تُعتبر الشبكات العصبية الكوانتية (Quantum Neural Networks) إحدى الابتكارات الرائدة في مجال الذكاء الاصطناعي، حيث يُنظر إليها كأداة ثورية يمكن أن تحول العديد من الصناعات، وخاصة الرعاية الصحية. ومع ذلك، فإن تدريب هذه الشبكات على الأجهزة الكوانتية يواجه تحديات تقنية كبيرة، خاصة فيما يتعلق بتكلفة تقدير التدرجات.

في البحث الجديد الذي تم تقديمه، تمت معالجة هذه التحديات من خلال تنفيذ إطار تدريبي مبتكر يُقلل من تكاليف تقدير التدرجات لينخفض ​​إلى مستوى لوغاريتمي بعدد الكيوبتات، مما يجعل عملية التدريب على الشبكات العصبية الكوانتية ممكنة على الأجهزة الحقيقية وبأبعاد أكبر.

تجمع هذه التقنية الجديدة بين ثلاثة مكونات مصممة بشكل مشترك: أولاً، بنية دائرية مركبة تُعرف باسم دائرة الفراشة (Butterfly Circuit) التي تحتوي على عدد معقول من المتغيرات وعمق لوغاريتمي. ثانياً، استراتيجية تدريب طبقية تركز على تحسين طبقة واحدة منظمة في كل مرة. وأخيراً، قاعدة تقدير متوازية تستفيد من الهيكل الجبري داخل كل طبقة فراشة لاستخراج جميع التدرجات في عدد ثابت من تقييمات الدائرة.

وقد تم التحقق من فعالية هذا الإطار في معالجة البيانات السريرية باستخدام مجموعة بيانات MIMIC-III، والتي تُعتبر معيارًا صعبًا ومتطلبًا للغاية للحفاظ على استقرار التحسين وتقليل تباين النماذج. تم تدريب نماذج هجينة تقليدية-كوانتية مباشرة على جهاز IonQ Forte Enterprise المحاصر للأيونات باستخدام 16 كيوبت بدون تدهور في الأداء، وقد نجحت هذه النماذج في التنبؤ ببقاء المرضى، مما يظهر قدرة الإطار المقترح على تسهيل تدريب الشبكات العصبية الكوانتية تحت قيود الأجهزة الواقعية.