هل نحن بحاجة حقًا إلى تعلم الآلة الكمي؟ دراسة شاملة تكشف ألغاز المستقبل!

تزداد تعقيدات مهام التعرف على الصور مع النمو السريع لرؤية الكمبيوتر (Computer Vision)، مما يجعل نماذج تعلم الآلة التقليدية (Classical Machine Learning) تعاني من قيود حسابية أساسية. في هذا السياق، تبرز دراسة جديدة تستعرض الأغوار العميقة لتعلم الآلة الكمي (Quantum Machine Learning) كحل واعد.

تقدم هذه الدراسة مقارنة شاملة لنماذج تعلم الآلة الكلاسيكية مثل آلة الدعم الكلاسيكية (Classical Support Vector Machine - CSVM) وآلة الدعم الكمية (Quantum Support Vector Machine - QSVM)، بالإضافة إلى الشبكات العصبية العميقة (Deep Neural Networks) مثل الشبكة العصبية الالتفافية الكلاسيكية (Classical Convolutional Neural Network - CCNN) والكمية (Quantum Convolutional Neural Network - QCNN).

تم تنفيذ التجارب على مجموعة بيانات أرقام اليد المكتوبة MNIST، مشيرة إلى أربع أبعاد رئيسية للأداء: دقة التصنيف، وقت التشغيل، عدد المعلمات، ومتطلبات الذاكرة. تم إجراء التجارب بناءً على أبعاد الميزات وحجم العينة، مما ساعد في توفير مقارنة موثوقة عبر بيئات التشغيل (CPU وGPU).

تشير النتائج إلى أن QSVM تتفوق بشكل ملحوظ على CSVM في دقة التصنيف، حيث تصل إلى 0.90 مقارنة بـ 0.85 عند 1000 عينة، رغم أن التكلفة الحسابية كانت أعلى. بينما يبرز حجم العينة من 200 إلى 500 نقطة تشغيل عملية تحقق توازن بين دقة التصنيف ووقت التشغيل.

أما بالنسبة لنماذج الشبكات العصبية، فقد حققت كل من CCNN وQCNNدقة تصنيف قريبة، حيث تجاوزت كلاهما 0.96 عند 64 ميزة و60,000 عينة. لكن QCNN ظهرت بفائدة كبيرة من حيث الكفاءة، حيث احتاجت إلى حوالي 94٪ أقل من المعلمات و75٪ أقل من الذاكرة مقارنة بـ CCNN عند زيادة عدد الميزات، رغم أن وقت التشغيل كان أعلى.

عبر جميع فئات النماذج، أظهرت النماذج الكمية تفوقًا مستمرًا على النماذج الكلاسيكية بزيادة فارق الدقة مع زيادة أبعاد الميزات أو حجم العينة. هذه النتائج تفتح آفاقًا جديدة للبحث والتطبيق في مجال تعلم الآلة، مما يجعل السؤال اليوم: هل يمكن لتعلم الآلة الكمي أن يكون الحل للمشكلات المعقدة التي نواجهها؟