Quantum kernel support vector machines for trabecular bone classification: comparing feature reduction strategies on synthetic micro-CT data
تُظهر هذه الدراسة أنه في حين تتسبب معظم استراتيجيات تقليل الأبعاد في جعل نماذج آلات المتجهات الداعمة ذات النواة الكمومية (quantum kernel SVMs) تؤدي بشكل أدنى من النماذج الكلاسيكية المرجعية في تصنيف العظم التربيقي، فإن طريقة UMAP هي الطريقة الوحيدة التي تسمح للنواة الكمومية بالبقاء منافسة، وإن كان التفوق الملحوظ غير ذي دلالة إحصائية ومن المرجح أنه مبالغ فيه بسبب الاعتماد على الطي (fold dependence)، إلى جانب النتائج التي تشير إلى أن النوى الكمومية من نوع ZZ تفشل في التقاط البنى المترية السلسة لمهام الانحدار.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي لبحث مسبق لم يخضع لمراجعة الأقران. وهو ليس نصيحة طبية. لا تتخذ أي قرارات تتعلق بصحتك بناءً على هذا المحتوى. اقرأ إخلاء المسؤولية الكامل
تخيل أنك تحاول فرز مكتبة ضخمة من الكتب إلى كومتين: "عظم صحي" و"عظم ضعيف". ولكن بدلاً من قراءة النص، أنت تنظر إلى الكتب عبر مجهر عالي التقنية يحول كل صفحة إلى نمط معقد من الدوامات الرمادية والبيضاء. هذا هو بالضبط ما يفعله العلماء مع العظم التربيقي (الهيكل الإسفنجي الذي يشبه قرص العسل داخل العظام) باستخدام فحوصات التصوير المقطعي المحوسب الدقيق (micro-CT).
أراد الباحثون معرفة ما إذا كان نوع جديد من الأدمغة الحاسوبية — حاسوب كمومي (Quantum Computer) — يمكنه القيام بمهمة الفرز هذه بشكل أفضل من الحاسوب التقليدي العادي. ومع ذلك، فإن "المكتبة" كبيرة جداً والأنماط فوضوية للغاية لدرجة لا يستطيع الحاسوب الكمومي التعامل معها مباشرة. إنه يشبه محاولة وضع محيط كامل في كوب شاي. ولحل هذه المشكلة، احتاجوا إلى تقليص حجم البيانات أولاً لتصبح بحجم يمكن التحكم فيه. تُسمى هذه العملية تقليل الأبعاد (Dimensionality Reduction).
"المُقلِّصات" الخمسة
اختبر الفريق خمس طرق مختلفة لضغط هذه البيانات الضخمة في "طرد" صغير مكون من 8 أبعاد يمكن للحاسوب الكمومي فهمه. فكر في هذه الطرق كطرق مختلفة لترتيب حقيبة السفر:
- تحليل المكونات الرئيسية (PCA): مثل طي ملابسك بانتظام لتناسب الحقيبة.
- الإسقاط العشوائي الغاوسي والإسقاط العشوائي المتناثر (RP Gaussian & RP Sparse): مثل رمي ملابسك في حقيبة وهزها لترى ما الذي سيتناسب منها.
- المربعات الصغرى الجزئية (PLS): مثل حزم العناصر التي تعرف فقط أنك ستحتاجها لرحلة معينة.
- التقريب والاسقاط الموحد للمتعددات (UMAP): مثل استخدام خريطة سحرية تعيد ترتيب ملابسك بحيث تظهر الأشياء الأكثر أهمية في المقدمة.
السباق: الكلاسيكي ضد الكمومي
بمجرد تعبئة البيانات، أرسلوها إلى متسابقين:
- المتسابق الكلاسيكي: حاسوب قياسي يستخدم خوارزمية "دالة الأساس الشعاعي" (Radial Basis Function) المثبتة.
- المتسلق الكمومي: حاسوب كمومي يستخدم "خريطة سمات ZZ" (وهي طريقة لترجمة البيانات إلى لغة الكم).
أجروا هذا السباق 25 مرة في سيناريوهات مختلفة (التحقق المتبادل) لمعرفة من الأسرع والأكثر دقة.
النتائج: حكاية اختبارين
الاختبار الأول (سباق "الطي"):
عندما أجروا الاختبارات باستخدام مجموعات البيانات نفسها مراراً وتكراراً (وهو أمر قد يخدع الحاسوب ويجعله يحفظ الإجابات)، كانت UMAP هي الطريقة الوحيدة التي استطاع فيها المتسابق الكمومي مواكبة المتسابق الكلاسيكي. في الواقع، بدا أن المتسابق الكمومي قد فاز بفارق ضئيل جداً.
الاختبار الثاني (السباق "المستقل"):
للتأكد، أجروا اختباراً أكثر صرامة باستخدام 10 مجموعات جديدة ومستقلة تماماً من البيانات. هذه المرة، اختفى السحر. لقد تراجع المتسابق الكمومي بالفعل خلف المتسابق الكلاسيكي. الفوز الضئيل الذي تحقق في الاختبار الأول تبين أنه مجرد ضربة حظ ناتجة عن طريقة تجميع البيانات.
الخاسرون:
بالنسبة للطرق الأربع الأخرى (PCA، والإسقاطات العشوائية، وPLS)، لم يكتفِ المتسابق الكمومي بالخسارة فحسب؛ بل تعثر بشدة. كان أسوأ بكثير من الحاسوب الكلاسيكي في التمييز بين العظم الصحي والضعيف.
تجربة الانحدار (Regression)
حاول الباحثون أيضاً استخدام الحاسوب الكمومي للتنبؤ بأرقام دقيقة (مثل "ما مدى سمك العظم؟") بدلاً من مجرد فرزها إلى فئات. هذا يشبه محاولة تخمين الوزن الدقيق لكتاب بدلاً من مجرد القول إنه "ثقيل" أو "خفيف".
- النتيجة: فشل الحاسوب الكمومي تماماً في هذا. لم يستطع التنبؤ بالأرقام على الإطلاق، وغالباً ما حصل على نتائج سالبة. يبدو أن الأداة الكمومية التي استخدموها جيدة في رسم الخطوط بين الفئات (التصنيف) ولكنها سيئة جداً في فهم القياسات المستمرة والسلسة (التنبؤ بالأرقام).
الخلاصة
الدرس الرئيسي بسيط: كيفية تحضير البيانات تهم أكثر من نوع الحاسوب الذي تستخدمه.
إذا استخدمت طريقة خاطئة لتقليص البيانات (مثل PCA أو التعبئة العشوائية)، فسيكون أداء الحاسوب الكمومي ضعيفاً. ومع ذلك، إذا استخدمت الطريقة الصحيحة (UMAP)، فيمكن للحاسوب الكمومي على الأقل أن ينافس الحاسوب الكلاسيكي، رغم أنه لا يتفوق عليه بالضرورة. خلصت الدراسة إلى أنه لكي تكون الحواسيب الكمومية مفيدة في هذا المجال، نحتاج إلى أن نكون حذرين للغاية بشأن كيفية "تعبئة" البيانات قبل إرسالها إلى الآلة الكمومية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.