هل تساعد المحولات الكمية؟ مقارنة شاملة بين هياكل الدوائر الكمية ونتائجها في البيانات الجدولية

في عالم الذكاء الاصطناعي، تتطور الأساليب باستمرار لتلبية احتياجات المعالجة الأكثر تعقيدًا. حديثًا، تم التطرق إلى دوائر quantum المتغيرة (VQCs) كواحدة من أبرز الخيارات للاستخدام في التعلم الآلي الكمي. لكن السؤال الرئيسي يبقى: أي هيكل من هذه الدوائر يوفر أفضل توازن بين الدقة وعدد المعلمات المستخدمة؟

في دراسة شاملة، تمت مقارنة أربعة أنواع من VQCs، وهي:
1. الشبكات المتصلة بالكامل (FC-VQC)
2. الشبكات المتبقية (ResNet-VQC)
3. المحولات الهجينة الكمية-التقليدية (QT)
4. المحولات الكمية بالكامل (FQT)

تضمنت هذه الدراسة خمسة اختبارات للانحدار والتصنيف، وكان من أبرز النتائج:
(i) تحقق الشبكات المتصلة بالكامل مستوى دقة يتراوح بين 90-96% مقارنةً بالمحول الكمي القائم على الانتباه، مستخدمة 40-50% أقل من المعلمات، مما يجعلها خيارًا جذابًا.
(ii) توفر شبكة FC-VQC في نوع الاتصال بين الكتل (Type 4) تداخل جزئي بين العناصر مشابه لدور الانتباه، ولكن بفائدة محدودة عند زيادة عدد المعلمات.
(iii) تتشبع القدرة التعبيرية عند عمق دائرة يبلغ تقريبًا 3، مما يفسر فاعلية الدوائر الضحلة في تغطية الفضاء الهيلبرت.
(iv) تحسين دقة التصنيف باستخدام LayerNorm في المحول الكمي بالكامل يشير إلى أهمية التطبيع عندما تكون جميع العمليات كميّة.
(v) في دراسة الضوضاء على بيانات Boston Housing، انخفض أداء FQT تدريجيًا تحت تأثير الضوضاء، فيما انهار أداء QT.

تقدم هذه النتائج دليلًا معمقًا حول كيفية استخدام الدوائر الكمية في الأجهزة الكمية القريبة المدى، لتقدم فائدة كبيرة في مجالات الأعمال والبحث العلمي.