت ترميزات الحالة المنتجة (Rot2Doft) دقة أجهزة أعلى من المتشابكة (Belis) بسبب عمق الدائرة الأقل (22 مقابل 62+ بوابة).

هـ. تدريب النواة الكمومية (QKT)

حقق QKT النتيجة التنافسية الوحيدة: BA = 0.968 في مجموعة بيانات سرطان الثدي (مقترباً من السقف الكلاسيكي 0.976).
التكلفة: جاء هذا بتكلفة حسابية هائلة بلغت ~2,000 ضعف مقارنة بالنماذج الكلاسيكية بسبب إعادة حساب النواة بشكل تكراري.
الاستقرار: أظهر QKT معدلات تقارب منخفضة (13.6%) وعدم استقرار عالٍ في المعلمات عبر الطيات.

5. الأهمية والآثار المترتبة

هيمنة مجموعة البيانات: كشف تحليل كروال-واليس أن اختيار مجموعة البيانات يفسر 73% من تباين الأداء، بينما تفسر نوع النواة 9% فقط. وهذا يعني أن الادعاءات بالتفوق الكمومي بناءً على مجموعة بيانات واحدة هي ادعاءات هشة.
إرشادات التصميم: تشير الدراسة إلى وجوب تصميم خرائط الميزات الكمومية المستقبلية لاستهداف ملفات طيفية متوسطة (تجنب كل من المسطحة والمركزة للغاية) بدلاً من الاعتماد على هياكل تشابك عامة.
معايير التقييد المرجعي: يدعو المؤلفون إلى استخدام التحقق المتقاطع المتداخل الصارم، وتعدد مجموعات البيانات المتنوعة، واختبار الدلالة الإحصائية كمعيار جديد لادعاءات تعلم الآلة الكمومي (QML).
الجاهزية للأجهزة: بينما تعيد الأجهزة الحالية إنتاج نتائج المحاكاة بأمانة، فإن عدم وجود تفوق في البيانات الجدولية القياسية يشير إلى أن التفوق الكمومي في المدى القريب في هذا المجال مستبعد دون تصميم دوائر خاصة بالمشكلات أو تقنيات متقدمة لتخفيف الأخطاء.

الخلاصة: تخلص الورقة إلى أنه بالنسبة للبيانات الجدولية القياسية، لا تقدم طرق النواة الكمومية الحالية أي ميزة عملية على آلات المتجهات الداعمة الكلاسيكية. إن ضعف الأداء الملحوظ متجذر بنيوياً في الخصائص الطيفية للخرائط الميزية الحالية، كما أن التكاليف الحسابية لتدريب هذه النواوات باهظة للغاية في الوقت الحالي.