Тадқиқоти академӣ, забони фаҳмо

Verianla | Тадқиқоти академӣ ва илм ба забони тоҷикӣ

18 ноябр 2026, чоршанбе
VERİANLA Нашри мустақили илмӣ
Кушодан ё бастани меню
...
Саҳифаи асосӣ / Илмҳои тандурустӣ / Тадқиқоти тиббӣ / Оё Қабати Квантӣ Кӯмак Мекунад? Муқоисаи Моделҳои Гибридии Квантӣ–Классикӣ бо Дарназардошти Ихроҷи Маълумот дар Таснифи MRI-и Омоси Мағзи Сар
Тадқиқоти тиббӣ

Оё Қабати Квантӣ Кӯмак Мекунад? Муқоисаи Моделҳои Гибридии Квантӣ–Классикӣ бо Дарназардошти Ихроҷи Маълумот дар Таснифи MRI-и Омоси Мағзи Сар

Схемаи квантии вариатсионӣ (variational quantum circuit, VQC) схемаи квантии параметрнокест, ки хусусиятҳои классикии тасвирро ба кунҷҳои гардиши квантӣ рамзгузорӣ карда, ҳолати рамзшударо бо дарвозаҳои квантии омӯзишшаванда коркард мекунад ва қиматҳои интизории ченшудаи Pauli-Z-ро ба қабати классикии тасниф бармегардонад.

14/11/2026  Veri Anla  240 боздид
Оё Қабати Квантӣ Кӯмак Мекунад? Муқоисаи Моделҳои Гибридии Квантӣ–Классикӣ бо Дарназардошти Ихроҷи Маълумот дар Таснифи MRI-и Омоси Мағзи Сар

Схемаи квантии вариатсионӣ (variational quantum circuit, VQC), схемаи квантии параметрнокест, ки хусусиятҳои классикии тасвирро ба кунҷҳои гардиши квантӣ рамзгузорӣ мекунад, ин ҳолати рамзшударо бо дарвозаҳои квантии омӯзишшаванда коркард менамояд ва қиматҳои интизории ченшудаи Pauli-Z-ро дубора ба қабати классикии тасниф интиқол медиҳад. Ин таҳқиқот санҷидааст, ки оё чунин қабати VQC, ки барои таснифи тасвирҳои резонанси магнитии омоси мағзи сар (magnetic resonance imaging, MRI) истифода мешавад, воқеан ба дақиқии тасниф саҳм мегузорад ё не, бо муқоисаи он бо қабатҳои назорати классикии ҳампаҳно ва дар ҳамон шароити омӯзиш. Ҳамзамон, дар маҷмуаи кушодаи MRI ихроҷи маълумот байни омӯзиш–тест, ҳампӯшонии беморон ва нишонаҳои shortcut вобаста ба манбаи тасвир муфассал санҷида шудаанд.

Дар таҳқиқот версияи 2-и Kaggle Brain Tumor MRI Dataset, ки 13 феврали 2026 нашр шудааст, истифода гардид. Маҷмуаи маълумот дар маҷмӯъ 7200 буриши дученакаи JPEG MRI дорад: дар ҳар яке аз чор синф — glioma, meningioma, омоси гипофиз ва бе омос — 1800 тасвир мавҷуд аст. Тақсимоти расмӣ аз 5600 тасвири омӯзишӣ ва 1600 тасвири тестӣ иборат аст. Дар натиҷаи мутобиқсозӣ бо коллексияҳои манбаъӣ, барои 4846 тасвири омосӣ идентификатори бемор барқарор карда шудааст.

Аудити маълумот нишон дод, ки бо вуҷуди интизори “ҳампӯшонии омӯзиш–тест бартараф шудааст” дар тавсифи расмии маҷмуа, ихроҷи ҷиддӣ вуҷуд дорад. Бо аудити устувор ба оинасозӣ ва гардиш муайян шуд, ки 1269 аз 1600 тасвири расмии тестӣ, яъне тақрибан %79, бо тасвире дар қисми омӯзишӣ ба ҳамон гурӯҳи duplicate пайвастанд. Аз 917 тасвири тестии аз Figshare гирифташуда 915-тояшон бо ҳадди ақал як тасвири дигар аз ҳамон бемор дар қисми омӯзишӣ ҳампӯшӣ доштанд. Танҳо 87 тасвири расмии тестӣ зермаҷмуаи “strict-clean”-ро ташкил доданд, ки ҳам аз нусхаҳои ошкоршуда ва ҳам аз ҳампӯшонии маълуми беморон мустақил буданд.

Муқоисаи асосии муҳаққиқон байни head-и VQC-и шашкубитӣ ва дуқабатаи вариатсионӣ ва назорати классикии дорои ҳамон паҳноии вуруд/баромад бо Linear(6,6) + tanh мебошад. Дар cross-validation-и панҷқисмии бемор-гурӯҳшуда рӯйи хусусиятҳои яхкардашудаи ImageNet, VQC ба ҳисоби миёна 6,03 банди фоизӣ дақиқии пасттар аз назорати классикии мутобиқшуда нишон дод; фосилаи эътимоди %95 аз −6,78 то −5,20 банди фоизӣ буд. VQC ҳамчунин аз назорати классикии амиқтар ва аз модели классикии Fourier surrogate, ки синфи функсияҳои ҳисобшавандаи схемаи квантиро фаро мегирад, дақиқии пасттар дод.

Дар fine-tuning-и end-to-end фарқ кам шуд. Бо рецепти аввали омӯзиш EfficientNet-B0 + VQC дақиқии %94,1 ва назорати классикӣ %94,2 доданд ва фарқи −0,07 банди фоизӣ дар ҳадди эквивалентии ±1 банди фоизӣ монд. Аммо дар омӯзиши дарозтари асосёфта ба convergence, VQC %93,8 ва назорати классикӣ %94,5 дақиқӣ доданд; фарқи VQC −0,69 банди фоизӣ (%95 GA аз −1,25 то −0,13) буд ва эквивалентӣ дар ҳадди ±1 банди фоизӣ эълон карда нашуд. HQCNN-и гибридии квантӣ–классикии аз сифр омӯзонидашуда бошад, бо дақиқии %67,9 аз назорати классикии %76,2 ба андозаи 8,33 банди фоизӣ қафо монд.

Таҳқиқот ин натиҷаҳоро ба шакли “омӯзиши мошинии квантӣ ҳеҷ гоҳ кор намекунад” умумӣ намекунад. Натиҷа танҳо барои меъмории баррасишудаи dressed VQC, маълумоти классикии MRI, диапазони 2–10 кубит ва моделҳои encoding ва назорати санҷидашуда эътибор дорад. Илова бар ин, ҳамаи схемаҳои квантӣ дар компютери классикӣ симулятсия шудаанд; омӯзиш ё inference дар протсессори воқеии квантӣ анҷом нашудааст. Дақиқиҳои гузоришшуда набояд ҳамчун дақиқии ташхисии клиникӣ тафсир шаванд.

Саволи асосии таҳқиқот чист?

Дар таҳқиқоти таснифи тасвирҳои гибридии квантӣ–классикӣ дидани дақиқии умумии баланд худ аз худ нишон намедиҳад, ки қабати квантӣ воқеан фоиданок аст. Зеро қисми зиёди шабакаи гибридӣ метавонад ҳанӯз классикӣ бошад: CNN-и истихроҷкунандаи хусусиятҳои тасвир, проексияи хаттӣ барои сохтани вуруди схемаи квантӣ ва қабати баромад, ки ченкуниҳои квантиро ба синфҳо табдил медиҳад, ҷузъҳои классикӣ мебошанд.

Аз ин рӯ, саволи марказии таҳқиқот танҳо “модели гибридӣ чанд фоиз дақиқӣ дод?” нест. Саволи қавитар чунин аст: Агар ҳамон backbone-и классикӣ, ҳамон маълумот, ҳамон протоколи омӯзиш ва ҳамон паҳноии bottleneck нигоҳ дошта шуда, танҳо схемаи квантӣ бо қабати классикии ҳампаҳно иваз карда шавад, оё самаранокӣ воқеан паст мешавад?

Агар ҷавоб не бошад, самаранокии умумии баландро ба қабати квантӣ нисбат додан мумкин нест.

Ихроҷи Маълумот Чист ва Чаро Дар Ин Таҳқиқот Масъалаи Критикӣ Аст?

Ихроҷи маълумот ҳолатест, ки ба ҷойи арзёбии маълумоти воқеан нодида дар марҳилаи тест, ҳангоми омӯзиш ҳамон тасвир, нусхаи коркардшудаи он ё тасвирҳои хеле монанд аз ҳамон бемор ба модель ба таври ғайримустақим нишон дода мешаванд; дар ин таҳқиқот муайян гардид, ки азбаски %79 маҷмуаи расмии тестӣ бо нусхае дар омӯзиш пайваст аст ва 915 аз 917 тасвири тестии figshare бо ҳамон бемор дар омӯзиш ҳампӯшӣ доранд, қисми муҳими дақиқии баланди тестӣ метавонад самаранокии воқеии умумисозиро аз воқеият баландтар нишон диҳад.

Нусхаи дақиқ ва нусхаи наздик як чиз нестанд

Муҳаққиқон чанд навъи ихроҷро алоҳида ҷустуҷӯ карданд.

  • Exact duplicate: Тасвирҳое, ки массивҳои пикселиашон комилан якхеланд. Онҳо бо MD5 checksum-и массиви пикселии decode-шуда муайян гардиданд.
  • Near-duplicate: Намунаҳое, ки дубора JPEG-кодгузорӣ, тағйири андоза ё фарқиятҳои хурди коркард доранд, аммо аслан ҳамон тасвирро нигоҳ медоранд.
  • Mirrored copy: Нусхаҳое, ки ба онҳо табдилҳои уфуқӣ/амудӣ ё дигар инъикос татбиқ шудаанд.
  • Rotated/flipped copy: Мувофиқҳое, ки бо яке аз ҳашт табдили гардиш ва инъикоси тасвири мураббаъ гирифта шудаанд.
  • Patient overlap: Ҳатто агар тасвирҳо айнан яксон набошанд, мавҷуд будани буришҳои гуногуни MRI-и ҳамон бемор дар маҷмуаҳои омӯзиш ва тест.

Номзадҳои near-duplicate бо 64-bit perceptual hash (pHash) скан карда шуда, шарт гузошта шуд, ки масофаи Hamming на бештар аз 8 bit бошад. Сипас талаб карда шуд, ки коррелятсияи салибии нормализатсияшудаи (normalized cross-correlation, NCC) thumbnail-ҳои 64 × 64 пикселии ҷуфтҳои номзад ҳадди ақал 0,95 бошад.

Масофаи Hamming, шумораи битҳоест, ки дар ду пайдарпаии битӣ аз ҳам фарқ мекунанд. Масалан, агар масофаи Hamming байни ду pHash-и 64-bit баробар ба 8 бошад, дар ҳашт аз 64 мавқеъ қиматҳои битӣ фарқ мекунанд. Масофаи хурди Hamming ба монандии сохторҳои визуалӣ ишора мекунад; аммо танҳо он кофӣ ҳисоб нашуда, тасдиқи NCC низ истифода шудааст.

NCC, ченаки коррелятсияи нормализатсияшудаест, ки монандии хаттии ду намунаи тасвирро чен мекунад. Ҳадди 0,95 дар таҳқиқот ҳамчун санҷиши дувум истифода шуд, то номзадҳои pHash воқеан тасвирҳои хеле монанд бошанд.

Чаро оинасозӣ ва гардиш махсусан муҳим буданд?

pHash-и стандартӣ нисбат ба оинасозӣ ва гардиш invariant нест. Яъне ҳатто агар тасвири оинагии буриши MRI ба чашми инсон равшан ҳамон тасвир намояд, дар муқоисаи мустақими pHash метавонад ба қадри кофӣ наздик набошад. Аз ин рӯ муҳаққиқон ҳашт табдили гардиш/инъикоси ҳар тасвирро дар мураббаъ арзёбӣ карда, хурдтарин масофаи Hamming ва қимати мувофиқи NCC-ро истифода карданд.

Аудити аввал 385 ҷуфти exact ва 6162 ҷуфти near-duplicate ёфт, дар ҳоле ки аудити такмилёфтаи устувор ба табдилҳо иловатан 7915 ҷуфти оинашуда ва 10.161 ҷуфти гардишёфта/flipped-ро муайян кард. Шумораи умумии duplicate-pair ба 24.623 расид ва 9699-тои онҳо сарҳади омӯзиш–тестро убур карданд.

МеъёрНатиҷаи манбаъШарҳ
Ҳамаи тасвирҳо7200Дар ҳар яке аз чор синф 1800 тасвир
Омӯзиш / тести расмӣ5600 / 1600Дар ҳар синф 1400 омӯзиш + 400 тест
Ҳамаи ҷуфтҳои duplicate-и ошкоршуда24.623Ҷамъи ҷуфтҳои exact, near, mirrored ва rotated/flipped
Ҷуфтҳои duplicate, ки сарҳади омӯзиш–тестро убур мекунанд9699Пайвастҳое, ки ба тақсимоти расмӣ мустақим таъсир мекунанд
Тасвири тестӣ, ки нусхааш дар омӯзиш аст1269 / 1600 (%79)Аудити такмилёфта бо дохил кардани намунаҳои augmented
Ҳампӯшонии бемор дар тасвирҳои тестии аз Figshare915 / 917Ҳамон бемор дар қисми омӯзиш низ мавҷуд аст
Тести strict-clean бе ягон нусха ё пайванди маълуми бемор8774 glioma, 11 meningioma, 2 омоси гипофиз; намунаи бе омос нест
Ошкор кардани ихроҷи маҷмуаи маълумот ва гузариш ба протоколи асосии арзёбии бемор-гурӯҳшуда. Робитаҳои илмии Figure 1 ва Figure 3-и манбаъ ва рақамҳои дақиқи гузоришшуда истифода шудаанд; ин нусхаи пикселии фигураи аслӣ нест.

Чаро манбаи маълумот алоҳида баррасӣ шуд?

Омадани як синфи омос аз дастгоҳҳои гуногун, пайдарпаии гуногуни MRI, матритсаҳои гуногуни тасвир ё занҷирҳои гуногуни коркарди JPEG метавонад барои модель роҳи shortcut-и номатлуб созад. Модель ба ҷойи омӯхтани морфологияи омос метавонад манбаи маълумотии тасвирро омӯзад.

Аз ин рӯ муҳаққиқон таснифгарҳои gradient-boosting-ро бо хусусиятҳое чун паҳно ва баландии тасвир, aspect ratio, 512 × 512 будан, ҳолати ранг, андозаи файли JPEG, омори глобалии интенсивият ва ҳатто thumbnail-и танҳо 8 × 8 пиксел, ки намуди муфассали омосро дар бар намегирад, омӯзонданд.

Ҳангоми истифодаи танҳо андозаи тасвир, aspect ratio ва ҳолати ранг ҷудокунии омос–бе омос бо дақиқии %91,8 анҷом шуд. Ҳангоми истифодаи танҳо thumbnail-и 8 × 8 дақиқии чорсинфа %78,9 буд; сатҳи тасодуфӣ %25 аст. Ҳатто дар Protocol 3-и бемор-гурӯҳшуда ин thumbnail-и дағал %78,1 дақиқӣ дод.

Ҳатто пас аз стандартсозии тасвирҳо ва бартараф кардани нишонаҳои зиёде чун фон, сарҳад, андозаи матритса ва шкалаи интенсивият, thumbnail-и 8 × 8 дар чор синф %69,7 дақиқӣ дод. Ин натиҷаҳо нишон медиҳанд, ки тамғакҳои синф дар маҷмуа на танҳо аз намуди бофтаи омос, балки аз сигналҳои дигар чун манбаи тасвирбардорӣ ва анатомияи дағал низ пешгӯӣ мешаванд.

Чаро 76 тасвири glioma-и “out-of-source” муҳим аст?

Аз 400 тасвири glioma дар қисми расмии тест, 76-тояш ба манбаъ ва тақсимоти тасвирбардории дигар нисбат ба тасвирҳои glioma-и омӯзишӣ тааллуқ доранд. Ҳамаи 1400 тасвири glioma дар омӯзиш формати 512 × 512 figshare доштанд, аммо ин 76 тасвир дар 61 андозаи гуногуни матритса буданд.

Мутобиқсозии манбаъ нишон дод, ки ин 76 тасвир нусхаҳои пикселии тасвирҳои тестии glioma дар коллексияи SARTAJ мебошанд. Ҳамин тавр, онҳо на танҳо “бемори нав”, балки манбаи маълумоте мебошанд, ки модель барои синфи glioma ҳангоми омӯзиш надидааст.

Гарчанде моделҳои fine-tuned дар дақиқии умумии бемор-гурӯҳшуда ба тақрибан %94 расиданд, дар ин 76 тасвир танҳо %46,1–61,8 дақиқӣ нишон доданд. Ин фарқ зарурати ҷудо кардани дақиқии умумиро аз рӯи манбаи маълумот равшан нишон медиҳад.

Хатоҳои эҳтимолии тамға

Скани Confident-learning аз 6997 тасвири augmented-набуда 28-тояшро барои хатои эҳтимолии тамға қайд кард. Аз онҳо 19-то аз figshare буданд. Аннотатсияи аслии Figshare дар 15 ҳолат тамғаи мавҷударо дастгирӣ кард, дар чор тасвир бошад синфи алтернативии пешниҳодкардаи моделро дастгирӣ кард.

Манбаъ ин 28 тасвирро “тамғаи қатъан нодуруст” намегӯяд. Азбаски баррасии мустақили радиолог гузаронида нашудааст, онҳо танҳо candidate label errors, яъне номзадҳое мебошанд, ки баррасии экспертиро талаб мекунанд ва аз таҳлилҳои асосӣ хориҷ карда нашудаанд.

Схемаи Квантии Вариатсионӣ Дар Ин Модель Дақиқан Чӣ Мекунад?

Dressed VQC-и таҳқиқот хусусиятҳои баландандозаи аз backbone-и классикии CNN омадаро аввал ба n кунҷ фишурда, ин кунҷҳоро ба гардишҳои RY-и n кубит рамзгузорӣ мекунад, бо гардишҳои омӯзишшавандаи яккубитӣ ва ҳалқаҳои CNOT коркард менамояд, дар ҳар кубит қимати интизории Pauli-Z-ро чен карда, n адади воқеии ҳосилшударо ба logit-ҳои классикии чор синфи MRI табдил медиҳад; бинобар ин схемаи квантӣ тамоми модель нест, балки қабати хурди миёна байни истихроҷкунандаи хусусияти классикӣ ва қабати классикии баромад аст.

Кубит чист?

Дар ҳоле ки бити классикӣ танҳо дар ҳолати 0 ё 1 муайян мешавад, кубит, пеш аз ченкунӣ метавонад дар суперпозитсияи квантии ду ҳолати асосӣ бо амплитудаҳои комплексӣ бошад. Ҳолати умумии яккубитӣ ба таври консептуалӣ:

\[ |\psi\rangle=\alpha|0\rangle+\beta|1\rangle, \qquad |\alpha|^2+|\beta|^2=1 \]

навишта мешавад. Ин ифода натиҷаи нави таҳқиқот нест; он намоиши асосии механикаи квантӣ барои шарҳи мафҳуми кубит дар VQC мебошад.

Муодилаи (1): Хусусиятҳои классикӣ чӣ гуна ба кунҷҳои квантӣ табдил мешаванд?

Дар манбаъ тавлиди кунҷҳое, ки аз вектори хусусиятҳои классикӣ ба схемаи квантӣ медароянд:

\[ \mathbf{x} = \frac{\pi}{2} \tanh(W\mathbf{f}+\mathbf{b}) \in \left(-\frac{\pi}{2},\frac{\pi}{2}\right)^n \tag{1} \]

чунин дода шудааст.

Дар ин ҷо:

  • \(\mathbf{f}\), вектори хусусиятҳои \(d\)-андозаи аз backbone-и классикӣ омада.
  • \(W\), матритсаи табдили хаттии омӯзишшаванда.
  • \(\mathbf{b}\), вектори bias-и омӯзишшаванда.
  • \(\tanh\), функсияи тангенси гиперболикӣ аз рӯи элемент.
  • \(\mathbf{x}=(x_1,\ldots,x_n)\), \(n\) кунҷи гардишро, ки ба схемаи квантӣ рамзгузорӣ мешаванд, дар бар мегирад.
  • \(n\), ҳамзамон шумораи кубитҳо дар VQC аст.

Азбаски баромади \(\tanh\) байни −1 ва +1 аст, ҳангоми зарб ба \(\pi/2\) ҳар кунҷ байни \(-\pi/2\) ва \(+\pi/2\) маҳдуд мешавад. Ҳамин тавр ҳазорҳо хусусияти классикии CNN мустақиман ба ҳазорҳо кубит бор намешаванд; аввал ба bottleneck-и хурди \(n\)-андоза фишурда мешаванд.

Дар модели асосии шашкубитӣ, масалан, вектори pooled-и 1280-андозаи EfficientNet-B0 аввал танҳо ба шаш кунҷ кам карда мешавад. Худи ин камкунии андоза bottleneck-и муҳими иттилоотӣ аст ва ҳангоми тафсири ҳисоби минбаъдаи схемаи квантӣ бояд ба назар гирифта шавад.

Дарвозаҳои Hadamard ва RY чӣ кор мекунанд?

Ҳар кубит дар оғоз дар ҳолати \(|0\rangle\) аст. Дар схемаи манбаъ аввал дарвозаи Hadamard (\(H\)), сипас гардиши \(R_Y(x_i)\) татбиқ мешавад.

Дарвозаи Hadamard кубити дар ҳолати асосӣ бударо ба суперпозитсияи ду ҳолати асосӣ мебарад. \(R_Y(x_i)\) бошад дар рӯи кураи Bloch дар атрофи меҳвари Y ба андозаи кунҷи \(x_i\) гардиш медиҳад. Ҳамин тавр кунҷи ададии аз хусусиятҳои классикӣ гирифташуда ба амплитудаҳои ҳолати квантӣ рамзгузорӣ мешавад.

Дарвозаи омӯзишшавандаи Rot

Дар ҳар қабати вариатсионӣ ба ҳар кубит:

\[ \operatorname{Rot}(\alpha,\beta,\gamma) = R_Z(\gamma)R_Y(\beta)R_Z(\alpha) \]

гардиши умумии яккубитӣ бо се кунҷи омӯзишшаванда татбиқ шудааст.

Азбаски дар шаш кубит ва ду қабати вариатсионӣ барои ҳар кубит дар як қабат се параметр мавҷуд аст, шумораи параметрҳои омӯзишшавандаи схемаи квантӣ:

\[ 6\times2\times3=36 \]

мешавад.

Ҳалқаи CNOT ва печидагии квантӣ

Пас аз гардишҳои яккубитӣ кубитҳо бо ҳалқаи controlled-NOT (CNOT) пайваст шудаанд. Дар ҳалқа кубити \(i\), кубити \(i+1\)-ро назорат мекунад ва индекс пас аз кубити охирин боз ба кубити аввал бармегардад.

Дарвозаҳои дукубитӣ мисли CNOT метавонанд дар ҳолатҳои вуруди мувофиқ байни кубитҳо печидагии квантӣ ба вуҷуд оранд. Аммо яке аз натиҷаҳои муҳими аблятсионии ин таҳқиқот он аст, ки хориҷ кардани ҳалқаи CNOT дақиқиро паст накард, балки дар таҷрибаи асосии шашкубитӣ зиёд намуд. Аз ин рӯ, шарҳи “печидагӣ истифода шуд, пас бартарӣ аз печидагии квантӣ омад” аз ҷониби манбаъ дастгирӣ намешавад.

Муодилаи (2): Ҳолати квантии VQC

Муодилаи схемаи манбаъ рамзгузории кунҷ ва \(L\) қабати вариатсиониро дар сохтори умумии зерин ифода мекунад:

\[ |\psi(\mathbf{x};\boldsymbol{\theta})\rangle = U_{\mathrm{ent}}R(\boldsymbol{\theta}^{(L)}) \cdots U_{\mathrm{ent}}R(\boldsymbol{\theta}^{(1)}) \left[ \bigotimes_{i=1}^{n} R_Y(x_i)H \right] |0\rangle^{\otimes n} \tag{2} \]

Дар ин ҷо:

  • \(|0\rangle^{\otimes n}\), ҳолати ибтидоии ҳамаи \(n\) кубит.
  • \(\bigotimes\), нишон медиҳад, ки амалҳо ба кубитҳои гуногун бо ҳосили тензорӣ татбиқ мешаванд.
  • \(R_Y(x_i)\), рамзгузории кунҷи классикии \(i\) ба кубити мувофиқ.
  • \(R(\boldsymbol{\theta}^{(\ell)})\), сохтори умумии гардишҳои омӯзишшавандаи яккубитӣ дар қабати \(\ell\).
  • \(U_{\mathrm{ent}}\), қабати печидагӣ аз ҳалқаи CNOT.
  • \(L\), шумораи қабатҳои вариатсионӣ.
  • \(\boldsymbol{\theta}\), ҳамаи параметрҳои омӯзишшавандаи схемаи квантӣ.

Дар модели асосӣ \(n=6\) ва \(L=2\).

Аз схема адади классикӣ чӣ гуна ҳосил мешавад?

Барои ҳар кубит қимати интизории оператори Pauli-Z чен карда мешавад:

\[ z_i = \langle\psi(\mathbf{x};\boldsymbol{\theta})| Z_i |\psi(\mathbf{x};\boldsymbol{\theta})\rangle, \qquad z_i\in[-1,1]. \]

\(Z_i\) ченкунии Pauli-Z-ро танҳо дар кубити \(i\) ифода мекунад. Қимати интизорӣ дар як ченкунӣ танҳо 0 ё 1 нест; он қимати воқеӣ байни −1 ва +1 мебошад, ки аз тақсимоти эҳтимолияти ба вуҷудомада аз ченкуниҳои зиёд ё симулятсияи пурраи ҳолат ҳисоб мешавад.

Схемаи шашкубитӣ ҳамин тавр шаш адади воқеӣ медиҳад. Қабати ниҳоии хаттии классикӣ ин шаш қиматро ба чор logit барои чор синф табдил медиҳад ва қарори тасниф аз ҳамин баромади классикӣ гирифта мешавад.

Ҷойгоҳи воқеии dressed VQC дар модель ва мантиқи назорати классикии ҳампаҳно. Ба сохтори семантикии Figure 2-и манбаъ асос ёфтааст; нусхаи айнании расми манбаъ нест.

Чаро назорати классикӣ бояд “ҳампаҳно” бошад?

Гузоштани шабакаи классикии хеле калон ё хеле хурд ба ҷойи VQC-и шашкубитӣ ҷудо кардани он ки фарқи самаранокӣ аз ҳисоббарории квантӣ ё аз иқтидори модель меояд, душвор мекунад.

Аз ин рӯ назорати асосии классикӣ ба шаш вуруд ва шаш баромади VQC мувофиқ Linear(6,6) + tanh истифода кардааст. Дар муқобили 36 параметри квантии омӯзишшавандаи VQC-и шашкубитӣ, қабати миёнаи классикӣ 42 параметр дорад.

Таҳқиқот эътироф кардааст, ки ин ҳам “баробарии қудрати ифода”-ро пурра таъмин намекунад ва ду назорати классикии иловагӣ истифода кардааст:

  • Deeper control: ду қабати Linear(6,6) + tanh; 84 параметри қабати миёна.
  • Fourier surrogate: барои фаро гирифтани синфи функсияҳои тригонометрие, ки VQC бо рамзгузории яккаратаи кунҷ ҳисоб карда метавонад, \(3^6=729\) хусусияти тригонометрии классикӣ.

Аҳамияти Fourier surrogate калон аст. Дар манбаъ шарҳ дода мешавад, ки ҳар баромади VQC дар ҳар кунҷи вуруд полиноми тригонометрӣ бо басомадҳои \(\{-1,0,1\}\) мебошад. Андозаи базиси имконпазири ҳосил барои шаш вуруд:

\[ 3^6=729 \]

мешавад. Ҳар хусусият дар ин базис:

\[ \prod_i g_i(x_i), \qquad g_i\in\{1,\cos x_i,\sin x_i\} \]

шакл дорад. Аз ин рӯ модели классикии хаттӣ метавонад синфи функсияҳоеро, ки ин тарҳи схема тавлид карда метавонад, ифода намояд. Дар таҳқиқот ин surrogate аз VQC дақиқтар баромад.

Оё натиҷаи “barren plateau” исбот шуд?

Не. Паст шудани дақиқии схемаҳои ҳашт ва даҳкубитӣ ва талаб кардани омӯзиши дарозтар аз ҷониби модели квантӣ аз ҷониби муаллифон бо ландшафтҳои ҳамвортари оптимизатсия, ки дар схемаҳои квантӣ маълуманд, мувофиқ дониста мешавад; аммо таҳқиқот бо чен кардани мустақими вариатсияи gradient barren plateau-ро исбот накардааст.

Оё схемаи квантӣ дар таҷҳизоти воқеии квантӣ иҷро шуд?

Не. Схемаҳои бе садо бо симулятори batched state-vector, ки бо PyTorch навишта шудааст, пурра дар CPU/GPU-и классикӣ симулятсия шуданд. Схемаҳои садодор бо density-matrix simulation ҳисоб шуданд. PennyLane танҳо барои тасдиқи баромади симулятори таҳияшуда истифода шуд.

Аз ин рӯ қиматҳои latency монанди 18,8 ms дар таҳқиқот вақти кори протсессори квантӣ нестанд. Онҳо вақтҳои forward-pass-и GPU-и классикӣ дар RTX 3090 мебошанд, ки симулятсияи схемаи квантиро ҳам дар бар мегиранд.

Модели depolarizing noise

Дар таҷрибаи садо пас аз ҳар gate layer ба ҳар кубит канали деполяризатсияи яккубитӣ татбиқ шуд:

\[ \rho \rightarrow (1-p)\rho + \frac{p}{3} \left( X\rho X+Y\rho Y+Z\rho Z \right). \]

Дар ин ҷо:

  • \(\rho\), ҳолати density matrix-и кубит.
  • \(p\), эҳтимоли татбиқи хатои Pauli дар ин қабат.
  • \(X,Y,Z\), операторҳои Pauli.

\(p=0\) симулятсияи идеалии бе садоро, \(p\)-и калонтар деполяризатсияи қавитарро ифода мекунад. Дар манбаъ қиматҳои \(p=\{0{,}001,0{,}003,0{,}01,0{,}03,0{,}1\}\) санҷида шудаанд.

Ин модель ҳамаи манбаъҳои хатои таҷҳизоти воқеиро дар бар намегирад. Crosstalk, readout error, топологияи маҳдуди пайвастшавӣ ва хароҷоти воқеии gate decomposition ба модель дохил нашудаанд.

“Shot” чӣ маъно дорад?

Дар компютери воқеии квантӣ қимати интизорӣ аз як ченкунӣ ба таври дақиқ гирифта намешавад. Ҳамон схема борҳо иҷро шуда, омори натиҷаҳои ченкунӣ истифода мешавад. Як бор омода ва чен кардани схема одатан shot номида мешавад.

Дар таҳқиқот барои тақлид кардани таъсири finite-shot аз тақсимоти exact outcome probability \(S\) натиҷа намунагирӣ шуд. Шумораи shot-ҳои санҷидашуда:

\[ S\in\{16,64,256,1024,4096\} \]

буд.

Quantum kernel чист?

Ҷудо аз таҷрибаҳои model-head, муҳаққиқон quantum-kernel support vector machine (SVM)-ро бо классикии radial basis function (RBF) kernel SVM низ муқоиса карданд.

Хусусиятҳои EfficientNet-B0 аввал бо principal component analysis (PCA) ба 4, 6, 8 ё 10 компонент кам шуда, ба фосилаи [0,1] миқёсбандӣ шуданд. Барои Quantum kernel аз ZZ feature map истифода шуд.

Монандии kernel-и ду вуруд бо fidelity-и ҳолатҳои квантӣ муайян шуд:

\[ k(\mathbf{x},\mathbf{x}') = \left| \langle\psi(\mathbf{x})|\psi(\mathbf{x}')\rangle \right|^2. \]

Квадрати мутлақи ҳосили дохилӣ қимати монандӣ байни 0 ва 1 аст. Дар ҳамон ҳолати квантӣ ба 1 мерасад; бо фарқ кардани ҳолатҳо метавонад кам шавад.

Муқоисакунандаи классикӣ дар ҳамон вурудҳои PCA аз RBF kernel истифода кард. Ҳамин тавр, ду kernel аз рӯи ҳамон маълумоти вуруди камандоза муқоиса шуданд.

Усул ва Натиҷаҳои Таҳқиқот

Brain Tumor MRI Dataset версияи 2

СинфОмӯзишТестҲамагӣ
Glioma14004001800
Meningioma14004001800
Омоси гипофиз14004001800
Омос нест14004001800
Ҳамагӣ560016007200

Коллексияи Figshare 3064 буриши контрастноки T1-weighted MRI аз 233 беморро дар бар мегирад ва дар якҷоягӣ бо идентификаторҳои аслии беморон навъи омос ва ниқоби дастии омосро медиҳад. Мутобиқсозии provenance-и таҳқиқот тавонист 4846 аз 5400 тасвири омосии маҷмуаи Kaggle-ро ҳамчун аз figshare омада мутобиқ кунад.

Манбаъҳои тасвирҳои боқимондаи омос бо мутобиқсозӣ ба коллексияи SARTAJ таҳқиқ шуданд. Маълумоти JPEG quantization table, chroma subsampling ва color mode низ ҳамчун fingerprint-и занҷири истеҳсол/коркард сабт шуданд.

Се протоколи арзёбӣ

ПротоколСохторҲадаф / ҳади тафсир
Protocol 1Тақсимоти расмии 5600/1600; 800 тасвир аз омӯзиш барои validation ҷудо мешавадБарои чен кардани таъсири ихроҷ ва source-shift нигоҳ дошта шудааст; муқоисаи асосии модель нест
Protocol 2Grouped CV-и панҷқисмӣ; гурӯҳҳои audit-и аввалини duplicate байни fold-ҳо тақсим намешавандРавише, ки дар пешниҳоди аввал истифода шуд; пас аз auditi revised нокифоя буданаш маълум гардид
Protocol 3Гурӯҳҳои revised duplicate + ҳамаи тасвирҳои ҳамон бемори figshare якҷоя шуда панҷ fold ташкил медиҳандПротоколи асосии арзёбӣ; ҳамон бемори маълум ё нусхаи ошкоршуда байни fold-ҳо гузашта наметавонад

Дар Protocol 3 ҳар яке аз 6997 тасвири augmented-набуда дақиқан як бор пешгӯии out-of-fold тест мегирад. Барои тасвири тестии аз Figshare, fold-и омӯзонандаи модель на ин тасвирро, на нусхаи ошкоршудаашро ва на тасвири дигари figshare-и ҳамон беморро мебинад.

Аммо манбаъ маҳдудияти муҳими боқимондаро зикр мекунад: дар тасвирҳои омосии берун аз figshare ва тасвирҳои бе омос идентификатори бемор вуҷуд надорад. Аз ин рӯ эҳтимоли он ки буришҳои дигари ҳамон муоина, ки duplicate detector онҳоро нагирифтааст, ба fold-ҳои гуногун афтанд, пурра бартараф нашудааст.

Таҷрибаҳои frozen-feature

Чор backbone-и ImageNet-pretrained танҳо ҳамчун истихроҷкунандаи хусусиятҳои собит истифода шуданд:

BackboneАндозаи хусусият d
EfficientNet-B01280
DenseNet-1211024
ResNet-502048
MobileNetV21280

Тасвирҳо ба grayscale табдил дода, ба се канал нусхабардорӣ, ба 256 × 256 пиксел тағйири андоза, аз марказ ба 224 × 224 бурида ва бо омори ImageNet нормализатсия шуданд. Хусусиятҳои pooled бо миёна ва инҳирофи стандартии ҳар fold-и омӯзиш стандартӣ гардиданд.

Ҳашт head-и гуногун муқоиса шуданд:

  • VQC-и 6-кубит, 2-қабат;
  • назорати классикии мутобиқшуда;
  • назорати классикии амиқтар;
  • Fourier surrogate;
  • bottleneck-only;
  • linear probe;
  • MLP бо 256 воҳиди пинҳонӣ;
  • untrained VQC бо параметрҳои квантии дар ҳолати random-и ибтидоӣ яхкардашуда.

Head-ҳо бо Adam optimizer омӯзонда шуданд; weight decay \(10^{-4}\), batch size 128 ва ҳадди аксар 80 epoch истифода шуд. Агар validation loss панҷ epoch беҳтар намешуд, learning rate нисф мешуд; агар даҳ epoch беҳбудӣ набуд, омӯзиш қатъ мешуд. Learning rate-и ибтидоӣ дар ҳар шароит аз:

\[ \{10^{-3},3\times10^{-3},10^{-2}\} \]

аз рӯи validation loss интихоб шуд.

Оё Қабати Квантӣ Дар Ин Benchmark Воқеан Фоида Дод?

Не; дар се режими асосии омӯзише, ки таҳқиқот санҷид, VQC-и шашкубитӣ дақиқии қабати классикии ҳампаҳноро зиёд накард: дар таҷрибаҳои frozen-feature ба таври равшан қафо монд, дар fine-tuning-и end-to-end ба тақрибан ҳамон сатҳ наздик шуд, аммо дар омӯзиши convergence-based боз 0,69 банди фоизӣ паст монд ва дар HQCNN-и аз сифр омӯзондашуда нисбат ба назорати классикӣ 8,33 банди фоизӣ дақиқии пасттар дод; ин натиҷа танҳо барои схема, маҷмуаи маълумот ва протоколҳои омӯзиши баррасишуда эътибор дорад.

РежимМуқоисаФарқи дақиқӣ%95 GAШарҳи манбаъ
Frozen featuresVQC − назорати классикии мутобиқшуда−6,03 банди фоизӣ−6,78 то −5,20Назорати классикӣ дар 20/20 блоки backbone–fold беҳтар
Frozen featuresVQC − deeper control−4,71 банди фоизӣ−5,63 то −3,73Модели классикӣ дар 20/20 блок беҳтар
Frozen featuresVQC − Fourier surrogate−5,27 банди фоизӣ−6,20 то −4,39Surrogate-и классикӣ, ки синфи функсияи схемаро фаро мегирад, беҳтар
End-to-end, Block AVQC − назорати классикӣ−0,07 банди фоизӣ−1,08 то +1,00Дар ±1 pp эквивалент
End-to-end, Block BVQC − назорати классикӣ−0,69 банди фоизӣ−1,25 то −0,13Эквивалентии ±1 pp эълон нашуд
Standardized images, Block CVQC − назорати классикӣ−1,11 банди фоизӣ−2,07 то −0,20VQC пасттар
From scratchHQCNN − назорати классикӣ−8,33 банди фоизӣ−12,72 то −4,06Назорати классикӣ беҳтар

Тафсилоти натиҷаҳои frozen-feature

HeadEfficientNet-B0DenseNet-121ResNet-50MobileNetV2
VQC82,0 ± 3,479,5 ± 3,576,0 ± 4,078,5 ± 2,1
Назорати классикӣ86,4 ± 2,986,4 ± 3,183,1 ± 3,184,3 ± 3,9
Deeper control84,4 ± 2,685,5 ± 2,881,3 ± 2,983,7 ± 3,7
Fourier surrogate85,5 ± 3,385,4 ± 3,682,1 ± 2,684,2 ± 2,9
Bottleneck only87,6 ± 3,287,9 ± 3,685,5 ± 2,586,4 ± 3,6
Linear probe88,1 ± 3,088,1 ± 3,186,0 ± 2,387,1 ± 3,6
MLP87,9 ± 2,888,8 ± 3,286,3 ± 2,187,5 ± 3,7
Untrained VQC80,6 ± 4,578,1 ± 4,869,7 ± 3,077,0 ± 5,8

Қиматҳои ± дар ин ҷо инҳирофи стандартии дақиқии seed-averaged дар панҷ fold барои ҳар backbone мебошанд.

Омӯзонидашуда будани VQC комилан бефоида нест: VQC-и омӯзонидашуда аз VQC-и бо параметрҳои random яхкардашуда ба ҳисоби миёна 2,67 банди фоизӣ дақиқтар баромад (%95 GA 1,11–4,24). Пас омӯзиши параметрҳои схема як андоза саҳм гузошт; аммо ин саҳм қабати квантиро аз назоратҳои классикӣ боло бурдан кофӣ набуд.

Бо зиёд шудани шумораи кубитҳо чӣ шуд?

Дар хусусиятҳои frozen-и EfficientNet-B0 паҳноии bottleneck ва шумораи кубитҳои VQC ба 2, 4, 6, 8 ва 10 тағйир дода шуд.

VQC аз ду то шаш кубит дар сатҳи тақрибан %83,3–83,6 монд, дар ҳашт кубит ба %80,8 ва дар даҳ кубит ба %81,4 паст шуд. Назорати классикӣ бошад бо зиёд шудани паҳно аз %82,0 дар ду воҳид то %86,6 дар ҳашт воҳид баланд шуд.

VQC танҳо дар ду кубит аз назорати классикӣ +1,3 банди фоизӣ беҳтар буд; аммо ин фарқ танҳо дар се аз панҷ fold ҳамон самт дошт ва ҳар ду модель аз дақиқии %84,2-и bottleneck-only head паст монданд. Манбаъ ин натиҷаро бартарии устувори квантӣ намешуморад.

Амиқии схема

Дар шаш кубит шумораи қабатҳои вариатсионӣ ба 1, 2, 4 ва 6 тағйир дода шуд. Дақиқӣ аз %83,0 дар як қабат то %85,0 дар чор қабат боло рафт ва дар шаш қабат %84,8 шуд. Бо вуҷуди ин беҳбудӣ назорати классикӣ бо %86,7 баландтар монд.

Ҳангоми хориҷ кардани печидагӣ чӣ шуд?

Дар схемаи асосии шашкубитӣ ва дуқабат, пурра хориҷ кардани ҳалқаи CNOT дақиқиро аз %83,5 ба %86,4 баланд кард; нисбат ба VQC-и стандартӣ фарқи +2,9 банди фоизӣ буд. Версияи бе печидагӣ аз назорати классикӣ танҳо −0,3 банди фоизӣ фарқ дошт.

Ин натиҷа хулосаи умумии физикии “печидагии квантӣ зараровар аст” нест. Он танҳо нишон медиҳад, ки барои ин сохтори схема, ин намояндагии маълумот ва ин вазифаи тасниф ҳалқаи CNOT ба дақиқии ченшуда фоида нарасонд.

Data re-uploading

Аз нав татбиқ кардани encoding-и \(R_Y(x_i)\) пеш аз ҳар қабати вариатсионӣ, яъне data re-uploading, дақиқии %83,5-и VQC-и асосиро ба %78,2 паст кард. Фарқ −5,3 банди фоизӣ буд ва дар ҳамаи панҷ fold натиҷа бадтар шуд.

Оё модели квантӣ ҳангоми кам будани маълумот бартарӣ дод?

Не. Баръакс, заифтарин самаранокии нисбии VQC дар шароите дида шуд, ки маълумоти омӯзишӣ камтарин буд.

Ҳангоми истифодаи номиналии %1-и fold-и омӯзишӣ бо сабаби намунагирии гурӯҳӣ ба ҳисоби миёна тақрибан 115 тасвири омӯзишӣ монд. Дар ин шароит:

МодельДақиқӣ
VQC%38,6
Назорати классикӣ%62,3
Linear probe%65,5
MLP%62,3

Аз ин рӯ фарзияи “бо маълумоти кам схемаҳои хурди квантӣ худкор бартарӣ медиҳанд” аз ҷониби ин benchmark дастгирӣ нашуд.

Оё садо қафо мондани VQC-ро аз модели классикӣ шарҳ медиҳад?

Не. Фосилаи асосии дақиқӣ аллакай дар симулятсияи бе садо вуҷуд дорад.

VQC-и шашкубитӣ ва дуқабат дар ҳолати бе садо %83,5 дақиқӣ дода, бо эҳтимоли деполяризатсияи \(p=0,03\) ба ҳар кубит ва қабат ба %83,3 паст шуд. Дар \(p=0,1\) дақиқӣ ба %70,2 паст шуд.

Схемаҳои амиқтар ба садои баланд ҳассостаранд: дар \(p=0,1\) схемаи чорқабат ба %31,3 ва схемаи шашқабат ба %24,0 дақиқӣ паст шуданд; сатҳи тасодуфии чорсинфа %25 аст.

Дар симулятсияи finite-shot, ҳангоми истифодаи танҳо 16 shot модели асосии шашкубитӣ 1,5 банди фоизӣ аз даст дод. Бо 1024 shot, танҳо ё дар якҷоягӣ бо деполяризатсияи \(p=0,01\), натиҷа дар 0,1 банди фоизии схемаи бе садо монд.

Муқоисаи Quantum kernel бо RBF kernel

Компоненти PCA / кубитQuantum kernelRBF kernelQuantum − классикӣ
4%72,8%73,3−0,5 pp
6%77,7%78,1−0,4 pp
8%79,7%80,8−1,1 pp
10%80,9%81,5−0,6 pp

Ҳар ду модели kernel аз linear probe-и %88,0 дақиқӣ, ки дар хусусиятҳои пурраи 1280-андозаи EfficientNet-B0 кор мекунад, пасттар монданд. Муаллифон ин натиҷаро нишонаи он медонанд, ки кам кардани андоза барои бор кардани маълумот ба схемаи хурди квантӣ bottleneck-и муҳими самаранокӣ аст.

Kernel concentration чӣ буд?

Дар quantum fidelity kernel ҳангоми bandwidth-и собити 0,1 ё бештар, бо зиёд шудани qubit шумора вариатсияи off-diagonal kernel entry сахт кам шуд. Масалан, дар bandwidth 0,1 вариатсия дар чор кубит \(5.6\times10^{-2}\) буд, аммо дар даҳ кубит ба \(2.6\times10^{-3}\) паст шуд.

Дар bandwidth 1 ҳамон бузургӣ аз \(7.4\times10^{-3}\) ба \(4.5\times10^{-5}\) паст шуд. Ин рафтор бо kernel concentration, ки дар fidelity kernel-ҳо маълум аст, мувофиқ мебошад.

Validation дар 15 аз 20 комбинатсияи fold–width хурдтарин bandwidth-и 0,03-ро интихоб кард. Аммо дар чор кубит бо ин bandwidth миёнаи off-diagonal kernel 0,92 буд, бинобар ин kernel ба мушкили дигари канорӣ, яъне хеле монанд намудор шудани бисёр ҷуфтҳои намуна наздик шуд.

Fine-tuning-и end-to-end

Дар таҷрибаҳои fine-tuning backbone-ҳои ImageNet-pretrained EfficientNet-B0, ResNet-50, DenseNet-121, MobileNetV2, ConvNeXt-Tiny ва ViT-Small/16 арзёбӣ шуданд. Муқоисаи мустақими VQC ва назорати классикии мутобиқшуда дар EfficientNet-B0 анҷом шуд.

Block A: рецепти аввали омӯзиш

AdamW optimizer, weight decay 0,05, one-cycle learning-rate schedule бо %10 warm-up, peak learning rate-и \(10^{-3}\) барои head ва \(3\times10^{-4}\) барои backbone, batch size 32 ва label smoothing 0,05 истифода шуданд. Омӯзиш ҳадди аксар 30 epoch идома кард ва агар validation loss шаш epoch беҳтар намешуд, қатъ карда мешуд.

Augmentation random resized crop (scale 0,8–1,0; aspect ratio 0,9–1,1), horizontal flip, гардиши ±10° ва brightness/contrast jitter-и 0,15-ро дар бар гирифт.

Block B: омӯзиши асосёфта ба convergence

Ду epoch linear warm-up истифода шуд; агар validation loss се epoch беҳтар намешуд learning rate нисф мешуд, агар даҳ epoch беҳбудӣ набуд early stopping татбиқ мешуд ва максимум 80 epoch муайян гардид.

Head learning rate:

\[ \{3\times10^{-4},10^{-3},3\times10^{-3}\} \]

аз байни онҳо дар validation set-и fold-и аввал интихоб шуд; backbone learning rate ба 0,3 баробари суръати head танзим гардид. Learning rate-и интихобшуда дар панҷ fold ва ду seed истифода шуд.

Block C: тасвирҳои стандартӣ

Барои кам кардани shortcut-ҳои манбаъӣ чун фон, сарҳадҳо, overlay-ҳо, андозаи матритса ва миқёси глобалии интенсивият head mask сохта шуд, тасвир ба минтақаи маска бурида, ба мураббаъ pad, аз рӯи фосилаи 1.–99. percentile-и дохили маска intensity rescale ва ба 256 × 256 пиксел тағйири андоза шуд.

Манбаъ ошкоро мегӯяд, ки аз сабаби набудани 2B skull stripping-и боэътимод косахонаи сар дар тасвир боқӣ мондааст. Аз ин рӯ стандартсозӣ ҳамаи маълумоти манбаъ/shortcut-ро бартараф накардааст.

Натиҷаҳои асосии end-to-end

РежимVQCНазорати классикӣLinear head
Block A%94,1%94,2%94,5
Block B%93,8%94,5%94,5
Block C, standardized%93,6%94,7%94,3

Дар Block A фосилаи эътимоди %95 байни VQC ва назорати классикӣ аз −1,08 то +1,00 pp буд. Азбаски фосилаи эътимоди %90 аз −0,93 то +0,82 pp пурра дар минтақаи эквивалентии ±1 pp монд, манбаъ ин ду моделро дар сатҳи ±1 банди фоизӣ эквивалент донист.

Дар Block B фарқи VQC − назорати классикӣ −0,69 pp буд. Азбаски фосилаи эътимоди %90 аз −1,16 то −0,22 буда аз ҳади −1 pp гузашт, эквивалентии ±1 pp эълон нашуд. Хурдтарин margin, ки бо он эквивалентӣ эълон шуда метавонист, 1,16 pp буд.

Ин тафовут муҳим аст: наёфтани фарқи аз ҷиҳати оморӣ муҳим ва нишон додани эквивалент будани моделҳо як чиз нест. Аз ин рӯ таҳқиқот танҳо ба қимати p не, балки ба ±1 pp equivalence margin-и пешакӣ муайяншуда ва фосилаи эътимоди %90 нигарист.

Хароҷоти fine-tuning

МодельEpoch-и миёнаи таваққуфВақти training / runLatency барои як тасвирPeak GPU memory
VQC38,812,8 дақ18,8 ms1461 MB
Назорати классикӣ26,06,8 дақ11,3 ms1461 MB
Deeper control29,17,7 дақ11,2 ms1461 MB
Fourier surrogate22,36,0 дақ11,7 ms1461 MB
Linear head23,26,0 дақ10,7 ms1461 MB

Ин вақтҳо хароҷоти таҷҳизоти воқеии квантӣ нестанд. Азбаски схемаи квантӣ дар GPU-и классикӣ симулятсия шудааст, онҳо танҳо хароҷоти implementation-и таҳқиқотро нишон медиҳанд.

HQCNN-и аз сифр омӯзонидашуда

Манбаъ барои санҷидани сенарияи наздиктар ба бисёр корҳои гибридии қаблӣ, бе истифодаи pretrained backbone, CNN-и гибридии квантӣ–классикиро аз сифр низ омӯзонд.

Encoder аз се блок иборат аст:

  • 3 × 3 convolution, 64 канал + batch normalization + ReLU + 2 × 2 max pooling;
  • 3 × 3 convolution, 128 канал + batch normalization + ReLU + 2 × 2 max pooling;
  • 3 × 3 convolution, 256 канал + batch normalization + ReLU + 2 × 2 max pooling.

Пас аз он global average pooling, проексияи хаттии кунҷи 256 → 6, VQC-и шашкубитӣ ва дуқабата, қабатҳои классикии dense бо 64 ва 32 воҳид ва баромади чорсинфа ҷойгиранд.

Аз 375.950 параметри омӯзишшавандаи умумии HQCNN танҳо 36-тояш дар схемаи квантӣ аст. Назорати классикии мутобиқшуда ба ҷойи VQC Linear(6,6)+tanh истифода мебарад ва дар маҷмӯъ 375.956 параметр дорад.

Натиҷа:

HQCNN: дақиқии %67,9 (%95 GA 63,5–72,1).

Назорати классикӣ: дақиқии %76,2 (%95 GA 72,7–79,6).

Фарқ −8,33 банди фоизӣ буд (%95 GA аз −12,72 то −4,06; McNemar \(p=1.6\times10^{-41}\)).

Ихроҷи маълумот дақиқиро чӣ қадар баланд кард?

Муҳаққиқон ҳамон моделҳо ва ҳамон тасвирҳоро танҳо бо тағйир додани қоидаҳои гурӯҳбандии fold дар Protocol 2 ва Protocol 3 омӯзонданд. Ин равиш барои ҷудо кардани бевоситаи таъсири ихроҷ пешбинӣ шуд.

Гурӯҳи модель / пайванди тасвирТағйири дақиқӣ Protocol 2 → Protocol 3
Frozen-feature head-ҳо, умумӣ−3,3 то −7,8 pp
Frozen, тасвирҳое, ки дар training fold-и Protocol 2 нусха доранд−3,9 то −9,6 pp
Frozen, тасвирҳое бо танҳо пайванди ҳамон бемор−2,3 то −6,9 pp
Frozen, 750 тасвири бе пайванд−5,5 то +3,5 pp; миёна −0,4 pp
Моделҳои fine-tuned, умумӣ−3,3 то −3,6 pp
Fine-tuned, тасвирҳои дорои нусха−3,7 то −4,0 pp
Fine-tuned, танҳо пайванди ҳамон бемор−3,5 то −4,6 pp

Ҷамъ шудани таъсири ихроҷ асосан дар тасвирҳое, ки бо training fold нусха ё пайванди бемор доранд, дастгирӣ мекунад, ки коҳиши дақиқии мушоҳидашуда танҳо аз тағйири тасодуфии fold ба вуҷуд наомадааст.

Таҷрибаи lesion occlusion

Дар омосҳои тестии аз Figshare, ниқоби дастии омос 8 пиксел васеъ карда шуда, минтақа бо median intensity-и қисми боқимондаи сар пур карда шуд. Модель қаблан дар тасвирҳои муқаррарӣ ва occlusion-накардашуда омӯзонда шуда буд.

Ҳангоми бартараф кардани намуди минтақаи омос:

  • назорати классикӣ аз %85,6 ба %83,0,
  • linear probe аз %87,3 ба %84,7,
  • VQC аз %80,6 ба %78,9

паст шуданд.

Ба ибораи дигар, бо вуҷуди бартараф шудани интенсивияти тасвирии омос дақиқӣ танҳо чанд банди фоизӣ кам шуд. Ин нишон медиҳад, ки моделҳо аз маълумоти берун аз намуди визуалии бофтаи омос — чун анатомия, манбаъ ва геометрияи лезия — ба таври назаррас истифода мебаранд.

Аммо минтақаи occluded комилан бе маълумот нест: ҷойгиршавӣ, андоза ва шакли ниқоби омос нигоҳ дошта мешаванд. Ҳатто logistic regression, ки танҳо бо ниқоби омоси ба 16 × 16 камшуда омӯзонда шуд, синфи омосро бо дақиқии %61,4 пешгӯӣ кард. Аз ин рӯ натиҷаи occlusion маънои “модель умуман омосро истифода намекунад” надорад.

Умумисозии байни манбаъҳо

Ҳангоми омӯзиши бемор-гурӯҳшуда танҳо дар се синфи омосии аз figshare, VQC %80,8, назорати классикӣ %86,4 ва linear probe %87,5 дақиқӣ доданд.

Вақте моделҳо дар омосҳои Figshare омӯзонда шуда, дар омосҳои пайванднашудаи SARTAJ тест шуданд, ҳамаи head-ҳо ба сатҳи тақрибан тасодуфӣ наздик шуданд:

\[ 36.1\%-38.8\% \]

дар фосилаи миёнаи чор backbone; сатҳи тасодуфии се синф %33,3 аст.

Аз ин рӯ манбаъ мегӯяд, ки ҳам head-ҳои квантӣ ва ҳам классикӣ нисбат ба тағйири acquisition-source transfer-и заиф нишон доданд.

Grad-CAM чӣ нишон дод?

Gradient-weighted Class Activation Mapping (Grad-CAM) харитаи аҳамияти gradient-асосии минтақаҳои фазоиро, ки пешгӯии CNN-ро дастгирӣ мекунанд, месозад. Манбаъ онро на ҳамчун ҷавоби қатъии “чаро модель қарор дод?”, балки ҳамчун воситаи шарҳе истифода кардааст, ки фаъолшавии вобаста ба пешгӯӣ дар куҷо тамаркуз мекунад.

Дар 1400 тасвири тестии fold-и аввал, ҳиссаи median-и энергияи Grad-CAM, ки дар дохили ниқоби сар монд:

МодельҲиссаи median
ResNet-50 linear%95
EfficientNet-B0 linear%80
EfficientNet-B0 назорати классикӣ%89
EfficientNet-B0 VQC%85
HQCNN%52

Дар VQC дар %28 тасвирҳое, ки харитаи non-zero Grad-CAM доштанд, камтар аз нисфи энергия дар дохили ниқоби сар монд; дар назорати классикӣ ин %10 ва дар linear head %0,2 буд. Аммо азбаски Grad-CAM шарҳи сабабӣ намедиҳад, ин фарқ худ аз худ муайян намекунад, ки модель “чиро омӯхтааст”.

Таҳлили оморӣ чӣ гуна анҷом шуд?

Таҳқиқот ба ҷойи гузориши танҳо як фоизи дақиқӣ омори бисёрқабатаро истифода кард.

Дар муқоисаҳои frozen-feature чор backbone × панҷ fold = 20 блоки backbone–fold вуҷуд дорад. Seed-ҳо дар дохили блок миёна карда шуданд. Фарқҳои ҷуфтшуда байни head-ҳо бо Wilcoxon signed-rank санҷида, барои фарқҳои миёна фосилаҳои эътимоди bootstrap %95 ҳисоб шуда ва ҳамаи head-ҳо бо Friedman тест муқоиса шуданд.

Азбаски fold ва backbone-ҳо пурра мустақил нестанд, инчунин:

  • linear mixed model бо random intercept барои backbone ва fold дар дохили backbone,
  • variance-corrected resampled t-test барои repeated cross-validation,
  • image-level cluster bootstrap, ки гурӯҳҳои бемор ва duplicate-ро аз нав намуна мегирад

татбиқ шуданд.

Дар моделҳои end-to-end танҳо панҷ fold мавҷуд аст, бинобар ин Wilcoxon-и fold-level қобилияти ҷудокунии хеле паст дорад; хурдтарин қимати дутарафаи p, ки бо панҷ ҷуфт имконпазир аст, 0,0625 мебошад. Аз ин рӯ пешгӯиҳои out-of-fold-и моделҳо дар сатҳи тасвир якҷоя карда шуда, exact McNemar test истифода шуд.

Азбаски тасвирҳои бемор ва duplicate мустақил ҳисобида намешаванд, дақиқӣ ва фосилаҳои эътимоди %95-и paired-difference бо cluster bootstrap, ки гурӯҳҳои бемор/duplicate-ро аз нав намуна мегирад, ҳисоб шуданд. Дар арзёбиҳои асосӣ 5000 намунаи bootstrap ва дар баъзе зермаҷмуаҳои синф-махсус ва ихроҷ 2000 намуна истифода шуд.

Санҷиши эквивалентии ±1 банди фоизӣ чӣ маъно дорад?

Гуфтани “мо байни ду модель фарқи муҳим наёфтем” исбот намекунад, ки онҳо аз ҷиҳати амалӣ эквивалентанд. Аз ин рӯ манбаъ талаб кардааст, ки фосилаи эътимоди %90-и фарқи ду модель пурра дар:

\[ [-1,+1]\ \text{yüzde puanı} \]

фосила бимонад. Ин ба ду санҷиши яктарафаи эквивалентӣ дар сатҳи \(\alpha=0,05\) мувофиқат мекунад.

Ҳади ±1 pp доимии физикии табиат нест; ин margin-и амалиест, ки муҳаққиқон пешакӣ интихоб кардаанд. Манбаъ ҳам ошкоро қабул мекунад, ки интихоби margin конвенсия аст ва барои ҳар муқоиса хурдтарин margin-еро, ки бо он эквивалентӣ эълон шуда метавонист, алоҳида гузориш медиҳад.

Натиҷаҳои дастгиришудаи таҳқиқот

  • Қисмҳои расмии омӯзиш/тести Kaggle Brain Tumor MRI Dataset версияи 2 ҳампӯшонии ҷиддии тасвир ва бемор доранд.
  • %79 тасвирҳои расмии тестӣ бо тасвире дар қисми омӯзиш гурӯҳи duplicate-ро муштарак доранд.
  • 915/917 тасвирҳои тестии аз Figshare дар омӯзиш бо ҳамон бемор ҳампӯшӣ доранд.
  • Арзёбии бемор-гурӯҳшуда дақиқии frozen-feature-ро тақрибан 3,3–7,8 pp ва дақиқии fine-tuned-ро тақрибан 3,3–3,6 pp кам кардааст.
  • VQC-и шашкубитӣ дар хусусиятҳои frozen аз назорати классикии ҳампаҳно тақрибан 6,0 pp дақиқии пасттар дод.
  • Fine-tuning фарқи VQC-ро бо назорати классикӣ ба тақрибан 1 pp ё камтар расонд, аммо дар омӯзиши асосёфта ба convergence VQC бартарӣ нишон надод.
  • HQCNN-и аз сифр омӯзонидашуда аз назорати классикӣ 8,33 pp дақиқии пасттар дод.
  • Дар аблятсияи баррасишуда хориҷ кардани дарвозаҳои печидагӣ дақиқиро паст накард, балки зиёд кард.
  • Quantum kernel-и баррасишуда дар ҳамаи андозаҳои PCA аз RBF kernel каме дақиқии пасттар дод.
  • Дар шароити маълумоти ками омӯзиш VQC аз назоратҳои классикӣ бадтар кор кард.
  • Moderate depolarizing noise фарқи асосии квантӣ–классикиро шарҳ намедиҳад; фарқ дар симулятсияи бе садо ҳам мавҷуд аст.
  • Shortcut-ҳои вобаста ба манбаи тасвир қавӣ ва умумисозӣ ба манбаи дигар барои ҳамаи моделҳо заиф аст.

Натиҷаҳое, ки таҳқиқот дастгирӣ намекунад

  • Хулосаи “омӯзиши мошинии квантӣ дар ягон вазифаи тасвирбардории тиббӣ кор намекунад” бароварда намешавад.
  • Аз ин вақтҳои симулятсия хулоса баровардан мумкин нест, ки таҷҳизоти воқеии квантӣ дар ин вазифа сусттар ё тезтар аст.
  • Самаранокии схемаҳои зиёда аз 10 кубит ё меъмориҳои дигари encoding/ansatz дар ин таҳқиқот санҷида нашудааст.
  • Хулосаи умумии нокомӣ дар бораи Quantum convolutional networks бароварда намешавад.
  • Ин таҳқиқот валидацияи дастгоҳи клиникии ташхиси омоси мағзи сар нест.
  • Дақиқиҳои fine-tuned-и тақрибан %94 арзёбии дақиқии воқеии ташхиси беморхона нестанд.
  • Таснифи slice-level бо ташхиси клиникии examination-level ё patient-level як чиз нест.
  • Гуфтан мумкин нест, ки ҳамаи хатоҳои out-of-source glioma хатои модель ҳастанд; баъзе тамғакҳо низ мушкил дошта метавонанд ва баррасии радиолог гузаронида нашудааст.
  • Харитаҳои Grad-CAM шарҳи сабабии қарори модель нестанд.
  • Таҷрибаи lesion occlusion нишон намедиҳад, ки модель маълумоти омосро умуман истифода намекунад; ҷойгиршавӣ, андоза ва шакли лезия нигоҳ дошта шудаанд.
  • Barren plateau мустақим чен ва исбот нашудааст.

Ҷиҳатҳои қавии таҳқиқот

Ҷиҳати қавии аввал — муқоисаи модели квантӣ на бо CNN-и номарбут, балки бо назорати классикии ҳампаҳно ва ҳамон протокол мебошад. Ҳамин тавр ба ҷойи самаранокии умумии шабака саҳми маргиналии қабати миёнаи квантӣ санҷида шуд.

Ҷиҳати қавии дувум — танҳо мутобиқ кардани шумораи параметрҳо не, балки истифодаи назорати классикии амиқтар ва Fourier surrogate, ки синфи функсияҳои схемаро фаро мегирад.

Ҷиҳати қавии сеюм — ҷустуҷӯи нусхаҳо на танҳо бо exact checksum, балки бо pHash + NCC-и устувор ба оинасозӣ ва гардиш ва барқарор кардани идентификаторҳои аслии беморони figshare барои тасвирҳои имконпазир.

Ҷиҳати қавии чорум — санҷидани схемаи квантӣ дар се режим: frozen features, end-to-end fine-tuning ва training from scratch.

Ҷиҳати қавии панҷум — баррасии якҷояи аблятсияҳои qubit count, circuit depth, entanglement, data re-uploading, training-data fraction, depolarizing noise ва shot count.

Ҷиҳати қавии шашум — савол гузоштан дар бораи он ки модель воқеан чиро истифода мебарад, на танҳо бо дақиқии умумӣ, балки бо таҳлилҳои acquisition source, shortcut, lesion occlusion, cross-source transfer ва Grad-CAM.

Маҳдудиятҳо

Як маҷмуаи маълумот: Таҳқиқот ба як benchmark-и кушодаи дученакаи MRI асос меёбад. Натиҷаҳоро ба дигар бемориҳо, дигар вазифаҳои тасвирбардорӣ ё ҳаҷмҳои 3B MRI ба таври автоматӣ интиқол додан мумкин нест.

Идентификаторҳои нопурраи бемор: Идентификатори бемор танҳо барои 4846 тасвири омосии аз figshare барқарор шуд. Дар дигар тасвирҳои омосӣ ва бе омос гурӯҳбандӣ ба duplicate detection вобаста аст; мавҷудияти буришҳои муайяннашудаи ҳамон муоина дар fold-ҳои гуногун пурра истисно намешавад.

Таҷҳизоти воқеии квантӣ нест: Ҳамаи схемаҳо симулятсия шудаанд. Noise model-и истифодашуда crosstalk, readout error, limited connectivity ва хароҷоти воқеии gate decomposition-ро дар бар намегирад.

Оилаи маҳдуди схема: Dressed VQC-ҳо то даҳ кубит ва бо як равиши асосии encoding баррасӣ шуданд. Encoding-ҳои дигар, схемаҳои калонтар ва меъмориҳои дигаре, ки бо маълумоти квантӣ кор мекунанд, метавонанд дигар хел рафтор кунанд.

Ҷустуҷӯи hyperparameter маҳдуд аст: Дар муқоисаи асосии end-to-end ду seed/fold ва интихоб аз се learning-rate номзад дар fold-и аввал истифода шуд. Ҷустуҷӯи васеътар метавонад фарқҳои хурдро тағйир диҳад.

Стандартсозӣ ҳамаи shortcut-ҳоро нест намекунад: Head masking косахонаи сарро хориҷ накард. Маълумоти coarse anatomy ва imaging plane боқӣ монд.

Маҳдудияти Grad-CAM: Grad-CAM дар бораи он ки модель ба куҷо менигарад, нишонаи тахминии фазоӣ медиҳад; механизми қарорро шарҳ намедиҳад.

Тасдиқи тамға: Candidate label errors ва 76 тасвири out-of-source glioma аз ҷониби радиологи мустақил дубора тамғагузорӣ нашудаанд.

Доираи клиникӣ

Манбаъ ошкоро таъкид мекунад, ки дақиқиҳои гузоришшуда дақиқии ташхисии клиникӣ нестанд. Барои даъвои клиникӣ ҳадди ақал ба ҷойи slice-level вурудҳои examination-level, ҷудокунии беморон барои ҳамаи синфҳо, стандарти истинодӣ чун гистопатология ё консенсуси коршиносон, омадани гурӯҳи бе омос аз ҳамон популятсияи клиникӣ бо гурӯҳи омос ва валидацияи мустақили бисёрмарказӣ лозим аст.

Аз ин рӯ мавзӯи ин таҳқиқот “системаи квантӣ, ки дар MRI омоси мағзи сарро бо %94 дақиқӣ ташхис мекунад” нест. Мавзӯи аслӣ ин аст, ки оё қабати миёнаи квантӣ нисбат ба назорати классикии мутобиқшуда арзиши иловагии тасниф медиҳад ва ихроҷи маълумот чӣ гуна чунин benchmark-ҳоро гумроҳ карда метавонад.

Ёддошт оид ба Манбаъ ва Усул

Унвони аслӣ: Does the Quantum Layer Help? A Leakage-Aware Benchmark of Hybrid Quantum–Classical Models for Brain Tumor MRI Classification

Муаллифон: Tuan-Linh Duong; Pande Wikantyasa Maswita; Tony Sumaryada; Sitti Yani; Thanh-Tai Duong; Hiba Omer; Nissren Tamam; Abdelmoneim Sulieman.

Тартиби муаллифон: Бо PDF-и манбаъ ва сабти расмии нашр мувофиқ аст.

Саҳми баробар: Дар манбаъ нишонаи муаллифи якуми баробар/саҳми баробар гузориш нашудааст.

Муаллифи масъул: Thanh-Tai Duong.

Муассиса 1: The Laboratory Center, Hanoi University of Public Health, Hanoi 100000, Vietnam.

Муассиса 2: Department of Physics, Faculty of Mathematics and Natural Sciences, IPB University, Bogor 16680, Indonesia.

Муассиса 3: Department of Medical Physics, Faculty of Medicine, Nguyen Tat Thanh University, Ho Chi Minh City 700000, Vietnam.

Муассиса 4: Department of Radiological Sciences, College of Applied Medical Sciences, Imam Abdulrahman Bin Faisal University, Dammam 34212, Saudi Arabia.

Муассиса 5: Department of Physics, College of Sciences, Princess Nourah bint Abdulrahman University, Riyadh 11671, Saudi Arabia.

Муассиса 6: Department of Radiological Sciences, College of Applied Medical Sciences, King Saud bin Abdulaziz University for Health Sciences, Al Ahsa 31982, Saudi Arabia.

Муассиса 7: Imaging Physics Section, Research and Innovation Department, King Faisal Specialist Hospital & Research Center, Riyadh 11211, Saudi Arabia.

Навъи манбаъ: Мақолаи аслии таҳқиқотии рецензияшуда.

Маҷалла: Diagnostics.

Ношир: MDPI.

Ҷилд / шумора / рақами мақола: 16 / 21 / 3485.

DOI: 10.3390/diagnostics16213485.

Санаи қабул: 7 октябри 2026.

Таҳрир: 17 октябри 2026.

Қабул: 21 октябри 2026.

Нашр: 24 октябри 2026.

Ҳолати рецензия: Мақолаи маҷаллаи рецензияшуда мебошад.

Иҷозатнома: Creative Commons Attribution (CC BY).

Нашри расмӣ: Diagnostics 2026, 16, 3485; DOI 10.3390/diagnostics16213485.

Соҳаи асосии илмӣ: Quantum machine learning, medical image classification, deep learning benchmarking ва data-leakage auditing.

Вазифаи асосӣ: Таснифи чорсинфаи буришҳои MRI-и glioma, meningioma, омоси гипофиз ва бе омос.

Модели асосии квантӣ: Hardware-efficient dressed VQC бо angle encoding, шаш кубит ва ду қабати вариатсионӣ; дар аблятсияҳо 2–10 кубит ва 1–6 қабат арзёбӣ шуданд.

Таҷҳизоти воқеии квантӣ: Истифода нашуд. Ҳамаи схемаҳои квантӣ дар таҷҳизоти классикӣ симулятсия шуданд.

Протоколи асосии арзёбӣ: Patient-grouped five-fold cross-validation (Protocol 3).

Натиҷаи асосӣ: Қабати VQC-и баррасишуда дар се режими асосии омӯзиши санҷидашуда дақиқии қабати классикии мутобиқшударо зиёд накард.

Масъалаи асосии маҷмуаи маълумот: %79 тасвирҳои расмии тестӣ бо нусхае дар қисми омӯзиш пайвастанд ва 915/917 тасвирҳои тестии figshare дар омӯзиш бо ҳамон бемор ҳампӯшӣ доранд.

Омор: Дар муқоисаҳои frozen-feature Wilcoxon signed-rank, Friedman test, bootstrap %95 GA, linear mixed model ва variance-corrected resampled t-test; дар муқоисаҳои end-to-end exact McNemar, patient/duplicate-group cluster bootstrap ва ±1 pp equivalence margin истифода шуданд.

Implementation: Python, PyTorch 2.14.0, timm 1.0.30, scikit-learn 1.8.0; PennyLane 0.45.1 танҳо барои тасдиқи симулятор истифода шуд. Омӯзиши end-to-end дар NVIDIA GeForce RTX 3090 24 GB GPU гузаронида шуд.

Баёнияи истифодаи Generative AI: Манбаъ хабар медиҳад, ки оилаи модели Claude Opus таҳти роҳнамоии муаллифон барои навиштан ва debug кардани коди таҳлил ва иҷрои таҳлилҳои оморӣ истифода шудааст; таҳлилҳо аз ҷониби муаллифон муайян шуда, код ва натиҷаҳо санҷида ва код нашр шудааст.

Дастрасии маълумот: Brain Tumor MRI Dataset версияи 2 дар Kaggle оммавӣ аст; DOI-и маҷмуа 10.34740/KAGGLE/DSV/2645886 мебошад. Мақола хабар медиҳад, ки маҷмуа 28 сентябри 2026 боргирӣ шудааст. Коди dataset audit, quantum circuit simulator, self-test-ҳо, таҷрибаҳо, таҳлилҳои оморӣ, leakage-aware split-ҳо, duplicate/patient annotations, checksum manifest, пешгӯиҳои модель ва ҷадвалҳои натиҷа дар анбори GitHub-и зикршудаи муаллифон нашр шудаанд. Худи тасвирҳои маҷмуа аз нав паҳн намешаванд.

Кумитаи этикӣ: Азбаски танҳо маълумоти оммавӣ ва пурра деидентификатсияшуда истифода шудааст, аз баррасӣ ва тасдиқи этикӣ даст кашида шудааст.

Ризоияти бемор: Азбаски танҳо тасвирҳои оммавӣ ва деидентификатсияшуда истифода шудаанд, аз ризоият даст кашида шудааст.

Маблағгузорӣ: Princess Nourah bint Abdulrahman University Researchers Supporting Project, PNURSP2026R12. Пардохти коркарди мақола низ аз ҷониби Princess Nourah bint Abdulrahman University маблағгузорӣ шудааст.

Бархӯрди манфиатҳо: Муаллифон бархӯрди манфиатҳоро хабар надодаанд. Гуфта шудааст, ки маблағгузорон дар тарҳи таҳқиқот, ҷамъоварӣ/таҳлил/тафсири маълумот, навиштан ё қарори нашр нақш надоштанд.

Саҳми муаллифон: Conceptualization: P.W.M., T.-L.D., S.Y., T.-T.D.; methodology: P.W.M., T.-L.D.; software: P.W.M., T.-L.D.; formal analysis: T.-L.D.; investigation: P.W.M., T.-L.D., T.S.; data curation: T.-L.D.; visualization: T.-L.D.; original draft: P.W.M., T.-L.D.; review and editing: ҳамаи муаллифон; supervision: S.Y., T.S., T.-T.D.; project administration: S.Y.; funding acquisition: S.Y., N.T.

Ҳади асосии тафсир: Натиҷаҳо нишон медиҳанд, ки дар ин маҷмуаи маълумот ва оилаи хурди VQC-и симулятсияшудаи санҷидашуда қабати квантӣ дақиқии иловагӣ надод. Таҳқиқот ҳамаи моделҳои quantum machine learning, таҷҳизоти воқеии квантӣ ё ташхиси клиникии MRI-ро умуман беэътибор намекунад.


Мубодила:

Шарҳҳо пас аз баррасӣ нашр мешаванд. Шарҳи шумо ба раванди тасдиқ фиристода шуда, пас аз пазируфта шудан намоён мегардад.

Шарҳ гузоред

Нишонии почтаи электронии шумо нашр намешавад. Майдонҳои ҳатмӣ бо * нишон дода шудаанд