Saliency-Aware Hybrid Quantum Image Representation (SAHQR) — сүрөттөгү бардык аймактарды бирдей тактыкта кванттык абалга коддоонун ордуна, классикалык gradient-негизиндеги saliency талдоосу аркылуу түзүмдүк жактан өзгөчөлөнгөн аймактарды аныктап, кванттык коддоонун тактыгын ошол аймактык маанилүүлүк маалыматына жараша өзгөрткөн гибрид кванттык сүрөттү көрсөтүү ыкмасы. Изилдөөдө salient аймактар 8-bit толук тактыкта, non-salient аймактар 4-bit кысылган тактыкта көрсөтүлөт; мындан тышкары, аймак salient экенин же эместигин белгилөө үчүн бир saliency кубити колдонулат. Ыкма учурдагы он кванттык сүрөттү көрсөтүү ыкмасы менен салыштырылып, 6097 MINC медициналык сүрөтү, 2000 Synthetic Aperture Radar (SAR) tile-ы жана 2298 Brain Tumor MRI сүрөтү, жалпысы 10.395 сүрөт боюнча бааланган.
MINC эксперименттеринде бардык сүрөттөр 16×16 пикселге жана 8-bit боз деңгээлге айландырылган. Бул чечилиште SAHQR 17 кубит колдонот: сегиз position qubit, сегиз color qubit жана бир saliency flag qubit. Булакта MINC сүрөттөрүнүн орточо salient-пиксел катышы %29,85 деп берилет. Ошондуктан сүрөттүн болжол менен %30 бөлүгү толук 8-bit тактыкта, болжол менен %70 бөлүгү 4-bit кысылган коддоо менен көрсөтүлөт. Авторлордун теориялык gate-count модели бул түзүлүш үчүн болжол менен 1329,6 gate эсептейт; Qiskit decomposition жана optimization кийин билдирилген эксперименттик орточо көрсөткүч 346,12 gate, орточо circuit depth 339,12 жана орточо circuit-construction/encoding убактысы 33,15 ms.
Бирок SAHQR булактагы бардык көрсөткүчтөр боюнча эң жакшы ыкма эмес. Мисалы, 2D-QSNA жана QPIE болгону сегиз кубит колдонот; 2D-QSNAнын орточо encoding time мааниси 0,82 ms, ал эми булак таблицасындагы compression мааниси 256. SAHQRнин өзгөчө салымы минималдуу кубит, минималдуу depth же минималдуу gate санын алуу эмес; сүрөттүн мазмунуна жараша коддоо тактыгын өзгөртө алган ресурстарды бөлүштүрүү механизмин кошуу. Булак да изилдөөнү универсалдуу оптималдуу сүрөт көрсөтүү ыкмасы катары эмес, saliency-aware quantum encoding үчүн proof of concept катары түшүндүрүү керектигин ачык белгилейт.
Изилдөөдөгү кванттык схемалар чыныгы кванттык процессордо иштетилген эмес. Негизги эсептөөлөр Qiskit 0.45.0 statevector simulator менен Google Colab платформасында аткарылган, depolarizing noise, amplitude damping жана readout error талдоолору Qiskit Aer noise model симуляциялары менен жүргүзүлгөн. Чыныгы IBM Quantum, IonQ же Rigetti түзмөктөрүндө текшерүү изилдөөнүн алкагына кирбейт жана авторлор муну келечектеги иш катары көрсөтүшөт. Ошондуктан алынган натыйжаларды чыныгы quantum-hardware артыкчылыгы же клиникалык колдонууга далил катары чечмелөөгө болбойт.
Медициналык колдонуу жагынан дагы бир маанилүү чектөө — колдонулган saliency механизми дарыгер же сегментация модели аныктаган клиникалык маанилүүлүк картасы эмес. Saliency Sobel gradient чоңдугуна негизделет жана негизинен четтерди, чек араларды жана локалдык контрастты кармайт. Демек, булактагы “salient” белгиси “диагностикалык жактан сөзсүз маанилүү шишик аймагы” дегенге барабар эмес. Авторлор да клиникалык маанилүүлүк үчүн эксперттик аннотациялар же segmentation mask-тар менен өзүнчө текшерүү зарыл экенин белгилешет.
Изилдөөнүн негизги көйгөйү
Кванттык сүрөт иштетүүдө биринчи маселе — сүрөттүн өзүн кванттык абалда кантип көрсөтүү. Классикалык компьютерде пикселдин маанисин жана ордун түздөн-түз бит катарлары менен сактоого болот. Кванттык компьютерде болсо сүрөттүн орду, интенсивдүүлүгү, түсү же башка өзгөчөлүктөрү кубиттердин computational basis абалдарына, probability amplitude-дарына же rotation angle-дарына коддолушу мүмкүн.
Учурдагы ыкмалардын көбү сүрөт мазмунун карабастан бардык пикселдерди бирдей иштетет. Булак изилдөөнүн суроосу мындай: сүрөттүн түзүмдүк жактан маанилүү аймактарын алдын ала аныктап, кванттык ресурстардын көбүрөөк бөлүгүн ошол аймактарга бөлүп берүү мүмкүнбү?
SAHQRнин жообу — гибрид түзүлүш. Saliency detection классикалык компьютерде жасалат; алынган saliency mask андан кийин кванттык сүрөт коддоодо кайсы пиксел толук же кыскартылган тактыкта көрсөтүлөрүн башкарат.
Кванттык Сүрөттү Көрсөтүү Деген Эмне?
Кванттык сүрөттү көрсөтүү — классикалык санарип сүрөттөгү орун, интенсивдүүлүк же түс маалыматын белгилүү бир кванттык абалдын basis абалдарына, амплитудаларына же айлануу бурчтарына коддоочу чагылдыруу; максат болгону аз кубит колдонуу эмес, сүрөттү кийинки кванттык операцияларда колдонууга даярдоодо state-preparation, circuit depth, gate count, retrieval жана fidelity чыгымдарын да көзөмөлдөө.
Кубит деген эмне?
Булак бир кубиттин таза абалын
түрүндө берет.
Бул жерде \(\alpha\) жана \(\beta\) — комплекстүү ыктымалдык амплитудалары жана
нормалдаштыруу шартын аткарат. Өлчөө жүргүзүлгөндө \(|0\rangle\) натыйжасынын ыктымалдыгы \(|\alpha|^2\), \(|1\rangle\) натыйжасынын ыктымалдыгы болсо \(|\beta|^2\).
Түшүндүрүүчү чектөө: \(n\) кубиттин абал мейкиндигинин өлчөмү \(2^n\) болушу бир эле өлчөөнүн ичинде \(2^n\) классикалык маанинин баарын окууга болот дегенди билдирбейт. Кванттык сүрөттү көрсөтүүнүн чыныгы чыгымын баалоодо state preparation жана measurement/retrieval чыгымдары да маанилүү.
FRQI: Пиксел интенсивдүүлүгүн бурчка коддоо
Flexible Representation of Quantum Images (FRQI), \(2^n\times2^n\) боз деңгээлдеги сүрөттү
түрүндө көрсөтөт.
\(g_i\) — 0–255 аралыгындагы боз деңгээл. Пикселдин орду \(2n\) position qubit менен, интенсивдүүлүгү болсо бир color qubitтин rotation angle-ы менен көрсөтүлөт.
Булак FRQI үчүн \(2n+1\) кубит, \(O(2^{2n})\) башкарылуучу rotation gate жана эң начар учурда \(O(2^{2n})\) circuit depth берет.
NEQR: Пиксел интенсивдүүлүгүн computational basisке коддоо
\(|C_{yx}\rangle\) пикселдин \(q\)-bit боз деңгээл маанисин computational basis үстүндө алып жүрөт. NEQRнин FRQIден маанилүү айырмасы — интенсивдүүлүктү rotation angle ордуна ачык бит катарында көрсөтүшү.
Булак NEQR үчүн \(2n+q\) кубит жана болжол менен \(O(q\,2^{2n})\) gate/depth татаалдыгын берет.
GQIR: Каалаган сүрөт өлчөмдөрү
Generalized Quantum Image Representation (GQIR) экинин даражасы болгон квадрат сүрөттөр менен гана чектелбестен, жалпы \(M\times N\) өлчөмдөрүн колдоону көздөйт.
MCQI: RGB каналдарын өзүнчө көрсөтүү
Multi-Channel Quantum Image (MCQI) кызыл, жашыл жана көк каналдарды өзүнчө кванттык register-лерде алып жүрөт. Мунун натыйжасы — ресурстарды пайдалануунун көбөйүшү.
QRMW: Көп толкун узундуктуу сүрөттөр
\(K\) spectral-band санын көрсөтөт. QRMW multi-spectral/hyperspectral маалымат үчүн кошумча band-selection register колдонот.
EFRQI: Амплитуда менен фазаны чогуу колдонуу
Enhanced FRQI сүрөт маалыматын \(\theta_i\) жана \(\phi_i\) параметрлерине бирдей жайгаштырган кеңейтилген бурч/фаза коддоосун колдонот.
2D-QSNA: Amplitude encoding
Бул жерде классикалык пиксел маанилери нормалдаштырылып, түздөн-түз quantum-state amplitude-дарына жайгаштырылат. Булак 256 пиксел үчүн сегиз кубиттик көрсөтүүнү берет; бирок amplitude encodingде state preparation чыгымы теориялык формулаларда абстракцияланышы мүмкүн болгондуктан, ыкмалардын gate-count салыштыруусун этият чечмелөө керек. Макала да бул чектөөнү өзүнүн cost-model бөлүмүндө белгилейт.
INEQR
Булак INEQRди NEQR үй-бүлөсүндөгү түс-канал коддоосунун жакшыртылган түрү катары карайт.
QPIE: Ыктымалдык-амплитуда көрсөтүүсү
бул жерде \(p_i\) — пиксел интенсивдүүлүктөрүнөн нормалдаштырылган ыктымалдык мааниси.
QLR: Log-polar координаттар
Quantum Log-Polar Representation (QLR) сүрөттү Декарттык орун ордуна log-polar координаттарда көрсөтүп, rotation-invariant операциялар үчүн ылайыктуу түзүлүш берүүнү көздөйт.
| Ыкма | Кубит | Gate татаалдыгы | Depth |
|---|---|---|---|
| FRQI | \(2n+1\) | \(O(2^{2n})\) | \(O(2^{2n})\) |
| NEQR | \(2n+q\) | \(O(q2^{2n})\) | \(O(q2^{2n})\) |
| GQIR | \(2n+q\) | \(O(MN)\) | \(O(MN)\) |
| MCQI | \(2n+3q\) | \(O(3q2^{2n})\) | \(O(3\cdot2^{2n})\) |
| QRMW | \(2n+\log K+q\) | \(O(Kq2^{2n})\) | \(O(K2^{2n})\) |
| EFRQI | \(2n+1\) | \(O(2^{2n})\) | \(O(2^{2n})\) |
| 2D-QSNA | \(\log N\) | \(O(N)\) | \(O(\log N)\) |
| INEQR | \(2n+3q\) | \(O(3q2^{2n})\) | \(O(2^{2n})\) |
| QPIE | \(\log N\) | \(O(N)\) | \(O(N)\) |
| QLR | \(2n+q\) | \(O(q2^{2n})\) | \(O(2^{2n})\) |
Жалпы кванттык сүрөт чагылдыруусу
Изилдөө жалпы \(2^n\)-өлчөмдүү таза кванттык абалды
деп аныктап, quantum image representation-ды классикалык сүрөт \(I\)-ни кванттык абалга \(|I\rangle\) айландырган
чагылдыруу катары берет.
Көп максаттуу оптималдаштыруу маселеси
Формула эмнени эсептейт? Quantum image representation тандоосун бир эле метрика боюнча эмес, кубит, circuit depth, gate count жана encoding time ортосундагы салмакталган чыгым тең салмактуулугу аркылуу кароого мүмкүндүк берет.
\(Q\): керектүү кубит саны. \(D\): circuit depth. \(G\): gate count. \(T\): encoding time. \(\lambda_1,\ldots,\lambda_4\) болсо бул чыгымдардын салыштырмалуу маанилүүлүгүн аныктаган салмактар.
Булак чеги: Макаладагы эксперименттерде бул \(\lambda_i\) салмактары үчүн конкреттүү оптималдаштырылган сандык маанилер берилбейт. Теңдеме көбүнчө формалдуу маселе аныктамасы болуп саналат.
Fidelity чектөөсү
\(g_{yx}\) баштапкы пиксел мааниси, \(\widetilde g_{yx}\) кайра алынган пиксел мааниси жана \(\tau\) кабыл алынуучу минималдуу fidelity чеги. Бул fidelity аныктамасы quantum-state fidelity менен толук бирдей түшүнүк эмес; булак бул жерде пикселди кайра калыбына келтирүү тактыгына негизделген сүрөт-fidelity көрсөткүчүн колдонот.
Saliency-салмакталган fidelity
Бул теңдеме сүрөттүн ар бир пикселине бирдей салмак бербестен, saliency мааниси жогору пикселдердеги катаны маанилүүрөөк кылат. Башкача айтканда, SAHQRнин математикалык максаты “бардык жерде бирдей сапат” эмес, маанилүү деп эсептелген аймактарда сапатты күчтүүрөөк сактоо.
Кванттык схема
Circuit depth — кирүүдөн чыгууга чейинки эң узун gate-layer жолу; gate count болсо схемадагы elementary operation саны.
Булактын compression-ratio аныктамасы
Бул аныктама классикалык сүрөттүн \(M\times N\times q\) биттик номиналдык көлөмүн кванттык көрсөтүүдөгү \(n\) кубит санына бөлөт.
Маанилүү түшүндүрүү чеги: Бул катыш quantum computerдын физикалык эс тутуму классикалык RAMдан ошол эле катышта кичине деген түз аппараттык өлчөө эмес. Кванттык абалды даярдоо, башкаруу жана классикалык түрдө окуу да өзүнчө чыгым талап кылат. Теңдеме — изилдөөнүн өз representation-resource метрикасы.
Булак ичиндеги сан көйгөйү: Теңдеме (18) жана Таблица 5 бул аныктаманы бергени менен, жыйынтык Таблица 7деги “Compress.” сандары бул формула менен түз дал келбейт. Мындан тышкары SAHQR үчүн Таблица 7де 3,18, классикалык кысуу Таблица 10до 9:1 деп берилет. Булак бул ар башка маанилер бирдей же ар башка compression аныктамаларынан келип чыкканын жетиштүү түшүндүрбөйт. Ошондуктан бул маанилерди бири-бирине айландырбоо керек.
Scalability factor
Бул макалага таандык жөнөкөй ресурс метрикасы: азыраак кубит колдонгон representation жогору scalability score алат. Бул универсалдуу кванттык масштабдуулук көрсөткүчү эмес; topology, gate fidelity, connectivity, state-preparation cost жана error correction сыяктуу башка аппараттык таасирлерди камтыбайт.
SAHQR Деген Эмне жана Кванттык Ресурстарды Кантип Бөлүштүрөт?
SAHQR — Sobel gradient-теринен алынган saliency картасы аркылуу сүрөттү salient жана non-salient аймактарга бөлгөн; salient пикселдерди 8-bit толук тактыкта, non-salient пикселдерди 4-bit кысылган коддоо менен көрсөткөн жана бул эки коддоо жолун бир saliency flag qubit аркылуу кванттык схемада шарттаган мазмун-сезгич гибрид кванттык сүрөт көрсөтүүсү.
Salient жана non-salient аймактарды математикалык ажыратуу
\(\Omega_S\) salient пикселдер топтомун, \(\Omega_N\) non-salient пикселдер топтомун жана \(\theta_s\) saliency thresholdду билдирет.
SAHQR кванттык абалы
Акыркы кубит — saliency flag. \(|1\rangle\) salient аймакты, \(|0\rangle\) non-salient аймакты билдирет. Ошентип, бир quantum state ичинде эки башка precision regime болот.
Saliency кантип эсептелет?
\(S(y,x)\) — 0 менен 1дин арасында нормалдаштырылган saliency мааниси.
Горизонталдык Sobel оператору:
Вертикалдык Sobel оператору:
\(*\) сүрөт менен kernel ортосундагы convolution операциясын билдирет. Sobel gradient чоң болгондо ошол жерде интенсивдүүлүк тез өзгөрөт; бул көбүнчө чет же чек араны билдирет.
Клиникалык чектөө: Gradient чоңдугу патологдун, радиологдун же эксперттик сегментациянын ордун баспайт. Чек аранын визуалдык жактан даана болушу анын сөзсүз диагностикалык жактан эң маанилүү аймак экенин билдирбейт.
Адаптивдүү threshold
\(\mu_S\) — saliency маанилеринин орточосу; \(\sigma_S\) — стандарттык четтөө. Булак default катары \(\alpha=0\) берет.
Булак ичиндеги тактык маселеси: Dataset-statistics бөлүмүндө мындан тышкары “saliency threshold \(\theta_s=0.5\) (adaptive)” деген сөз бар. Method бөлүмүндөгү Теңдеме (26) болсо default \(\alpha=0\) үчүн thresholdду сүрөттүн mean saliency маанисине байланыштырат. Булак бул эки threshold билдирүүсү бардык сүрөттөрдө кантип айкалышканын кеңири түшүндүрбөйт.
Salient аймактын 8-bit коддолушу
Бул бөлүктө \(q=8\) болгондуктан 0–255 аралыгындагы боз деңгээл сегиз бит менен көрсөтүлөт.
Non-salient аймактын 4-bit коддолушу
Булак алгоритми кысылган маанини
деп эсептейт. Бул операция 0–255 аралыгын 0–15 аралыгындагы 16 деңгээлге түшүрөт. Демек, non-salient пикселдерде төрт биттик quantization колдонулат.
Шарттуу кванттык коддоо
\(U_{\mathrm{full}}\) толук тактыктагы; \(U_{\mathrm{comp}}\) кысылган position-controlled encoding unitary.
17 кубит кантип алынат?
16×16 сүрөт үчүн ар бир окту көрсөтүүгө \(n=4\) бит керек. \(x\) жана \(y\) орундарында жалпы сегиз position qubit колдонулат. Сегиз color qubit жана бир saliency qubit кошулганда жалпы 17 кубит чыгат.
Теориялык gate-count модели
\(r\) — salient-пиксел катышы:
Булак экспериментинде
Ошентип:
1329,6нын бөлчөк болушу физикалык схемада “0,6 gate” бар дегенди билдирбейт; орточо salient катышынан эсептелген күтүлгөн gate-count баасы болгондуктан натыйжа бөлчөк чыгат.
Теориялык gate саны 1329,6 болсо, эмне үчүн өлчөнгөн орточо 346,12?
Булак теориялык эсепти pre-decomposition деңгээлинде берет. Андан кийин бардык ыкмалар Qiskit менен \(\{u3,cx\}\) basis gate setине transpile болуп, optimization level 3 колдонулат. Gate cancellation, merging жана redundant controlled-operation алып салуу иштери натыйжаны өзгөртөт.
| Баскыч | Gate саны |
|---|---|
| Чийки / pre-decomposition теориялык маани | 1329,6 |
| Decomposition кийин | 1872 |
| Optimization кийин орточо | 346,12 |
Decomposition кийин gate санынын адегенде көбөйүшү нормалдуу; чоң/көп башкарылуучу logical operation-дар кичине basis gate-терге бөлүнөт. Андан соң transpiler бул gate-тердин олуттуу бөлүгүн бириктирет же жокко чыгарат.
Circuit depth масштабдалышы
MINC маалымат топтомунда булак орточо circuit depthти 339,12 деп берет. Жеке схемалардын depthи бүтүн сан болгону менен, 6097 сүрөт боюнча орточо бөлчөк болушу мүмкүн.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Маалымат топтомдору
| Маалымат тармагы | Сүрөт саны | Булак форматы / өзгөчөлүгү | Кванттык баалоо чечилиши |
|---|---|---|---|
| MINC Medical | 6097 | 13 папкадагы медициналык MINC сүрөттөрү | 16×16, 8-bit боз деңгээл |
| ICEYE SAR | 2000 | 256×256 tile-дарга бөлүнгөн 16-bit SAR amplitude маалыматы | 16×16, 8-bit боз деңгээл |
| Brain Tumor MRI | 2298 | T1-weighted contrast-enhanced; glioma, meningioma, pituitary | 512×512ден 16×16га |
Үч маалымат тармагындагы жалпы сүрөт саны:
MINC алдын ала иштетүү
- MINC файлдары nibabel менен жүктөлөт.
- Көлөмдүү сүрөттөрдөн 2B slice алынат.
- Intensity маанилери 0–255 аралыгына нормалдаштырылат.
- Сүрөттөр 16×16 пикселге кайра өлчөмдөлөт.
- Маалымат unsigned 8-bit integer форматына айландырылат.
MINC маалымат топтому үчүн булак орточо intensity \(\mu=127.3\), стандарттык четтөө \(\sigma=58.7\), intensity range 0–255 жана жалпы иштетилген пиксел санын 1.560.832 деп берет.
Saliency бөлүштүрүлүшү
MINC боюнча орточо salient катышы:
Salient-ratio стандарттык четтөөсү булакта:
деп берилет. Бул төмөн таралуу ошол 6097 preprocessed MINC сүрөтүндө gradient-негизиндеги saliency mask өлчөмү кыйла окшош экенин көрсөтөт.
Эсептөө чөйрөсү
| Компонент | Маани |
|---|---|
| Platform | Google Colab, Ubuntu 22.04 |
| GPU | NVIDIA Tesla T4 |
| Программалоо тили | Python 3.10 |
| Кванттык framework | Qiskit 0.45.0 |
| Image processing | NumPy 1.26.4, SciPy 1.11.4, nibabel 5.2.0 |
| Визуалдаштыруу | Matplotlib 3.8.2 |
| Негизги quantum backend | Statevector simulator |
Эксперименттердин жалпы саны
6097 MINC сүрөтүн 11 ыкма менен баалоо:
encoding operation түзөт. Натыйжалар ар 500 сүрөт сайын checkpoint кылынган.
Он баалоо көрсөткүчү
| ID | Көрсөткүч | Булактагы эсептөө формасы |
|---|---|---|
| P1 | Керектүү кубит | circuit.num_qubits |
| P2 | Circuit depth | circuit.depth() |
| P3 | Gate count | len(circuit.data) |
| P4 | Encoding time | Wall-clock time, ms |
| P5 | Scalability factor | \(100/n\) |
| P6 | Information loss | \(1-\mathrm{SSIM}(I,\widetilde I)\) |
| P7 | Compression ratio | \(M\times N\times q/n\) |
| P8 | Memory overhead | \(100n/n_{\mathrm{FRQI}}\) |
| P9 | Gate complexity | Gate count / num_qubits |
| P10 | Implementation score | Алгоритмдик татаалдык, 1–5 |
Булак эскертүүсү: Abstract “ten criteria” дегени менен, андагы сөз тизмесинде gate count өзүнчө элемент болуп көрүнбөйт; Table 2 жана Table 5 болсо он көрсөткүчтү P1–P10 түрүндө так аныктайт. Verianla ыкма таблицаларын негиз катары алган.
MINC боюнча 11 ыкманын негизги жыйынтыктары
| Ыкма | Кубит | Gate, орточо ± ss | Depth | Убакыт (ms) | Булак “Compress.” | Gate complexity | Memory (%) | Implementation |
|---|---|---|---|---|---|---|---|---|
| FRQI | 9 | 121.61 ± 15.60 | 113.61 | 1.66 | 2.06 | 13.51 | 100.0 | 2 |
| NEQR | 16 | 312.38 ± 67.26 | 305.38 | 31.10 | 0.45 | 19.52 | 177.8 | 3 |
| GQIR | 12 | 97.96 ± 36.37 | 90.96 | 9.79 | 2.41 | 8.16 | 133.3 | 3 |
| MCQI | 18 | 923.13 ± 201.77 | 914.13 | 92.24 | 0.13 | 51.28 | 200.0 | 4 |
| QRMW | 18 | 1977.72 ± 254.19 | 312.16 | 20.62 | 0.37 | 109.87 | 200.0 | 4 |
| EFRQI | 9 | 87.97 ± 20.80 | 79.97 | 1.54 | 3.15 | 9.77 | 100.0 | 3 |
| 2D-QSNA | 8 | 3.74 ± 0.49 | 1.00 | 0.82 | 256.0 | 0.47 | 88.9 | 4 |
| INEQR | 16 | 341.69 ± 84.11 | 334.69 | 40.52 | 0.51 | 21.35 | 177.8 | 3 |
| QPIE | 8 | 4.21 ± 0.84 | 1.00 | 0.95 | 256.0 | 0.53 | 88.9 | 4 |
| QLR | 18 | 1944.38 ± 312.11 | 310.15 | 20.15 | 0.38 | 108.02 | 200.0 | 4 |
| SAHQR | 17 | 346.12 ± 71.30 | 339.12 | 33.15 | 3.18 | 21.63 | 177.8 | 3 |
Бул таблица SAHQR эмне үчүн “бардык жагынан эң жакшы” деп көрсөтүлбөшү керек экенин ачык көрсөтөт. Кубит, gate, depth жана encoding time боюнча кыйла арзан ыкмалар бар. SAHQRнин айырмалоочу өзгөчөлүгү — content-aware differential precision механизми.
Figure 14–17нин илимий мааниси
Булак Figure 14тө он performance метрикасын 11 ыкма үчүн катар салыштырат; SAHQR тең салмактуу, бирок ар бир огу боюнча оптималдуу эмес профиль көрсөтөрү айтылат. Figure 15 ошол эле салыштырууну 0–1 нормалдаштырылган radar графигине айлантат. Figure 16 ыкмалардын метрикалык профилдеринин корреляциясын көрсөтүп, булак SAHQR менен NEQR үй-бүлөсүнүн ортосунда болжол менен 0,90 корреляция берет. Figure 17 болсо salient ratio бөлүштүрүлүшүн, gate-count байланышын, SAHQR–NEQR gate салыштыруусун жана 13 MINC папкасынын жүрүм-турумун көрсөтөт.
Бул графиктердин бардык чийки чекит катарлары макала текстинде таблица түрүндө берилбегендиктен, Verianla пикселден жаңы аралык маанилерди чыгарбайт.
Статистикалык талдоо
Булак descriptive statistics, independent t-test, significance threshold жана Cohen's \(d\) effect size колдонгонун айтат. Table 9дагы бардык салыштыруулар
деп белгиленген.
| Салыштыруу | Метрика | t | Cohen's d | Булакта берилген %95 CI |
|---|---|---|---|---|
| SAHQR – FRQI | Gate count | −215.72 | 0.85 | [0.82, 0.88] |
| SAHQR – FRQI | Circuit depth | −216.85 | 0.86 | [0.83, 0.89] |
| SAHQR – FRQI | Encoding time | −193.38 | 0.78 | [0.75, 0.81] |
| SAHQR – GQIR | Gate count | −218.95 | 0.88 | [0.85, 0.91] |
| SAHQR – MCQI | Gate count | 224.21 | 0.92 | [0.89, 0.95] |
| SAHQR – EFRQI | Gate count | −248.88 | 0.95 | [0.92, 0.97] |
| SAHQR – 2D-QSNA | Gate count | −358.29 | 1.10 | [1.05, 1.15] |
Чечмелөө чеги: Таблица 9 t-статистикасынын оң/терс багыты кайсы subtraction order менен алынганын так аныктабайт. Ошондуктан Verianla t белгисине карап “SAHQR жакшыраак” деген жыйынтык чыгарбайт. Ыкмалардын чыныгы gate/depth/time багыты түздөн-түз Таблица 7деги орточолордон окулушу керек.
Булак \(d\geq0.8\) маанилерин чоң эффект катары чечмелейт. Бирок статистикалык маанилүү айырма менен практикалык жактан артыкчылыктуу багыт бир түшүнүк эмес; үлгү саны чоң болгондо кичине же чыгым жагынан терс айырмалар да статистикалык жактан маанилүү болушу мүмкүн.
Ызы-чуу симуляциялары
| Noise модели | Булак деңгээлинин белгиси | Fidelity | PSNR (dB) |
|---|---|---|---|
| Depolarizing | Low | 0.95 | 32.1 |
| Depolarizing | High | 0.82 | 27.4 |
| Amplitude damping | Medium | 0.88 | 29.6 |
| Readout error | Medium | 0.90 | 30.2 |
Таблица жогорку ызы-чуу, айрыкча depolarizing учурда, fidelity жана PSNRди төмөндөтөрүн көрсөтөт. Бирок булак “Low”, “Medium” жана “High” белгилеринин сандык error probability маанилерин таблицада же тиешелүү түшүндүрмөдө бербейт. Ошондуктан натыйжаларды конкреттүү чыныгы кванттык процессордун ката ылдамдыгына түз байлоого болбойт.
SAHQR Чыныгы Кванттык Аппаратта Текшерилгенби?
Жок; изилдөөдөгү SAHQR схемалары Qiskit statevector simulator жана Qiskit Aer noise моделдеринин шартында бааланган, чыныгы IBM Quantum, IonQ, Rigetti же башка физикалык кванттык процессордо жүргүзүлгөн аппараттык эксперимент булакта жок жана real-hardware текшерүү келечектеги иш катары көрсөтүлөт.
Классикалык JPEG менен салыштыруу
| Ыкма | Булак compression ratio | PSNR (dB) | SSIM |
|---|---|---|---|
| JPEG | 10:1 | 30.5 | 0.89 |
| Saliency-based classical compression | 12:1 | 31.8 | 0.91 |
| SAHQR | 9:1 | 32.6 | 0.93 |
Булакка ылайык, SAHQR бул салыштырууда төмөнүрөөк compression ratio үчүн жогорураак PSNR жана SSIM берет; башкача айтканда, максат максималдуу кысуу эмес, сүрөт сапатын жакшыраак сактаган trade-off.
Булак ичиндеги дал келбестик: Бул жердеги SAHQR compression ratio 9:1; Таблица 7де 3,18 деп берилет. Макала бул эки маани ар башка методологиялык аныктамага тиешелүүбү же жокпу, так түшүндүрбөйт. Ошондуктан Verianla бир маанини экинчисинин ордуна колдонбойт.
Геометриялык өзгөртүүлөр
Булак 90°, 180° жана 270° айлантууларды жана horizontal/vertical flip операцияларын SAHQRден кийинки сүрөттөрдө көрсөтүп, мейкиндик түзүлүштөрүнүн сакталарын билдирет. Бул эксперимент representation негизги геометриялык image-processing операциялары менен шайкеш болушу мүмкүн экенин колдойт; бирок 16×16 чечилишке түшүрүлгөн сүрөттөрдө жүргүзүлгөн.
Cross-domain баалоо
| Маалымат топтому | Сүрөт | Кубит | Gate орточо | Depth орточо | Убакыт (ms) | Булак compression ratio | Scalability |
|---|---|---|---|---|---|---|---|
| MINC Medical | 6097 | 17 | 346.12 | 339.12 | 33.15 | 3.18 | 5.88 |
| SAR (ICEYE) | 2000 | 17 | 348.15 | 341.33 | 33.42 | 3.18 | 5.88 |
| Brain Tumor MRI | 2298 | 17 | 347.88 | 340.20 | 33.26 | 3.18 | 5.88 |
Бул таблица үч тармакта колдонулган кубит саны туруктуу, ал эми орточо gate/depth/time маанилери бири-бирине жакын экенин көрсөтөт.
Булак ичиндеги дал келбестик: 9.11.6 тексти Brain Tumor сүрөттөрү үчүн болжол менен 400, SAR үчүн болжол менен 540 gate деп жазса, Таблица 12 тиешелүүлүгүнө жараша 347,88 жана 348,15 берет. Verianla булак таблицасындагы так орточо маанилерди сактайт жана тексттеги болжолдуу 400/540 маанилерин бир эле натыйжа катары бириктирбейт.
SAR маалыматтарын даярдоо
Булак ICEYE Complex Spotlight сүрөтүн 4-сентябрь 2024 күнкү маалымат катары аныктайт. Баштапкы сүрөт 16.384×24.576 пиксел жана 16-bit amplitude маалыматынан турат. Сүрөт 2000 non-overlapping 256×256 tileга бөлүнөт; %30дан аз жарактуу пиксели бар tileдар алынып салынат. Ар бир tile үчүн 2-жана 98-percentile колдонулуп dynamic-range normalization жүргүзүлөт, маалымат 16-bitтен 8-bit grayscaleге өткөрүлүп, акырында 16×16 пикселге кайра өлчөмдөлөт.
Brain Tumor MRI маалыматтарын даярдоо
Булак 2298 T1-weighted contrast-enhanced MRI scan колдонот. Сүрөттөр glioma, meningioma жана pituitary tumor үлгүлөрүн камтыйт жана MATLAB HDF5 форматында. Баштапкы 512×512 сүрөттөр кванттык коддоо баалоосу үчүн 16×16 пикселге түшүрүлөт.
Бул маалымат топтомунда чыныгы бейтап сүрөттөрү колдонулгандыгы SAHQR клиникалык диагноз системасы катары текшерилди дегенди билдирбейт. Изилдөө сүрөт representation/resource көрсөткүчтөрүн баалайт; радиологдун диагноз тактыгы, sensitivity, specificity же клиникалык outcome бааланган эмес.
Чыгым–пайда тең салмактуулугу
| Көрсөткүч | Baseline | SAHQR |
|---|---|---|
| Gate count | Төмөнүрөөк | Орточо деңгээлде өсүү |
| Circuit depth | Төмөнүрөөк | Жогорураак |
| Compression efficiency | Орточо | Жогорураак |
| Saliency preservation | Чектелген | Жакшыртылган |
Булак SAHQRди өзгөчө сүрөт аймактары ар башка мааниге ээ болгон, salient feature preservation uniform compressionдан маанилүүрөөк болгон жана кичине/орто масштабдагы кванттык implementationдар максат кылынган учурлар үчүн жайгаштырат.
Implementation score дал келбестиги
Булак Таблица 7де SAHQR үчүн implementation маанисин 3 берет. Ал эми 9.12.6 бөлүмүндө гибрид түзүлүш “higher implementation complexity (score 5)” жаратат деп жазылган. Булак бул эки маани ар башка scoring контекстине таандыкпы же жокпу, түшүндүрбөйт. Ошондуктан Verianla алардын бирин үнсүз оңдобойт.
Изилдөө колдогон жыйынтыктар
- SAHQR сүрөт мазмунуна жараша эки башка коддоо тактыгын колдонгон saliency-aware гибрид quantum image representation ыкмасы.
- MINC маалымат топтомундагы preprocessed сүрөттөрдө орточо salient ratio болжол менен %29,85.
- 16×16 жана 8-bit SAHQR схемасы булак формуласына ылайык 17 кубит колдонот.
- Qiskit optimization кийин MINC боюнча орточо gate count 346,12 жана орточо depth 339,12 деп берилген.
- SAHQRнин ресурс колдонуу профили 6097 MINC, 2000 SAR жана 2298 Brain Tumor MRI сүрөттөрүндө окшош бойдон калган.
- Aer noise симуляциясында ызы-чуунун өсүшү fidelity жана PSNRди төмөндөтөт.
- SAHQRнин негизги жаңылыгы — бүт сүрөткө uniform encoding колдонбой, saliency-controlled differential precision колдонуу.
- Изилдөө мазмун-сезгич кванттык сүрөт коддоосу үчүн proof-of-concept колдоо берет.
Изилдөө колдобогон жыйынтыктар
- SAHQR бардык quantum image representation ыкмаларынан ар бир метрика боюнча артык экени көрсөтүлгөн эмес.
- Чыныгы кванттык аппаратта SAHQR көрсөткүчү көрсөтүлгөн эмес.
- Quantum computational advantage же classical compressionга салыштырмалуу wall-clock quantum speedup далилденген эмес.
- 17 кубиттик көрсөтүү физикалык эс тутум классикалык сүрөттөн Теңдеме (18)деги катыштай азыраак дегенди билдирбейт.
- Gradient saliency клиникалык маанилүү шишик же анатомиялык аймакты ишенимдүү аныктай турганы далилденген эмес.
- 16×16 натыйжалар жогорку чечилиштагы клиникалык MRI, CT же SAR deployment көрсөткүчүн далилдебейт.
- Noise-model симуляциясы чыныгы quantum-hardware noise validation эмес.
- PSNR жана SSIM натыйжалары клиникалык диагноз ийгилигин билдирбейт.
- Expert annotation, segmentation mask же радиолог баалоосу менен клиникалык saliency текшерүүсү жүргүзүлгөн эмес.
Изилдөөнүн негизги чектөөлөрү
Авторлор бардык сүрөттөрдү 16×16 пикселге кичирейтүү чыныгы сүрөттөрдөгү түзүмдүк жана семантикалык деталдарды олуттуу азайтарын ачык моюнга алышат. Бул өзгөчө медициналык сүрөттөр жана SAR үчүн маанилүү; жогорку чечилиште кичине жабыркаган жерлер, ичке чек аралар же радар текстуралары бир нече пикселге чейин азайышы мүмкүн.
Gradient негизиндеги saliency түзүмдүк prominence гана чыгарат. Авторлор domain-informed saliency, expert annotation же segmentation mask менен клиникалык текшерүүнү келечектеги иште жүргүзүү керектигин белгилешет.
Чыныгы quantum hardware үстүндө noise, connectivity, transpilation, calibration, readout жана sampling чыгымдары текшерилген эмес. Qiskit Aer натыйжалары бул аппараттык көйгөйлөрдү толук чагылдыра албайт.
Келечектеги иш багыттары
Булак жогорку чечилишти, block/patch-based quantum image representation, image-specific adaptive threshold, deep-learning saliency, filtering/transformation/edge-detection сыяктуу кийинки quantum image operations, multi-scale encoding, чыныгы quantum hardware validation жана expert-annotation негизиндеги клиникалык текшерүүнү сунуштайт.
Булак жана Ыкма Жөнүндө Эскертүү
Түпнуска аталышы: A Hybrid Quantum-Classical Framework for Saliency-Aware Medical Image Encoding.
Авторлор жана тартиби: Vrushali Nikam; Trupti Atre; Lavanya Santhosh; Asha Konasagara Nagaraja; Praveena Mydolalu Veerappa.
Corresponding author: Vrushali Nikam.
Мекеме 1: Computer Engineering, MET's Institute of Engineering—Bhujbal Knowledge City, Nashik 422003, India.
Мекеме 2: Computer Engineering, Gokhale Education Society's, R H Sapat College of Engineering Management Studies and Research, Nashik 422005, India.
Мекеме 3: CSE Programme, School of CSE, Dr. Ambedkar Institute of Technology, Bengaluru 560056, India.
Тең салым: Жүктөлгөн булакта тең биринчи авторлук/тең салым белгиси көрүнбөйт.
Журнал: Quantum Reports.
Басма: MDPI, Basel, Switzerland.
Том / сан / макала номери: 8 / 2 / 46.
DOI: 10.3390/quantum8020046.
Received: 10 март 2026.
Revised: 13 апрель 2026.
Accepted: 2 май 2026.
Published: 7 май 2026.
Булак түрү: Рецензияланган изилдөө макаласы.
Рецензия абалы: Рецензияланган журналдык басылма.
Лицензия: Creative Commons Attribution, CC BY 4.0; автордук укук авторлордо калат.
Academic Editor: Mingxing Luo.
Негизги илимий ыкма: Классикалык gradient/Sobel saliency detection + saliency-controlled differential quantum image encoding + Qiskit statevector simulation + он quantum-image representation ыкмасы менен салыштырма resource evaluation.
Негизги маалымат көлөмү: 6097 MINC + 2000 SAR + 2298 Brain Tumor MRI = 10.395 сүрөт.
MINC эксперимент операциялары: 6097 сүрөт × 11 ыкма = 67.067 encoding operation.
Кванттык аппарат: Физикалык quantum processor колдонулган эмес. Негизги quantum circuit талдоосу statevector simulation; noise тесттери Qiskit Aer simulation.
Классикалык эсептөө чөйрөсү: Google Colab, Ubuntu 22.04, NVIDIA Tesla T4, Python 3.10.
Quantum software: Qiskit 0.45.0.
Qiskit transpilation: Салыштырма circuit resource өлчөөлөрү стандарттуу \(\{u3,cx\}\) basis gate setине decomposition жана optimization level 3 колдонуу менен жүргүзүлгөн.
Статистикалык ыкма: Descriptive statistics, independent t-tests жана Cohen's d effect size. Булак текстинде айрым бөлүмдөрдө ANOVA да айтылат, бирок натыйжа бөлүмүндө кеңири ANOVA статистикасы берилбейт. Pairwise таблицалар \(p<0.001\) threshold берет; exact p маанилери өзүнчө көрсөтүлбөйт.
Каржылоо: Изилдөө external funding албаганын билдирет.
Кызыкчылыктардын кагылышы: Авторлор conflict of interest жок экенин билдиришет.
Автордук салымдар: Conceptualization, methodology, software, validation, visualization, supervision жана project administration негизинен Vrushali Nikam тарабынан; formal analysis, investigation, data curation жана жазуу ар түрдүү биргелешкен авторлор тарабынан аткарылган. Funding acquisition Trupti Atre, Lavanya Santhosh, Asha Konasagara Nagaraja жана Praveena Mydolalu Veerappa деп көрсөтүлгөн.
Маалымат/код жеткиликтүүлүгү: Булак MINC, Brain Tumor жана ICEYE маалымат булактары ачык жеткиликтүү экенин жана implementation code менен experimental results коомдук GitHub repositoryде бар экенин билдирет. Data Availability Statement ичинде үчүнчү маалымат топтомунун белгиси жаңылыш түрдө экинчи жолу “Brain Tumor dataset” деп жазылгандай көрүнгөнү менен, изилдөөнүн бардык жеринде үчүнчү domain ICEYE SAR катары аныкталат.
Жасалма интеллект колдонуу билдирүүсү: Acknowledgments бөлүмүндө Claude 3.5 Sonnet LaTeX formatting жана technical-writing refinements үчүн колдонулганы, басылманын мазмуну үчүн жоопкерчилик авторлордо экени айтылат.
Негизги методологиялык чектөө: Бардык сүрөттөр 16×16 чечилишке түшүрүлгөн. Чыныгы жогорку чечилиштагы deployment, чыныгы quantum hardware жана клиникалык validation жүргүзүлгөн эмес.
Saliency чектөөсү: Sobel-gradient saliency түзүмдүк prominence өлчөйт; domain-specific же expert-validated diagnostic importance өлчөөсү эмес.
Булак ичиндеги дал келбестик 1: Теңдеме (18)/Таблица 5 compression ratio аныктамасы менен Таблица 7деги “Compress.” маанилери түз сандык түрдө дал келбейт.
Булак ичиндеги дал келбестик 2: SAHQR compression мааниси Таблица 7де 3,18, JPEG салыштыруусунда Таблица 10до 9:1 деп берилет; булак айырманы так айкалыштырбайт.
Булак ичиндеги дал келбестик 3: Таблица 7 SAHQR implementation score маанисин 3, ал эми 9.12.6 тексти 5 деп берет.
Булак ичиндеги дал келбестик 4: Cross-domain Таблица 12 SAR жана Brain Tumor орточо gate count маанилерин болжол менен 348 деп берет, ал эми 9.11.6 тексти болжол менен 540 жана 400 маанилерин колдонот.
Булак ичиндеги тактык маселеси 5: Dataset statistics \(\theta_s=0.5\) дегенди берет, ал эми method бөлүмү adaptive thresholdду \(\theta_s=\mu_S+\alpha\sigma_S\), default \(\alpha=0\) деп аныктайт; эки колдонуу кенен түшүндүрүлүп айкалыштырылбайт.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген