Saliency-Aware Hybrid Quantum Image Representation (SAHQR) усули гибридии муаррифии тасвири квантӣ мебошад, ки ба ҷойи бо як дақиқӣ ба ҳолати квантӣ рамзгузорӣ кардани ҳамаи минтақаҳои тасвир, бо таҳлили классикии saliency-и ба gradient асосёфта минтақаҳои аз ҷиҳати сохторӣ барҷастаро муайян мекунад ва дақиқии рамзгузории квантиро мувофиқи ин маълумоти аҳамияти минтақавӣ тағйир медиҳад. Дар таҳқиқот минтақаҳои salient бо дақиқии пурраи 8-bit ва минтақаҳои non-salient бо дақиқии фишурдашудаи 4-bit муаррифӣ мешаванд; инчунин барои нишон додани salient будан ё набудани минтақа як saliency qubit истифода мешавад. Усул бо даҳ усули мавҷудаи муаррифии тасвири квантӣ муқоиса шуда, дар 6097 тасвири тиббии MINC, 2000 tile-и Synthetic Aperture Radar (SAR) ва 2298 тасвири Brain Tumor MRI, ҷамъ 10.395 тасвир арзёбӣ шудааст.
Дар таҷрибаҳои MINC ҳамаи тасвирҳо ба 16×16 пиксел ва сатҳи хокистарии 8-bit табдил дода шуданд. Дар ин ҳалкунандагӣ SAHQR 17 qubit истифода мебарад: ҳашт position qubit, ҳашт color qubit ва як saliency flag qubit. Дар манбаъ ҳиссаи миёнаи salient-пикселҳои тасвирҳои MINC %29,85 гузориш шудааст. Аз ин рӯ тақрибан %30 тасвир бо дақиқии пурраи 8-bit ва тақрибан %70 он бо рамзгузории фишурдашудаи 4-bit муаррифӣ мешавад. Модели назариявии gate-count-и муаллифон барои ин сохтор тақрибан 1329,6 gate ҳисоб мекунад; пас аз Qiskit decomposition ва optimization миёнаи таҷрибавии гузоришшуда 346,12 gate, circuit depth-и миёна 339,12 ва вақти миёнаи circuit-construction/encoding 33,15 ms мебошад.
Аммо SAHQR дар ҳамаи меъёрҳои манбаъ беҳтарин усул нест. Масалан, 2D-QSNA ва QPIE танҳо ҳашт qubit истифода мекунанд; encoding time-и миёнаи 2D-QSNA 0,82 ms ва compression дар ҷадвали манбаъ 256 аст. Саҳми аслии SAHQR расидан ба ҳадди ақали qubit, ҳадди ақали depth ё ҳадди ақали gate нест; балки илова кардани механизми тақсимоти захираҳоест, ки метавонад дақиқии рамзгузориро вобаста ба мазмуни тасвир тағйир диҳад. Манбаъ низ ошкоро таъкид мекунад, ки таҳқиқот на ҳамчун муаррифии умумиан оптималии тасвир, балки ҳамчун proof of concept барои saliency-aware quantum encoding бояд тафсир шавад.
Схемаҳои квантии таҳқиқот дар протсессори воқеии квантӣ иҷро нашудаанд. Ҳисобҳои асосӣ бо Qiskit 0.45.0 statevector simulator дар Google Colab анҷом дода шуда, таҳлилҳои depolarizing noise, amplitude damping ва readout error бо симулятсияҳои Qiskit Aer noise model иҷро шудаанд. Санҷиш дар дастгоҳҳои воқеии IBM Quantum, IonQ ё Rigetti ба доираи таҳқиқот дохил намешавад ва муаллифон онро кори оянда медонанд. Аз ин рӯ натиҷаҳо набояд ҳамчун исботи бартарии воқеии quantum-hardware ё истифодаи клиникӣ тафсир шаванд.
Маҳдудияти дигари муҳим аз ҷиҳати истифодаи тиббӣ он аст, ки механизми saliency-и истифодашуда харитаи аҳамияти клиникии аз ҷониби табиб ё модели сегментатсия муайяншуда нест. Saliency ба бузургии Sobel gradient асос ёфта, асосан канор, сарҳад ва контрасти маҳаллиро мегирад. Бинобар ин, нишони “salient” дар манбаъ бо “минтақаи омосе, ки аз ҷиҳати ташхисӣ ҳатман муҳим аст” ҳаммаъно нест. Муаллифон низ барои аҳамияти клиникӣ санҷиши алоҳида бо аннотатсияҳои экспертӣ ё segmentation mask-ҳоро зарур медонанд.
Масъалаи асосии таҳқиқот
Дар коркарди тасвири квантӣ масъалаи аввал ин аст, ки худи тасвир чӣ гуна дар ҳолати квантӣ муаррифӣ шавад. Дар компютери классикӣ арзиш ва мавқеи пикселро метавон мустақиман бо силсилаи битҳо нигоҳ дошт. Дар компютери квантӣ бошад, мавқеъ, шиддат, ранг ё дигар хусусиятҳои тасвир метавонанд ба ҳолатҳои computational basis-и qubit-ҳо, probability amplitude-ҳо ё rotation angle-ҳо рамзгузорӣ шаванд.
Аксари усулҳои мавҷуда ҳамаи пикселҳоро бе таваҷҷуҳ ба мазмуни тасвир яксон коркард мекунанд. Саволи таҳқиқотии кори манбаъ чунин аст: оё мумкин аст минтақаҳои аз ҷиҳати сохторӣ муҳими тасвирро пешакӣ муайян карда, қисми бештари захираҳои квантиро ба онҳо ҷудо кард?
Ҷавоби SAHQR сохтори гибридӣ аст. Saliency detection дар компютери классикӣ анҷом дода мешавад; saliency mask-и ҳосилшуда баъдан муайян мекунад, ки дар рамзгузории тасвири квантӣ кадом пиксел бо дақиқии пурра ё камшуда муаррифӣ шавад.
Муаррифии Тасвири Квантӣ Чист?
Муаррифии тасвири квантӣ харитасозиест, ки маълумоти мавқеъ, шиддат ё ранги тасвири рақамии классикиро ба ҳолатҳои basis, амплитудаҳо ё кунҷҳои гардиши як ҳолати муайяни квантӣ рамзгузорӣ мекунад; ҳадаф танҳо истифодаи шумораи ками qubit нест, балки ҳангоми омода кардани тасвир барои истифода дар амалиёти минбаъдаи квантӣ назорат кардани хароҷоти state-preparation, circuit depth, gate count, retrieval ва fidelity низ мебошад.
Qubit чист?
Манбаъ ҳолати софи як qubit-ро
ба ин шакл медиҳад.
Дар ин ҷо \(\alpha\) ва \(\beta\) амплитудаҳои комплексии эҳтимоланд ва
шарти нормализатсияро қонеъ мекунанд. Ҳангоми ченкунӣ эҳтимоли натиҷаи \(|0\rangle\) баробар ба \(|\alpha|^2\), эҳтимоли натиҷаи \(|1\rangle\) бошад баробар ба \(|\beta|^2\) аст.
Маҳдудияти омӯзишӣ: Фазои ҳолати \(n\) qubit андозаи \(2^n\) дорад, аммо ин маънои онро надорад, ки дар як ченкунӣ ҳамаи \(2^n\) арзишҳои классикиро хондан мумкин аст. Ҳангоми арзёбии хароҷоти воқеии муаррифии тасвири квантӣ хароҷоти state preparation ва measurement/retrieval низ муҳиманд.
FRQI: Рамзгузории шиддати пиксел ба кунҷ
Flexible Representation of Quantum Images (FRQI), тасвири хокистарии \(2^n\times2^n\)-ро
ба ин шакл муаррифӣ мекунад.
\(g_i\) сатҳи хокистарӣ дар фосилаи 0–255 аст. Мавқеи пиксел бо \(2n\) position qubit ва шиддат бо rotation angle-и як color qubit муаррифӣ мешавад.
Манбаъ барои FRQI \(2n+1\) qubit, \(O(2^{2n})\) controlled rotation gate ва дар бадтарин ҳолат \(O(2^{2n})\) circuit depth медиҳад.
NEQR: Рамзгузории шиддати пиксел ба computational basis
\(|C_{yx}\rangle\) арзиши \(q\)-bit-и сатҳи хокистарии пикселро дар computational basis нигоҳ медорад. Тафовути муҳими NEQR аз FRQI ин аст, ки шиддатро ба ҷойи rotation angle ҳамчун силсилаи равшани битҳо муаррифӣ мекунад.
Манбаъ барои NEQR \(2n+q\) qubit ва тақрибан \(O(q\,2^{2n})\) мураккабии gate/depth гузориш мекунад.
GQIR: Андозаҳои дилхоҳи тасвир
Generalized Quantum Image Representation (GQIR) ҳадаф дорад на танҳо тасвирҳои квадратии қувваи ду, балки андозаҳои умумии \(M\times N\)-ро низ дастгирӣ кунад.
MCQI: Муаррифии ҷудогонаи каналҳои RGB
Multi-Channel Quantum Image (MCQI) каналҳои сурх, сабз ва кабудро дар register-ҳои квантии ҷудогона нигоҳ медорад. Дар иваз истифодаи захираҳо зиёд мешавад.
QRMW: Тасвирҳои бисёрдарозии мавҷ
\(K\) шумораи spectral-band-ҳоро нишон медиҳад. QRMW барои маълумоти multi-spectral/hyperspectral register-и иловагии band-selection истифода мекунад.
EFRQI: Истифодаи якҷояи амплитуда ва фаза
Enhanced FRQI рамзгузории васеъшудаи кунҷ/фазаро истифода мекунад, ки маълумоти тасвирро ҳам ба \(\theta_i\) ва ҳам ба \(\phi_i\) ҷойгир мекунад.
2D-QSNA: Amplitude encoding
Дар ин ҷо арзишҳои классикии пиксел нормализатсия шуда, мустақиман ба quantum-state amplitude-ҳо ҷойгир карда мешаванд. Манбаъ барои 256 пиксел муаррифии ҳашт-qubit медиҳад; аммо азбаски дар amplitude encoding хароҷоти state preparation дар формулаҳои назариявӣ абстракт карда шуда метавонад, муқоисаи gate-count байни усулҳо бояд бо эҳтиёт тафсир шавад. Мақола низ ин маҳдудиятро дар бахши cost-model қайд мекунад.
INEQR
Манбаъ INEQR-ро ҳамчун шакли такмилёфтаи рамзгузории каналҳои ранг дар оилаи NEQR баррасӣ мекунад.
QPIE: Муаррифии эҳтимол-амплитуда
ки дар он \(p_i\) арзиши эҳтимолии аз шиддатҳои пиксел нормализатсияшуда мебошад.
QLR: Координатаҳои log-polar
Quantum Log-Polar Representation (QLR) тасвирро ба ҷойи мавқеи Декартӣ дар координатаҳои log-polar муаррифӣ карда, ҳадаф дорад барои амалиёти rotation-invariant сохтори мувофиқ таъмин кунад.
| Усул | Qubit | Мураккабии Gate | 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 | \(2n+q\) | \(O(q2^{2n})\) | \(O(2^{2n})\) |
Харитасозии умумии тасвири квантӣ
Таҳқиқот ҳолати умумии софи квантии \(2^n\)-андозаро
муайян мекунад ва quantum image representation-ро ҳамчун харитасозие мефаҳмонад, ки тасвири классикии \(I\)-ро ба ҳолати квантии \(|I\rangle\)
табдил медиҳад.
Масъалаи оптимизатсияи бисёрҳадафа
Формула чиро ҳисоб мекунад? Интихоби quantum image representation-ро на танҳо аз рӯйи як метрика, балки бо тавозуни вазнноки хароҷот байни qubit, circuit depth, gate count ва encoding time баррасӣ мекунад.
\(Q\): шумораи qubit-ҳои лозим. \(D\): circuit depth. \(G\): gate count. \(T\): encoding time. \(\lambda_1,\ldots,\lambda_4\) вазнҳое мебошанд, ки аҳамияти нисбии ин хароҷотро муайян мекунанд.
Маҳдудияти манбаъ: Дар таҷрибаҳои мақола барои ин вазнҳои \(\lambda_i\) арзишҳои мушаххаси оптимизатсияшудаи ададӣ гузориш намешаванд. Теңод бештар таърифи формалии масъала аст.
Маҳдудияти Fidelity
\(g_{yx}\) арзиши аслии пиксел, \(\widetilde g_{yx}\) арзиши пиксели барқароршуда ва \(\tau\) ҳадди ақали қабулшавандаи fidelity мебошад. Ин таърифи fidelity бо quantum-state fidelity як мафҳуми айнан яксон нест; манбаъ дар ин ҷо меъёри image-fidelity-и бар дақиқии барқарорсозии пиксел асосёфтаро истифода мекунад.
Fidelity-и вазндор бо saliency
Ин теңод ба ҷойи додани вазни яксон ба ҳар пиксел, хатои пикселҳои дорои saliency баландро муҳимтар мекунад. Яъне ҳадафи математикии SAHQR “сифати яксон дар ҳама ҷо” нест, балки нигоҳдории қавитари сифат дар минтақаҳои муҳим донисташуда мебошад.
Схемаи квантӣ
Circuit depth дарозтарин роҳи gate-layer аз воридшавӣ то баромад мебошад; gate count бошад шумораи elementary operation-ҳои схема аст.
Таърифи compression-ratio дар манбаъ
Ин таъриф ҳаҷми номиналии \(M\times N\times q\) битии тасвири классикиро ба шумораи \(n\) qubit дар муаррифии квантӣ тақсим мекунад.
Маҳдудияти муҳими тафсир: Ин нисбат ченкунии бевоситаи сахтафзор нест, ки хотираи физикии quantum computer нисбат ба RAM-и классикӣ айнан бо ҳамин нисбат хурдтар аст. Омодасозӣ, идоракунӣ ва хондани классикии ҳолати квантӣ низ хароҷоти ҷудогона доранд. Теңод метрикаи худи representation-resource-и таҳқиқот аст.
Масъалаи рақамии дохили манбаъ: Гарчанде Теңод (18) ва Ҷадвали 5 ин таърифро медиҳанд, рақамҳои “Compress.” дар Ҷадвали 7 бо ин формула мустақиман мувофиқат намекунанд. Илова бар ин, барои SAHQR дар Ҷадвали 7 3,18 ва дар муқоисаи классикии Ҷадвали 10 9:1 гузориш шудааст. Манбаъ ба қадри кофӣ шарҳ намедиҳад, ки ин арзишҳои гуногун аз таърифҳои яксон ё гуногуни compression бармеоянд. Аз ин рӯ онҳоро набояд ба ҳам табдил дод.
Scalability factor
Ин метрикаи оддии хоси мақола аст: representation-и бо qubit-и камтар истифодашуда scalability score-и баландтар мегирад. Ин меъёри универсалии миқёспазирии квантӣ нест; таъсирҳои дигари сахтафзор, аз ҷумла topology, gate fidelity, connectivity, state-preparation cost ва error correction-ро дар бар намегирад.
SAHQR Чист ва Захираҳои Квантиро Чӣ Гуна Тақсим Мекунад?
SAHQR муаррифии гибридии ба мазмун ҳассоси тасвири квантӣ мебошад, ки бо харитаи saliency аз Sobel gradient-ҳо тасвирро ба минтақаҳои salient ва non-salient ҷудо мекунад; пикселҳои salient-ро бо дақиқии пурраи 8-bit, пикселҳои non-salient-ро бо рамзгузории фишурдашудаи 4-bit муаррифӣ мекунад ва ин ду роҳи рамзгузориро тавассути як saliency flag qubit дар схемаи квантӣ шартӣ месозад.
Ҷудокунии математикии минтақаҳои salient ва non-salient
\(\Omega_S\) маҷмӯи пикселҳои salient, \(\Omega_N\) маҷмӯи пикселҳои non-salient ва \(\theta_s\) saliency threshold-ро нишон медиҳад.
Ҳолати квантии SAHQR
Qubit-и охир saliency flag аст. \(|1\rangle\) минтақаи salient ва \(|0\rangle\) минтақаи non-salient-ро нишон медиҳад. Ҳамин тавр, дар як quantum state ду precision regime-и гуногун мавҷуд аст.
Saliency чӣ гуна ҳисоб мешавад?
\(S(y,x)\) арзиши saliency-и нормализатсияшуда дар фосилаи 0 то 1 мебошад.
Оператори уфуқии Sobel:
Оператори амудии Sobel:
\(*\) амали convolution байни тасвир ва kernel-ро нишон медиҳад. Вақте Sobel gradient калон аст, шиддат дар он мавқеъ зуд тағйир меёбад; ин одатан маънои канор ё сарҳадро дорад.
Маҳдудияти клиникӣ: Бузургии gradient ҷойи патолог, радиолог ё сегментатсияи экспертиро намегирад. Аз ҷиҳати визуалӣ равшан будани сарҳад маънои онро надорад, ки он ҳатман аз ҷиҳати ташхисӣ муҳимтарин минтақа аст.
Adaptive threshold
\(\mu_S\) миёнаи арзишҳои saliency ва \(\sigma_S\) инҳирофи стандартӣ мебошад. Манбаъ default-ро \(\alpha=0\) медиҳад.
Масъалаи возеҳии дохили манбаъ: Дар бахши Dataset-statistics инчунин “saliency threshold \(\theta_s=0.5\) (adaptive)” гуфта мешавад. Аммо Теңод (26) дар бахши Method барои default \(\alpha=0\) threshold-ро ба mean saliency-и тасвир мепайвандад. Манбаъ шарҳ намедиҳад, ки ин ду ифодаи threshold дар ҳамаи тасвирҳо чӣ гуна ҳамоҳанг карда шудаанд.
Рамзгузории 8-bit-и минтақаи salient
Азбаски дар ин бахш \(q=8\), сатҳи хокистарӣ дар фосилаи 0–255 бо ҳашт бит муаррифӣ мешавад.
Рамзгузории 4-bit-и минтақаи non-salient
Алгоритми манбаъ арзиши фишурдашударо
ҳисоб мекунад. Ин амал фосилаи 0–255-ро ба фосилаи 0–15 бо 16 сатҳ кам мекунад. Аз ин рӯ дар пикселҳои non-salient quantization-и чорбитӣ татбиқ мешавад.
Рамзгузории шартии квантӣ
\(U_{\mathrm{full}}\) position-controlled encoding unitary-и дақиқии пурра ва \(U_{\mathrm{comp}}\) варианти фишурдашуда мебошад.
17 qubit чӣ гуна ба даст меояд?
Барои тасвири 16×16 ҷиҳати нишон додани ҳар меҳвар \(n=4\) бит лозим аст. Мавқеъҳои \(x\) ва \(y\) дар маҷмӯъ ҳашт position qubit истифода мекунанд. Бо илова кардани ҳашт color qubit ва як saliency qubit ҳамагӣ 17 qubit ҳосил мешавад.
Модели назариявии gate-count
\(r\) ҳиссаи salient-пиксел аст:
Дар таҷрибаи манбаъ
Пас:
Касрӣ будани 1329,6 маънои вуҷуд доштани “0,6 gate” дар схемаи физикиро надорад; ин натиҷа азбаски баҳои интизории gate-count аз ҳиссаи миёнаи salient ҳисоб шудааст, касрӣ мебарояд.
Чаро gate-и назариявӣ 1329,6 аст, аммо миёнаи ченшуда 346,12?
Манбаъ ҳисоби назариявиро дар сатҳи pre-decomposition медиҳад. Сипас ҳамаи усулҳо бо Qiskit ба \(\{u3,cx\}\) basis gate set transpile шуда, optimization level 3 татбиқ мешавад. Gate cancellation, merging ва хориҷ кардани redundant controlled-operation натиҷаро тағйир медиҳанд.
| Марҳила | Шумораи Gate |
|---|---|
| Арзиши хом / pre-decomposition-и назариявӣ | 1329,6 |
| Пас аз Decomposition | 1872 |
| Миёна пас аз Optimization | 346,12 |
Афзоиши аввалияи gate баъд аз decomposition муқаррарӣ аст; logical operation-ҳои калон/серидорашаванда ба basis gate-ҳои хурдтар тақсим мешаванд. Сипас transpiler қисми зиёди ин gate-ҳоро якҷо ё бекор мекунад.
Миқёспазирии Circuit depth
Дар маҷмӯи MINC манбаъ circuit depth-и миёнаро 339,12 медиҳад. Гарчанде depth-и схемаҳои ҷудогона адади бутун аст, миёнаи 6097 тасвир метавонад касрӣ бошад.
Усул ва Натиҷаҳои Таҳқиқот
Маҷмӯаҳои маълумот
| Соҳаи маълумот | Шумораи тасвир | Формат / хусусияти манбаъ | Ҳалкунандагии арзёбии квантӣ |
|---|---|---|---|
| MINC Medical | 6097 | Тасвирҳои тиббии MINC аз 13 папка | 16×16, сатҳи хокистарии 8-bit |
| ICEYE SAR | 2000 | Ба tile-ҳои 256×256 ҷудошудаи маълумоти 16-bit SAR amplitude | 16×16, сатҳи хокистарии 8-bit |
| Brain Tumor MRI | 2298 | T1-weighted contrast-enhanced; glioma, meningioma, pituitary | Аз 512×512 ба 16×16 |
Шумораи умумии тасвирҳо дар се соҳаи маълумот:
Коркарди пешакии MINC
- Файлҳои MINC бо nibabel бор карда мешаванд.
- Аз тасвирҳои volumetric 2B slice гирифта мешавад.
- Арзишҳои intensity ба фосилаи 0–255 нормализатсия мешаванд.
- Тасвирҳо ба 16×16 пиксел аз нав андозагирӣ мешаванд.
- Маълумот ба формати unsigned 8-bit integer табдил меёбад.
Барои маҷмӯи MINC манбаъ intensity-и миёна \(\mu=127.3\), инҳирофи стандартӣ \(\sigma=58.7\), intensity range 0–255 ва шумораи умумии пикселҳои коркардшуда 1.560.832-ро медиҳад.
Тақсимоти Saliency
Ҳиссаи миёнаи salient дар MINC:
Инҳирофи стандартии salient-ratio дар манбаъ:
гузориш шудааст. Ин парокандагии паст нишон медиҳад, ки андозаи saliency mask-и ба gradient асосёфта дар 6097 тасвири preprocessed MINC хеле монанд аст.
Муҳити ҳисоббарорӣ
| Компонент | Арзиш |
|---|---|
| Platform | Google Colab, Ubuntu 22.04 |
| GPU | NVIDIA Tesla T4 |
| Забони барномасозӣ | Python 3.10 |
| Квантӣ framework | Qiskit 0.45.0 |
| Image processing | NumPy 1.26.4, SciPy 1.11.4, nibabel 5.2.0 |
| Визуализатсия | Matplotlib 3.8.2 |
| Асосии quantum backend | Statevector simulator |
Шумораи умумии таҷрибаҳо
Арзёбии 6097 тасвири MINC бо 11 усул:
encoding operation ҳосил мекунад. Натиҷаҳо ҳар 500 тасвир checkpoint шудаанд.
Даҳ меъёри арзёбӣ
| ID | Меъёр | Шакли ҳисоб дар манбаъ |
|---|---|---|
| P1 | Qubit-и лозим | 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 | Мураккабии алгоритмӣ, 1–5 |
Ёддошти манбаъ: Гарчанде Abstract “ten criteria” мегӯяд, дар рӯйхати матнии он gate count ҳамчун унсури ҷудогона намоён нест; Table 2 ва Table 5 бошад даҳ меъёрро ба таври равшан ҳамчун P1–P10 муайян мекунанд. Verianla ҷадвалҳои усулро асос гирифтааст.
Натиҷаҳои асосии 11 усул дар MINC
| Усул | Qubit | Gate, миёна ± ss | Depth | Вақт (ms) | Манбаъ “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 |
Ин ҷадвал равшан нишон медиҳад, ки чаро SAHQR набояд “аз ҳар ҷиҳат беҳтарин” муаррифӣ шавад. Аз ҷиҳати qubit, gate, depth ва encoding time усулҳои хеле арзонтар мавҷуданд. Хусусияти фарқкунандаи SAHQR механизми content-aware differential precision мебошад.
Паёми илмии Figure 14–17
Манбаъ Figure 14-ро барои муқоисаи паҳлу-ба-паҳлуи даҳ performance metric дар 11 усул истифода мебарад; SAHQR профили мутавозин, вале на дар ҳар меҳвар оптимал нишон медиҳад. Figure 15 ҳамин муқоисаро ба radar graph-и нормализатсияшудаи 0–1 табдил медиҳад. Figure 16 коррелятсияи байни профилҳои метрикии усулҳоро нишон дода, манбаъ байни SAHQR ва оилаи NEQR тақрибан 0,90 коррелятсия гузориш мекунад. Figure 17 бошад тақсимоти salient ratio, робитаи gate-count, муқоисаи gate-и SAHQR–NEQR ва рафтори байни 13 папкаи MINC-ро нишон медиҳад.
Азбаски ҳамаи силсилаҳои хоми нуқтаҳои ин графикҳо дар матни мақола ба шакли ҷадвал дода нашудаанд, Verianla аз пиксел арзишҳои нави миёнаравӣ ҳосил намекунад.
Таҳлили оморӣ
Манбаъ истифодаи descriptive statistics, independent t-test, significance threshold ва Cohen's \(d\) effect size-ро зикр мекунад. Ҳамаи муқоисаҳои Table 9
нишонгузорӣ шудаанд.
| Муқоиса | Метрика | t | Cohen's d | %95 CI-и манбаъ |
|---|---|---|---|---|
| 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] |
Маҳдудияти тафсир: Table 9 равшан намекунад, ки самти мусбат/манфии t-statistic бо кадом subtraction order гирифта шудааст. Аз ин рӯ Verianla аз аломати t хулосаи “SAHQR беҳтар аст” намебарорад. Самти воқеии gate/depth/time бояд мустақиман аз миёнаҳои Table 7 хонда шавад.
Манбаъ \(d\geq0.8\)-ро ҳамчун эффекти калон тафсир мекунад. Аммо фарқи аз ҷиҳати оморӣ муҳим ва самти аз ҷиҳати амалӣ судманд як мафҳум нестанд; дар шумораи зиёди намунаҳо ҳатто фарқҳои хурд ё аз ҷиҳати хароҷот номусоид низ метавонанд аз ҷиҳати оморӣ муҳим бошанд.
Симулятсияҳои садо
| Noise model | Нишони сатҳи манбаъ | 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 |
Ҷадвал нишон медиҳад, ки садои бештар, хусусан дар ҳолати depolarizing, fidelity ва PSNR-ро коҳиш медиҳад. Аммо манбаъ арзишҳои ададии error probability-и нишонаҳои “Low”, “Medium” ва “High”-ро дар ҷадвал ё тавзеҳи дахлдор намедиҳад. Аз ин рӯ натоиҷро мустақиман ба сатҳи хатои протсессори воқеии муайяни квантӣ мутобиқ кардан мумкин нест.
Оё SAHQR дар Сахтафзори Воқеии Квантӣ Санҷида шудааст?
Не; схемаҳои SAHQR дар таҳқиқот зери Qiskit statevector simulator ва Qiskit Aer noise model арзёбӣ шудаанд, дар манбаъ таҷрибаи сахтафзорӣ дар IBM Quantum, IonQ, Rigetti ё дигар протсессори физикии квантӣ вуҷуд надорад ва санҷиши real-hardware ҳамчун кори оянда номбар шудааст.
Муқоиса бо JPEG-и классикӣ
| Усул | Манбаъ 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 |
Тибқи манбаъ, SAHQR дар ин муқоиса бар ивази compression ratio-и пасттар PSNR ва SSIM-и баландтар медиҳад; яъне ҳадаф фишурдани ҳадди аксар не, балки trade-off-и беҳтар барои нигоҳ доштани сифати тасвир аст.
Номувофиқии дохили манбаъ: Дар ин ҷо SAHQR compression ratio 9:1 аст; дар Table 7 бошад 3,18 гузориш шудааст. Мақола равшан намекунад, ки ин ду арзиш ба таърифҳои методологии гуногун тааллуқ доранд ё не. Аз ин рӯ Verianla яке аз онҳоро ба ҷойи дигаре истифода намекунад.
Табдилҳои геометрӣ
Манбаъ гардишҳои 90°, 180° ва 270° ва амалиёти horizontal/vertical flip-ро дар тасвирҳои баъд аз SAHQR нишон дода, нигоҳ доштани сохторҳои фазоиро гузориш мекунад. Ин таҷриба дастгирӣ мекунад, ки representation метавонад бо амалиёти асосии геометрии image-processing мувофиқ бошад; аммо таҷриба дар тасвирҳои ба 16×16 поин овардашуда анҷом шудааст.
Арзёбии Cross-domain
| Маҷмӯи маълумот | Тасвир | Qubit | Gate миёна | Depth миёна | Вақт (ms) | Манбаъ 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 |
Ин ҷадвал нишон медиҳад, ки шумораи qubit дар се соҳа доимӣ буда, арзишҳои миёнаи gate/depth/time ба ҳам наздиканд.
Номувофиқии дохили манбаъ: Матни 9.11.6 барои тасвирҳои Brain Tumor тақрибан 400 ва барои SAR тақрибан 540 gate мегӯяд, дар ҳоле ки Table 12 мутаносибан 347,88 ва 348,15 медиҳад. Verianla миёнаҳои дақиқи ҷадвали манбаъро нигоҳ медорад ва арзишҳои тақрибии 400/540-и матнро ҳамчун як натиҷаи яксон якҷо намекунад.
Омодасозии маълумоти SAR
Манбаъ тасвири ICEYE Complex Spotlight-ро маълумоти 4 сентябри 2024 муайян мекунад. Тасвири аслӣ 16.384×24.576 пиксел ва маълумоти 16-bit amplitude мебошад. Тасвир ба 2000 tile-и non-overlapping 256×256 ҷудо мешавад; tile-ҳое, ки камтар аз %30 пиксели дуруст доранд, хориҷ карда мешаванд. Барои ҳар tile percentile-ҳои 2 ва 98 истифода шуда dynamic-range normalization татбиқ мегардад, маълумот аз 16-bit ба 8-bit grayscale табдил ёфта, ниҳоят ба 16×16 пиксел аз нав андозагирӣ мешавад.
Омодасозии маълумоти Brain Tumor MRI
Манбаъ 2298 T1-weighted contrast-enhanced MRI scan истифода мекунад. Тасвирҳо намунаҳои glioma, meningioma ва pituitary tumor-ро дар бар мегиранд ва дар формати MATLAB HDF5 мебошанд. Тасвирҳои аслии 512×512 барои арзёбии рамзгузории квантӣ ба 16×16 пиксел поин оварда мешаванд.
Истифодаи тасвирҳои воқеии беморон дар ин маҷмӯи маълумот маънои онро надорад, ки SAHQR ҳамчун низоми ташхиси клиникӣ тасдиқ шудааст. Таҳқиқот меъёрҳои representation/resource-и тасвирро арзёбӣ мекунад; дақиқии ташхиси радиолог, sensitivity, specificity ё clinical outcome арзёбӣ нашудааст.
Тавозуни хароҷот–фоида
| Меъёр | Baseline | SAHQR |
|---|---|---|
| Gate count | Пасттар | Афзоиши сатҳи миёна |
| Circuit depth | Пасттар | Баландтар |
| Compression efficiency | Миёна | Баландтар |
| Saliency preservation | Маҳдуд | Беҳтаршуда |
Манбаъ SAHQR-ро махсусан барои ҳолатҳое ҷой медиҳад, ки минтақаҳои тасвир аҳамияти гуногун доранд, salient feature preservation аз uniform compression муҳимтар аст ва татбиқҳои хурд/миёнаи квантӣ ҳадаф мебошанд.
Номувофиқии Implementation score
Table 7-и манбаъ барои SAHQR implementation-ро 3 медиҳад. Аммо бахши 9.12.6 менависад, ки сохтори гибридӣ “higher implementation complexity (score 5)” эҷод мекунад. Манбаъ шарҳ намедиҳад, ки ин ду арзиш ба контекстҳои гуногуни scoring тааллуқ доранд ё не. Аз ин рӯ Verianla ҳеҷ кадоми онҳоро хомӯшона ислоҳ намекунад.
Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад
- SAHQR як равиши saliency-aware гибридии quantum image representation мебошад, ки вобаста ба мазмуни тасвир ду сатҳи гуногуни дақиқии рамзгузориро истифода мекунад.
- Дар тасвирҳои preprocessed-и маҷмӯи MINC salient ratio-и миёна тақрибан %29,85 аст.
- Схемаи 16×16 ва 8-bit-и SAHQR мувофиқи формулаи манбаъ 17 qubit истифода мекунад.
- Пас аз Qiskit optimization дар MINC gate count-и миёна 346,12 ва depth-и миёна 339,12 гузориш шудааст.
- Профили истифодаи захираҳои SAHQR дар 6097 MINC, 2000 SAR ва 2298 Brain Tumor MRI монанд боқӣ мондааст.
- Дар симулятсияи Aer noise зиёд шудани садо fidelity ва PSNR-ро паст мекунад.
- Навоварии асосии SAHQR истифодаи saliency-controlled differential precision ба ҷойи uniform encoding барои тамоми тасвир аст.
- Таҳқиқот барои рамзгузории тасвири квантии ба мазмун ҳассос proof-of-concept дастгирӣ медиҳад.
Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад
- Нишон дода нашудааст, ки SAHQR дар ҳар метрика аз ҳамаи усулҳои quantum image representation беҳтар аст.
- Кори SAHQR дар сахтафзори воқеии квантӣ нишон дода нашудааст.
- Quantum computational advantage ё wall-clock quantum speedup нисбат ба classical compression исбот нашудааст.
- Муаррифии 17 qubit маънои онро надорад, ки хотираи физикӣ нисбат ба тасвири классикӣ бо нисбати Теңод (18) камтар аст.
- Исбот нашудааст, ки gradient saliency минтақаи клиникии муҳими омос ё анатомияро боэътимод муайян мекунад.
- Натиҷаҳои 16×16 кори deployment-и баландҳалкунандагии клиникии MRI, CT ё SAR-ро исбот намекунанд.
- Симулятсияи noise-model санҷиши воқеии quantum-hardware noise validation нест.
- Натиҷаҳои PSNR ва SSIM маънои муваффақияти ташхиси клиникиро надоранд.
- Санҷиши клиникии saliency бо expert annotation, segmentation mask ё арзёбии радиолог анҷом дода нашудааст.
Маҳдудиятҳои асосии таҳқиқот
Муаллифон ошкоро эътироф мекунанд, ки хурд кардани ҳамаи тасвирҳо ба 16×16 пиксел тафсилоти сохторӣ ва семантикии тасвирҳои воқеиро ба таври назаррас кам мекунад. Ин махсусан барои тасвирҳои тиббӣ ва SAR муҳим аст; осебҳои хурд, сарҳадҳои борик ё текстураҳои радарӣ дар ҳалкунандагии баланд метавонанд ба чанд пиксел кам шаванд.
Saliency-и бар gradient асосёфта танҳо prominence-и сохториро медиҳад. Муаллифон мегӯянд, ки санҷиши клиникӣ бо domain-informed saliency, expert annotation ё segmentation mask бояд дар кори оянда анҷом дода шавад.
Дар quantum hardware-и воқеӣ хароҷоти noise, connectivity, transpilation, calibration, readout ва sampling санҷида нашудаанд. Натиҷаҳои Qiskit Aer ин масъалаҳои сахтафзориро пурра намояндагӣ карда наметавонанд.
Самтҳои кори оянда
Манбаъ ҳалкунандагии баландтар, block/patch-based quantum image representation, image-specific adaptive threshold, deep-learning saliency, quantum image operations-и минбаъда ба монанди filtering/transformation/edge-detection, multi-scale encoding, санҷиши воқеии quantum hardware ва санҷиши клиникии бар expert-annotation асосёфтаро пешниҳод мекунад.
Ёддошт оид ба Манбаъ ва Усул
Унвони аслӣ: A Hybrid Quantum-Classical Framework for Saliency-Aware Medical Image Encoding.
Муаллифон ва тартиб: Vrushali Nikam; Trupti Atre; Lavanya Santhosh; Asha Konasagara Nagaraja; Praveena Mydolalu Veerappa.
Corresponding author: Vrushali Nikam.
Муассиса 1: Computer Engineering, MET's Institute of Engineering—Bhujbal Knowledge City, Nashik 422003, India.
Муассиса 2: Computer Engineering, Gokhale Education Society's, R H Sapat College of Engineering Management Studies and Research, Nashik 422005, India.
Муассиса 3: CSE Programme, School of CSE, Dr. Ambedkar Institute of Technology, Bengaluru 560056, India.
Саҳми баробар: Дар манбаи боршуда нишонаи ҳаммуаллифи аввал/саҳми баробар дида намешавад.
Маҷалла: Quantum Reports.
Ношир: MDPI, Basel, Switzerland.
Ҷилд / шумора / рақами мақола: 8 / 2 / 46.
DOI: 10.3390/quantum8020046.
Received: 10 марти 2026.
Revised: 13 апрели 2026.
Accepted: 2 майи 2026.
Published: 7 майи 2026.
Навъи манбаъ: Мақолаи тадқиқотии рецензияшуда.
Ҳолати рецензия: Нашри маҷаллаи рецензияшуда.
Литсензия: Creative Commons Attribution, CC BY 4.0; ҳуқуқи муаллиф дар ихтиёри муаллифон мемонад.
Academic Editor: Mingxing Luo.
Усули асосии илмӣ: Classical gradient/Sobel saliency detection + saliency-controlled differential quantum image encoding + Qiskit statevector simulation + resource evaluation-и муқоисавӣ бо даҳ quantum-image representation.
Ҳаҷми асосии маълумот: 6097 MINC + 2000 SAR + 2298 Brain Tumor MRI = 10.395 тасвир.
Амалиёти таҷрибавии MINC: 6097 тасвир × 11 усул = 67.067 encoding operation.
Сахтафзори квантӣ: Physical quantum processor истифода нашудааст. Таҳлили асосии quantum circuit statevector simulation аст; noise test-ҳо Qiskit Aer simulation мебошанд.
Муҳити ҳисоббарории классикӣ: Google Colab, Ubuntu 22.04, NVIDIA Tesla T4, Python 3.10.
Quantum software: Qiskit 0.45.0.
Qiskit transpilation: Ченкуниҳои муқоисавии circuit resource бо decomposition ба \(\{u3,cx\}\) basis gate set-и стандартӣ ва optimization level 3 анҷом дода шудаанд.
Усули оморӣ: Descriptive statistics, independent t-tests ва Cohen's d effect size. Матни манбаъ дар баъзе бахшҳо ANOVA-ро низ зикр мекунад, аммо дар бахши натиҷаҳо омори муфассали ANOVA гузориш нашудааст. Ҷадвалҳои pairwise threshold-и \(p<0.001\)-ро медиҳанд; exact p values ҷудогона нишон дода намешаванд.
Маблағгузорӣ: Таҳқиқот гузориш медиҳад, ки external funding нагирифтааст.
Бархӯрди манфиатҳо: Муаллифон изҳор мекунанд, ки conflict of interest вуҷуд надорад.
Саҳмҳои муаллифон: Conceptualization, methodology, software, validation, visualization, supervision ва project administration асосан аз ҷониби Vrushali Nikam; formal analysis, investigation, data curation ва навиштан аз ҷониби ҳаммуаллифони гуногун иҷро шудаанд. Funding acquisition ба Trupti Atre, Lavanya Santhosh, Asha Konasagara Nagaraja ва Praveena Mydolalu Veerappa нисбат дода шудааст.
Дастрасии маълумот/код: Манбаъ мегӯяд, ки манбаъҳои MINC, Brain Tumor ва ICEYE кушодаанд ва implementation code бо experimental results дар GitHub repository-и ҷамъиятӣ дастрас аст. Дар Data Availability Statement нишонаи маҷмӯи сеюм иштибоҳан бори дуюм “Brain Tumor dataset” навишта шудааст, ҳарчанд дар тамоми таҳқиқот domain-и сеюм ҳамчун ICEYE SAR муайян мешавад.
Изҳороти истифодаи зеҳни сунъӣ: Дар бахши Acknowledgments гуфта мешавад, ки Claude 3.5 Sonnet барои LaTeX formatting ва technical-writing refinements истифода шудааст ва масъулияти муҳтавои нашр ба дӯши муаллифон аст.
Маҳдудияти асосии методологӣ: Ҳамаи тасвирҳо ба 16×16 поин оварда шудаанд. Deployment-и воқеии баландҳалкунандагӣ, quantum hardware-и воқеӣ ва clinical validation анҷом дода нашудааст.
Маҳдудияти Saliency: Sobel-gradient saliency prominence-и сохториро чен мекунад; ченаки domain-specific ё expert-validated diagnostic importance нест.
Номувофиқии дохили манбаъ 1: Таърифи compression ratio дар Теңод (18)/Ҷадвали 5 бо арзишҳои “Compress.” дар Ҷадвали 7 аз ҷиҳати ададӣ мустақиман мувофиқат намекунад.
Номувофиқии дохили манбаъ 2: Арзиши SAHQR compression дар Ҷадвали 7 3,18 аст, аммо дар муқоисаи JPEG-и Ҷадвали 10 9:1 дода шудааст; манбаъ фарқро ба таври равшан ҳамоҳанг намекунад.
Номувофиқии дохили манбаъ 3: Ҷадвали 7 SAHQR implementation score-ро 3, матни 9.12.6 бошад 5 медиҳад.
Номувофиқии дохили манбаъ 4: Cross-domain Ҷадвали 12 gate count-и миёнаи SAR ва Brain Tumor-ро тақрибан 348 медиҳад, дар ҳоле ки матни 9.11.6 тақрибан 540 ва 400-ро истифода мекунад.
Масъалаи возеҳии дохили манбаъ 5: Dataset statistics ифодаи \(\theta_s=0.5\)-ро медиҳад, аммо бахши method adaptive threshold-ро ҳамчун \(\theta_s=\mu_S+\alpha\sigma_S\), default \(\alpha=0\) муайян мекунад; ин ду истифода ба таври муфассал ҳамоҳанг карда нашудаанд.
Шарҳ гузоред
Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд