Quantum Feature Pyramid Gating for Seismic Image Segmentation

ملخص تقني: بوابات الهرم الميزي للسمات الكمومية لتجزئة الصور السيزمية

بيان المشكلة
يعد التحديد الدقيق للأجسام الملحية في صور الانعكاس السيزمي أمراً بالغ الأهمية للاستكشاف والحفر، حيث تعمل الهياكل الملحية على تشويه انتشار الموجات وحجب الهندسة الخزانية. وبينما أظهرت النماذج الهجينة (الكمومية-الكلاسيكية) واعدية في تصنيف الصور صغير النطاق (مثل MNIST وCIFAR-10)، إلا أن فائدتها في التنبؤ الكثيف على مستوى البكسل لا تزال غير مستكشفة. تعتمد معظم نهج الرؤية الكمومية الحالية على مدخلات منخفضة العينة بشكل كبير (مثل 8×8) أو تستهدف التصنيف بدلاً من التجزئة. علاوة على ذلك، لم تدرس دراسات قليلة ما إذا كانت الدوائر الكمومية يمكنها التفوق على المشفرات الكلاسيكية مسبقة التدريب القوية التي تولد بالفعل سمات عالية الجودة. التحديد المركزي هو تحديد ما إذا كان بإمكان دائرة كمومية معلمية (PQC) صغيرة المساهمة بشكل ملموس في مسار تنبؤ كثيف حديث على معيار واقعي، وتحديداً تحدي TGS لتحديد الملح لعام 2018.

المنهجية
يقترح المؤلفون بنية تجزئة هجينة تدمج دائرة كمومية معلمية (PQC) مكونة من 4 كيوبت وطبقتين مع إعادة رفع البيانات (data re-uploading) عند نقاط دمج السمات داخل مسار (المشفر-المفكك). تتقصى الدراسة ثلاثة أسئلة بحثية رئيسية تتعلق بطوبولوجيا التكامل، وتفاعلات القياس، وآليات البوابات.

1. انتباه الوصلات المتخطية الكمومي (Quantum Skip-Connection Attention): في البداية، يتم إدراج الـ PQC كمرشح لكل قناة في وصلات الـ U-Net المتخطية. تستقبل الدائرة متجهاً رباعي الأبعاد مشتقاً من سمات الوصلة المتخطية المجمعة عبر المتوسط العالمي (global average-pooled)، مما ينتج إشارة بوابية لتعديل تدفق السمات قبل عملية الدمج. تم اختبار ثمانية متغيرات للدائرة (تختلف في استراتيجيات الترميز، والعمق المتغير، وإعادة رفع البيانات) على هيكل SolidUNet مخصص (8.23 مليون معلمة) بدقة 128×128.
2. بوابة الهرم الميزي للسمات الكمومية (Quantum FPN Gating): تكمن المساهمة الرئيسية في نقل الـ PQC إلى نقاط دمج الـ FPN، حيث تندمج سمات المشفر الجانبية مع سمات المفكك المتجهة للأسفل. تقوم طبقة ضغط (Global-Average-Pooling - GAP) بخرائط السمات الجانبية لأي حجم إلى مدخل ثابت رباعي الأبعاد، مما يفصل متطلبات الدائرة الكمومية عن حجم الهيكل ودقة الصورة. تحسب الـ PQC مزيجاً محدباً متعلماً لتدفقي السمات: $F_{out} = g \odot F_{lat} + (1-g) \odot F_{td}$، حيث $g$ هي إشارة البوابة المستمدة من التوقعات الكمومية.
3. التصميم التجريبي:
   • الهياكل (Backbones): تم اختبار بوابة FPN الكمومية عبر ستة مشفرات مسبقة التدريب (تتراوح من 30.6 مليون إلى 118 مليون معلمة) بدقتين (128×128 و256×256).
   • الاستئصال الكلاسيكي (Classical Ablation): لعزل الآلية الكمومية، يستبدل الاستئصال المنضبط بوابات FPN الكمومية بعملية جمع عنصرية قياسية خالية من المعلمات، مع الحفاظ على جدول الخسارة، وتقسيمات البيانات، والبحث عن العتبة، والمشفر (EfficientNetV2-L) متطابقين تماماً.
   • التدريب: تم تدريب النماذج باستخدام منهجية خسارة مرحلية (BCE, Dice, Lovász hinge) مع تحقق تبادلي خماسي الطيات (5-fold cross-validation). كما تمت مراقبة تباين التدرج لضمان قابلية التدريب وتجنب الهضاب القاحلة (barren plateaus).

المساهمات الرئيسية

1. بوابة FPN الكمومية: تقديم دائرة PQC مكونة من 4 كيوبت وطبقتين تحل محل عملية الجمع العنري في FPN بمزيج محدب متعلم. تضيف هذه البوابة 72 معلمة كمومية قابلة للتدريب فقط (0.00006% من إجمالي سعة النموذج في أكبر تكوين) وهي مستقلة عن نوع المشفر.
2. التكامل المستقل عن المشفر: يسمح استخدام طبقة ضغط GAP لنفس البوابة ذات الـ 72 معلمة بالعمل عبر مشفرات ذات مقاييس مختلفة تماماً (من 8 ملايين إلى 118 مليون معلمة) ودقات مختلفة دون تعديل.
3. تحليل فضاء التصميم: حددت الدراسة أن إعادة رفع البيانات (data re-uploading) هي الخيار الأكثر حرجاً في تصميم الدائرة، حيث تفوقت على استراتيجيات الترميز الفردية. كما أثبتت أيضاً أن وضع الدائرة عند نقطة دمج FPN يحقق تحسينات أكبر بكثير من وضعها في الوصلات المتخطية.
4. أول دليل منضبط: تعد هذه أول دراسة تطبق PQC قائمة على البوابات لتجزئة الصور السيزمية، وأول دراسة تضع دائرة متغيرة عند نقاط دمج FPN، وأول دراسة تعزل آلية البوابة الكمومية من خلال استئصال كلاسيكي منضبط.

النتائج

• أداء الوصلات المتخطية: على هيكل SolidUNet، حقق أفضل متغير لانتباه الوصلة المتخطية الكمومي (qdress_reupload) تحسيناً في مقياس TGS mean IoU بمقدار 0.88 نقطة مئوية (0.7882 مقابل 0.7794 للنموذج المرجعي الكلاسيكي).
• أداء FPN: عند نقلها إلى نقاط دمج FPN مع هيكل EfficientNetV2-L (118 مليون معلمة) بدقة 256×256، حققت بوابة FPN الكمومية مقياس TGS mean IoU قدره 0.9389.
• القياس (Scaling): انتقلت البوابة الكمومية بفعالية عبر جميع الهياكل الستة المختبرة. تفوق هيكل EfficientNetV2-L بشكل كبير على الهياكل الأخرى (على سبيل المثال، بفارق +8.41 نقطة عن PVT-V2-B3)، مما يشير إلى أن جودة السمات من الهيكل هي العامل المهيمن، لكن البوابة الكمومية توفر دفعة ثابتة.
• الاستئصال (RQ3): أدى استبدال بوابات FPN الكمومية بعملية الجمع العنري الكلاسيكية في هيكل EfficientNetV2-L إلى انخفاض الدرجة من 0.9389 إلى 0.8404، بفارق 9.85 نقطة مئوية. وهذا يؤكد أن التحسن يعزى إلى الفضاء الوظيفي الكمومي وطوبولوجيا البوابة المتعلمة، وليس مجرد وجود آلية بوابة أو الهيكل وحده.
• قابلية التدريب: ظلت تباينات التدرج أعلى بكثير من أرضية الهضبة القاحلة النظرية ($2^{-4} \approx 0.06$)، مما يشير إلى استقرار التدريب في جميع التكوينات.

الأهمية والادعاءات
تدعي الورقة أنها تقدم أول دليل منضبط على أن دمج السمات الكمومية يمكن أن يحسن التجزئة السيزمية الكثيفة. ويؤكد المؤلفون أن قيمة الـ PQC تعتمد بشدة على أين وماذا تضبط؛ فنقطة دمج FPN، حيث يجب دمج تدفقين عاليي الجودة من السمات، توفر مساحة أكبر للتحسين بمراحل مقارنة بالوصلات المتخطية.

تصيغ الدراسة نتائجها بتواضع:

• لا تدعي وجود "تفوق كمومي" من حيث السرعة الحسابية؛ في الواقع، أدى محاكاة الحالة المتجهة التسلسلية (sequential statevector simulation) إلى زيادة في وقت التنفيذ بنسبة 47% (30.4 ساعة مقابل 20.7 ساعة للاستئصال الكلاسيكي).
• تقر بأن المشفر الكلاسيكي يهيمن على سعة النموذج والحوسبة، وأن المكون الكمومي يعمل كآلية دمج متخصصة ومنخفضة المعلمات.
• النتائج محددة بمجموعة بيانات TGS Salt؛ ويتطلب الانتقال إلى التصوير الطبي أو الاستشعار عن بعد تقييماً منفصلاً.
• يعمل هذا العمل ضمن نظام NISQ (الأنظمة الكمومية متوسطة الحجم ذات الضجيج)، وبينما يتجنب تصميم الدائرة الهضاب القاحلة، فإن الأداء على الأجهزة الكمومية الفعلية مع الضجيج وعدد محدود من الـ (shots) يظل عملاً مستقبلياً.

تخلص الورقة إلى أنه بينما الدائرة الكمومية نفسها صغيرة وثابتة، فإن دمجها في نقطة دمج مركزية هيكلياً ضمن مسار كلاسيكي عالي السعة يؤدي إلى مكاسب كبيرة في الأداء، مما يؤكد فرضية أن التداخل الكمومي والتشابك يمكن أن ينتجا وظائف بوابية متفوقة لدمج السمات.