Towards Fair Benchmarking of Quantum Transfer Learning for Visual Classification

ملخص تقني: نحو معايير قياس عادلة لتعلم النقل الكمي للتعلم البصري

بيان المشكلة
برز تعلم النقل الكمي (QTL) كاستراتيجية واعدة للتصنيف البصري في ظل القيود الكمية الحالية، حيث تمنع أعداد الكيوبتات المحدودة، وعمق الدوائر الضحل، والعمليات المليئة بالضجيج، التدريب الشامل من البداية إلى النهاية. في هذا النموذج، تقوم النماذج الكلاسيكية سابقة التدريب باستخراج الميزات عالية المستوى، بينما تعمل الدوائر الكمية المدمجة كرؤوس تصنيف قابلة للتدريب. ومع ذلك، يفتقر المجال إلى أساس موحد للمقارنة. إن دراسات تعلم النقل الكمي الحالية يصعب وضعها في معيار مقارنة واحد لأنها تختلف بشكل كبير في مجموعات البيانات، ومسارات المعالجة المسبقة، وبنيات النماذج الخلفية، وميزانيات الكيوبتات، وتصاميم الدوائر، والمعلمات الفائقة للتحسين، وبروتوكولات التقارير. وبالتالي، ليس من الواضح ما إذا كانت التحسينات في الأداء ناتجة عن استراتيجية النقل نفسها أم عن عوامل مربكة مثل النماذج الخلفية الكلاسيكية الأقوى، أو أعداد الكيوبتات الأكبر، أو الدوائر الأعمق. علاوة على ذلك، فإن الدقة وحدها لا تكفي لالتقاط المنفعة العملية للطريقة، حيث قد تختلف النماذج ذات الأداء التنبؤي المتشابه جذرياً في عدد المعلمات، وحجم الدائرة، ووقت التدريب.

المنهجية
لمعالجة هذه التناقضات، قدم المؤلفون منهجية قياس محكومة تقيم خمس عائلات ممثلة لتعلم النقل الكمي تحت مسار تعلم نقل موحد. يقوم هذا المعيار بتوحيد العناصر التالية:

• مجموعات البيانات: تُستخدم مجموعتان رئيسيتان: Fashion-MNIST (بيانات رمادية منظمة متعددة الفئات) وHymenoptera Ants vs. Bees (تصنيف ثنائي لصور طبيعية منخفضة البيانات). تم تضمين CIFAR-10 كمجموعة إضافية أكثر صعوبة للصور الطبيعية لبعض التكوينات لتوفير أدلة على مستوى التكوين.
• المسار (Pipeline): تستخدم جميع الطرق نموذج ResNet18 سابق التدريب ومجمد لاستخراج الميزات. يتم إسقاط الميزات المستخرجة ذات الأبعاد 512 أو تقليلها إلى متجه متوافق كمياً، وتشفيرها في دائرة كمية ذات معاملات (PQC)، ومعالجتها قبل أن يقوم طبقة قراءة كلاسيكية بتوليد التنبؤ النهائي.
• المتغيرات المحكومة: يثبت المعيار النموذج الخلفي، والمعالجة المسبقة للمدخلات (تغيير الحجم إلى 224x224، وتطبيع ImageNet)، وظروف التدريب (محسن Adam، معدلات تعلم محددة، أحجام الدفعات، وحدود الحقبات الزمنية).
• الطرق التي تم تقييمها: تقارن الدراسة بين:
  1. DQN-QTL: خط أساس يستخدم رأساً كمياً "مكسواً" (dressed) مع تشفير زاوية RY.
  2. QPIE-QTL: طريقة تستخدم التشفير متعدد المحاور (RX, RY, RZ) لكل كيوبت.
  3. AE-CQTL: نهج تشفير السعة الذي يربط متجه الميزات ذو الـ 512 بُعداً مباشرة بسعات حالة مكونة من 9 كيوبتات.
  4. PVCQTL: نهج ما بعد التباين باستخدام قياسات رصد مهيكلة (ملاحظات Pauli) بدلاً من القراءات القياسية للكيوبت الواحد.
  5. ED-QTL: طريقة تجميع التقطير حيث يتم توجيه طالب كمي بواسطة أهداف ناعمة من مجموعة من النماذج الكلاسيكية المعلمة.
• المقاييس: يتجاوز التقييم الدقة ليشمل الدقة (Precision)، والاستدعاء (Recall)، ومقياس F1، ومنحنى خصائص تشغيل المستقبِل (ROC-AUC). ومن الأهمية بمكان أن المعيار يبلغ عن مقاييس الكفاءة: إجمالي المعلمات القابلة للتدريب، والمعلمات الكمية، وعرض الدائرة (عدد الكيوبتات)، وعمق الدائرة، وإجمالي وقت التدريب.

المساهمات الرئيسية

1. بروتوكول معيار موحد: يضع البحث إطاراً محكماً يعزل مساهمة رأس تعلم النقل الكمي عن طريق تجميد النموذج الخلفي الكلاسيكي وتوحيد المعالجة المسبقة وظروف التدريب عبر مختلف الطرق.
2. مقارنة شاملة: يوفر أول تقييم جنباً إلى جنب لخمس عائلات متميزة من تعلم النقل الكمي (المكسوة، متعددة المحاور، مشفرة السعة، ما بعد التباين، والقائمة على التقطير) تحت قيود موارد متطابقة.
3. تحليل متعدد الأبعاد: تتجاوز الدراسة الدقة لتحلل المقايضات بين الأداء التنبؤي، والتكلفة الحسابية (وقت التدريب)، والتعقيد الهيكلي (عدد الكيوبتات وعمق الدائرة).
4. الحساسية الهيكلية: يفحص المؤلفون بشكل منهجي كيفية تأثير زيادة عدد الكيوبتات (4 مقابل 6) وعمق الدائرة على الأداء، مما يكشف أن الدوائر الأكبر أو الأعمق لا تؤدي دائماً إلى تحسين النتائج.

النتائج
يكشف المعيار أنه لا توجد عائلة واحدة من تعلم النقل الكمي تهيمن على جميع الإعدادات؛ فالأداء يعتمد بشدة على مجموعة البيانات، واستراتيجية التشفير، والتكلفة الحسابية.

• الاعتماد على مجموعة البيانات: في Fashion-MNIST، حققت متغيرات QPIE-QTL وPVCQTL أعلى دقة (حوالي 88.28% و88.24% على التوالي). في المقمقابل، في مجموعة بيانات Hymenoptera Ants vs. Bees، تفوقت طريقة AE-CQTL على جميع الطرق الأخرى، حيث وصلت دقتها إلى 94.99%. وأظهرت ED-QTL تنافسية تعتمد على مجموعة البيانات، حيث كان أداؤها أفضل في Fashion-MNIST مقارنة بـ Hymenoptera.
• آثار التوسع: أدت زيادة عدد الكيوبتات من 4 إلى 6 إلى تحسين الأداء لـ DQN-QTL وQPIE-QTL في Fashion-MNIST، لكنها لم تحقق مكاسب أو أدت إلى انخفاض طفيف في Hymenoptera. وبالمثل، أدى زيادة عمق الدائرة إلى تحسين AE-CQTL بشكل كبير في Fashion-MNIST (من 65.30% إلى 74.98%)، لكنها أعطت عوائد متناقصة في Hymenoptera، حيث وفرت الميزات سابقة التدريب فصلاً قوياً للفئات.
• مقايضات الأداء والتكلفة: تسلط الدراسة الضوء على أن الدقة العالية لا تعني بالضرورة الكفاءة. على سبيل المثال، حققت متغيرات PVCQTL دقة تنافسية في Fashion-MNIST ولكنها تحملت أعلى أوقات تدريب. وعلى العكس من ذلك، قدمت ED-QTL دقة متوسطة مع تكاليف تدريب أقل بكثير. وأظهرت AE-CQTL مقايضة مواتية في Hymenoptera، حيث حققت أعلى دقة مع أوقات تدريب فعالة نسبياً مقارنة بالطرق الأخرى عالية الأداء.

الأهمية والادعاءات
يزعم البحث أن أهميته الرئيسية تكمن في نقل تقييم تعلم النقل الكمي من تقارير الدقة المنعزلة إلى تحليل متعدد الأبعاد وواعٍ بالموارد. ويجادل المؤلفون بأنه بالنسبة للأجهزة الكمية الحالية، فإن فائدة طريقة تعلم النقل الكمي تُحدد ليس فقط بقوتها التنبؤية ولكن أيضاً بكفاءتها وقابليتها للتوسع تحت قيود الموارد الصارمة.

تشير النتائج إلى أن اختيار تكوين تعلم النقل الكمي يتطلب مطابقة الطريقة مع قيود الهدف وخصائص مجموعة البيانات المحددة. على سبيل المثال، قد تكون طرق تشفير السعة (AE-CQTL) مفضلة عندما يكون توسع العمق ممكناً وعندما تستفيد مجموعة البيانات من التشفير عالي الأبعاد، بينما تظل نماذج الأساس الزاوية (DQN-QTL) خيارات مدمجة قوية لميزانيات الكيوبتات المحدودة. ويخلص المؤلفون إلى أن أبحاث تعلم النقل الكمي المستقبلية يجب أن تعطي الأولوية للمقارنات المحكومة التي تبلغ بشكل مشترك عن الأداء، وحجم الدائرة، وعدد المعلمات، ووقت التدريب لتوفير توجيهات عملية لاختيار النماذج الهجينة الكمية-الكلاسيكية.