Sleep-Disordered Breathing Detection with Quantum Recurrent Neural Networks
تقترح هذه الورقة البحثية وتقيم بنية متغيرة كلاسيكية-كمومية للكشف عن اضطرابات التنفس أثناء النوم، مبرهنةً على أن الشبكات العصبية المتكررة الكمومية يمكنها تحقيق أداء تنافسي بمعاملات أقل بكثير من النماذج الكلاسيكية، لا سيما في ظل ندرة البيانات، رغم القيود الحالية على الأجهزة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلف ولم يصادق عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
يُعد النوم حالة من الراحة يعتبرها معظم الناس أمراً مفروغاً منه، ومع ذلك، بالنسبة للملايين، يتقطع هذا النوم بصراع صامت: حيث يتوقف التنفس أو يصبح ضحلاً بشكل خطير. هذه الحالة، المعروفة باسم اضطراب التنفس أثناء النوم، تشمل نوبات يتوقف فيها تدفق الهواء تماماً أو ينخفض بشكل كبير، مما يؤدي غالباً إلى انخفاض مستويات الأكسجين في الدم. إن اكتشاف هذه النوبات أمر حيوي لتشخيص المخاطر الصحية الجسيمة، لكن الطريقة الحالية هي عملية شاقة؛ إذ يتعين على الأطباء مراجعة ساعات من التسجيلات يدوياً من أجهزة استشعار مثبتة على جسم المريض، بحثاً عن أنماط محددة في تدفق الهواء وتشبع الأكسجين في الدم. هذه المهمة تستغرق وقتاً طويلاً وعرضة للخطأ البشري، مما دفع الباحثين للبحث عن مساعدة من الحواسيب. لسنوات، تم تدريب الذكاء الاصطناعي القياسي على رصد هذه الأنماط، ولكن هناك أفقاً جديداً في الحوسبة يتم اختباره الآن لمعرفة ما إذا كان بإمكانه القيام بهذه المهمة بشكل أفضل، أو على الأقل بوزن رقمي أقل بكثير.
هذا الأفق الجديد هو الحوسبة الكمومية، وهو مجال يستخدم القواعد الغريبة لعالم الجسيمات دون الذرية لمعالجة المعلومات. وخلافاً للمفاتيح في الحاسوب القياسي التي تكون إما في حالة التشغيل أو الإيقاف، يمكن للوحدات الأساسية للحاسوب الكمومي، والتي تسمى "الكيوبتات"، أن توجد في حالة من الوجود كلاهما (تشغيل وإيقاف) في آن واحد. وهذا يسمح لها باستكشاف احتمالات عديدة في وقت واحد. لطالما تساءل العلماء عما إذا كانت هذه الآلات يمكنها التعلم من البيانات بكفاءة أكبر من نظيراتها الكلاسيكية، خاصة عند التعامل مع تسلسلات معقدة مثل نبضات القلب أو نمط التنفس. وقد وضع فريق من الباحثين في إسبانيا حداً لهذا التساؤل عبر بناء نوع محدد من الذكاء الاصطناعي يسمى الشبكة العصبية المتكررة الكمومية. لقد صمموا هذا النظام ليعمل مثل الذاكرة، حيث يعالج تسلسل بيانات التنفس لحظة بلحظة، مع الاحتفاظ بسجل لما سبق لفهم القصة الكاملة للمريض.
قام الباحثون بأخذ تسجيلات طبية حقيقية من قاعدة بيانات عامة كبيرة لدراسات النوم وقسموها إلى قطع صغيرة يمكن إدارتها. كما أنشأوا ثلاث مجموعات مختلفة من البيانات لاختبار نظامهم تحت ظروف متباينة. المجموعة الأولى كانت صغيرة، تحتوي على 300 نموذج فقط لأنماط التنفس، باستخدام إشارة تدفق الهواء فقط. والمجموعة الثانية كانت متوسطة الحجم وتضم 600 نموذج، حيث أضافت إشارة ثانية تقيس مستويات الأكسجين. أما المجموعة الثالثة فكانت الأكبر والأكثر صعوبة، حيث ضمت 1,200 نموذج تتضمن التنفس الطبيعي ونوعاً أكثر دقة من مشاكل التنفس يسمى "نقص التهوية" (hypopnea)، وهو أصعب في التمييز عن النوم الطبيعي. ولكل سيناريو من هذه السيناريوهات، قاموا بتدريب نموذجهم الكمومي الجديد وقارنوه جنباً إلى جنب مع نموذج حاسوبي تقليدي يستخدم نفس البنية الأساسية ولكنه يعمل على أجهزة قياسية.
كشفت النتائج عن قصة تعتمد بشدة على كمية البيانات المتاحة. فعندما أعطى الباحثون النماذج كمية صغيرة فقط من المعلومات للتعلم منها، تألق النسخة الكمومية؛ حيث حددت مشاكل التنفس بشكل صحيح في 83 بالمئة من حالات الاختبار، متفوقة بشكل كبير على النموذج التقليدي الذي لم يصل إلا إلى 69 بالمئة. يشير هذا إلى أن النهج الكمومي بارع بشكل استثنائي في إيجاد الأنماط عندما لا يستطيع الاعتماد على كميات هائلة من بيانات التدريب. ومع ذلك، مع زيادة كمية البيانات، تغيرت الكفة؛ ففي مجموعة البيانات متوسطة الحجم، أدى كلا النموذجين أداءً متشابهاً، مع إظهار النموذج التقليدي دقة أفضل قليلاً في تحديد أحداث معينة. وعندما انتقل الباحثون إلى مجموعة البيانات الأكبر والأكثر تعقيداً، والتي تضمنت حالات "نقص التهوية" الصعبة، تفوق النموذج التقليدي محققاً دقة أعلى في جميع المجالات.
إن ما يجعل هذه النتائج مثيرة للاهتمام ليس فقط الدرجات المحققة، بل تكلفة تحقيقها. فقد تطلب النموذج الحاسوبي التقليدي آلاف الإعدادات القابلة للتعديل، والمعروفة باسم "المعلمات" (parameters)، لتعلم الأنماط. وفي المقابل، حقق النموذج الكمومي نتائجه باستخدام أقل من مئة معلمة فقط. ولتوضيح ذلك، كان النموذج الكمومي يقوم بعمل دماغ رقمي ضخم باستخدام جزء ضئيل جداً من الآليات الداخلية. هذا الكفاءة القصوى تشير إلى أن الأنظمة الكمومية قد تكون قادرة على تعلم مهام معقدة دون الحاجة إلى ذاكرة ضخمة وقوة معالجة كما تتطلب الحواسيب القياسية. ومع ذلك، جاءت هذه الكفاءة مع مقايضة؛ فقد استغرق النموذج الكمومي وقتاً أطول بكثير للتعلم، حيث تطلب مئات دورات التدريب للاستقرار على حل، بينما وجد النموذج التقليدي إجابته غالباً في بضع عشرات من الدورات فقط. كما أظهر النظام الكمومي تبايناً أكبر في أدائه من تشغيل إلى آخر، مما يشير إلى أنه لا يزال أقل استقراراً من التكنولوجيا الناضجة التي يحاول تحديها.
أُجريت الدراسة باستخدام محاكاة عالية الدقة لحاسوب كمومي، لأن الآلات الفيزيائية الفعلية المتاحة اليوم لا تزال صغيرة جداً ومليئة بالضجيج بحيث لا يمكنها تشغيل مثل هذه المهام المعقدة بموثوقية. ويقر الباحثون أنه على الرغم من أن نموذجهم الكمومي أظهر وعداً كبيراً، خاصة في حالات نقص البيانات، إلا أنه ليس منتجاً نهائياً جاهزاً للاستخدام في المستشفيات. ويتضمن المسار المستقبلي تحسين هذه النماذج للتعامل مع الضجيج في الأجهزة الكمومية الحقيقية واستكشاف ما إذا كان يمكن تطبيقها على أنواع أخرى من البيانات الطبية. ويشير العمل إلى أنه مع نضوج التكنولوجيا الكمومية، قد توفر بديلاً قوياً وخفيف الوزن لتحليل الإيقاعات المعقدة لجسم الإنسان، مما قد يجعل تشخيص اضطرابات النوم أسرع وأكثر سهولة للجميع.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.