هل يكفي الحجم؟ إعادة تفكير في عملية الترميز الكمي لبيانات رادار الفتحة الصناعية المعقدة

تعد بيانات رادار الفتحة الصناعية (Synthetic Aperture Radar - SAR) معقدة بشكل طبيعي، بينما تعمل نماذج التعلم الكمي (Quantum Machine Learning - QML) ضمن فضاءات هيلبرت المعقدة. هذه الشبه يشير إلى أن استخدام كل من الحجم (Magnitude) والطور (Phase) في ترميز بيانات رادار الفتحة الصناعية قد يساعد في التعرف التلقائي على الأهداف في الصور. في هذه الدراسة، قمنا باختبار هذا الافتراض من خلال مقارنة خمس استراتيجيات ترميز لنماذج كميّة: الترميز بالاعتماد على الحجم فقط، والترميز بالاعتماد على الحجم والطور معًا، والترميز في الطور والربع، والترميز المعالج مسبقاً في الطور، وأخيراً هيكلية كميّة بحتة. تمت تقييم جميع الأساليب ضمن إطار تجريبي موحد على مجموعة بيانات MSTAR للاختبار.

بشكل مفاجئ، وجدنا أن الترميز بالاعتماد على الحجم فقط يقدم أداءً أفضل من الترميزات التي تشمل الطور في النماذج الهجينة الكلاسيكية الكميّة. حيث حقق دقة تصل إلى 99.57% في مهمة من ثلاث فئات و71.19% في مهمة من ثماني فئات، متجاوزًا البدائل ذات القيم المعقدة ضمن نفس الإطار. بالإضافة إلى ذلك، فإن إضافة معلومات الطور لا يوفر تحسينًا كبيرًا، وقد يؤدي أحيانًا إلى تدهور الأداء.

مع ذلك، تظهر في النماذج الكميّة البحتة، التي تحتوي على 184 إلى 224 معاملًا قابلًا للتدريب وبدون طبقات شبكة عصبية كلاسيكية، تصبح معلومات الطور أكثر أهمية، مما يحسن الدقة حتى بمقدار 21.65 نقطة مئوية. تشير هذه النتائج إلى أن فائدة معلومات الطور تعتمد ليس فقط على البيانات، ولكن أيضًا على الهيكلية المستخدمة لمعالجتها. تستطيع النماذج الهجينة تعويض نقص معلومات الطور من خلال مكوناتها الكلاسيكية، بينما تعتمد النماذج الكمية البحتة بشكل أكبر على معلومات الطور في تمييز الفئات.

تشير هذه النتائج إلى توجيهات عملية لترميز البيانات ذات القيم المعقدة في التعلم الكمي، وهي تبرز أهمية التصميم المتكامل لاستراتيجيات الترميز والهياكل للنظم الكمية الحالية.