في عصر الذكاء الاصطناعي، تعتبر خرائط المعرفة (Knowledge Graphs) أحد الأدوات الأساسية لدعم استنتاجات نماذج اللغات الكبيرة (Large Language Models). يُعاني هذا النظام التقليدي من قيود، حيث تُعتبر العلاقات بين البيانات صحيحة على مستوى عالمي دون مراعاة للسياق الخاص بكل حالة. ولكن ماذا لو كان هناك طريقة أكثر ذكاءً؟ هنا تأتي فكرة خرائط المعرفة الكمية (Quantum Knowledge Graphs) التي تهدف إلى تجاوز هذه القيود.

تم تطوير نموذج QKG الجديد ليتناول دقة العلاقة بين المعلومات، حيث يتم تقييم صلاحية العلاقة كدالة محددة للسياق، مما يجعلها تتكيف مع الحالات الفردية. وفي دراسة مثيرة، تم تطبيق هذا النموذج في المجال الطبي، مع التركيز على مرض السكري من خلال بناء فرع PrimeKG الذي يحتوي على 68,651 علاقة حساسة للسياق. تم تقييم الأداء من خلال تسليط الضوء على 2,788 سؤال طبي في إطار عملية الاستدلال والتحقق.

أظهرت النتائج أن الاستدلال المدعوم بخرائط المعرفة (KG) زاد دقة الإجابات بشكل ملحوظ. حيث قدم النظام QKG أداءً فائقاً مقارنةً بالخيارات التقليدية، مع تحسينات قدرها 1.40 نقطة مئوية في حالة المطابقة السياقية. مع وجود مُحقق أقوى، ارتفعت الفوائد إلى 5.96 نقطة مئوية، مما يعكس كيف يمكن للسياق أن يُحدث فرقاً جوهرياً في دقة استجابات نماذج الذكاء الاصطناعي.

علاوةً على ذلك، يسلط البحث الضوء على أهمية وجود معلومات طبية ذات صلة، مما لن يصب في تخزين الحقائق فحسب، بل في تحقيق دقة المعلومات وفق سياق كل مريض. مع إطلاق مجموعة بيانات QKG المخصصة ورمز المصدر، فإن هذه الدراسة تفتح آفاقًا جديدة للبحث والتطوير في هذا المجال.