DOI: https://doi.org/10.1038/s41598-026-45140-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41896305
تاريخ النشر: 2026-03-27
المؤلف: Chisomo Daka وآخرون
الموضوع الرئيسي: خوارزميات وهندسة الحوسبة الكمومية
نظرة عامة
يقدم القسم نظرة عامة على الشبكة العصبية الكمومية الالتفافية الجديدة (No-QCNN)، وهي نموذج هجين كمومي-تقليدي مصمم لمعالجة قيود الشبكات العصبية الالتفافية التقليدية (CNNs) في التعامل مع مجموعات بيانات الصور الكبيرة والمعقدة. على عكس الهياكل الهجينة الحديثة التي تتضمن كتل CNN التقليدية، تستخدم No-QCNN خط أنابيب كمومي للتفاف-تجميع من البداية إلى النهاية. تستخدم مصنف كمومي متغير (VQC) تم تحسينه عبر خوارزمية COBYLA، مستهدفة التصنيف الثنائي والمتعدد الفئات للصور الملونة منخفضة الدقة على أجهزة الكم القريبة من المدى.
ابتكار كبير في No-QCNN هو خريطة الميزات الكمومية المحددة للمشكلة، التي تحول الصور إلى تنسيق مصفوفة كتلة ثلاثية الأبعاد منظم يشفر لون البكسل (R، G، B) والموقع المكاني. ثم يتم رسم هذا التمثيل في ZZFeatureMap هرمي، مما يلتقط بشكل فعال الارتباطات المكانية-الكروماتية مع الالتزام بقيود أجهزة الكم المتوسطة الضوضاء (NISQ). أظهر النموذج دقة تحقق بلغت 82.05% في مهمة تصنيف من ست فئات مع مجموعة بيانات مكونة من 50 صورة، متفوقًا بشكل كبير على 40.00% للشبكة العصبية التقليدية. ومع ذلك، في مهمة تصنيف ثنائية أبسط، حققت الشبكة العصبية التقليدية دقة مثالية بلغت 100%، بينما وصلت No-QCNN إلى 89.7%. تستنتج الدراسة أن No-QCNN مناسبة بشكل خاص لمهام التصنيف الغنية بالارتباطات ذات البيانات المنخفضة، مما يبرز دورها المحتمل في الرؤية الاصطناعية المعززة بالكم ضمن إطار عمل NISQ.
مقدمة
تسلط المقدمة الضوء على أهمية الصور كوسيلة رئيسية لإدراك المعلومات ومعالجتها في تطبيقات متنوعة، بما في ذلك التشخيص الطبي، والأنظمة المستقلة، والمراقبة الأمنية. لقد تفوقت تقنيات التعلم الآلي التقليدية، وخاصة الشبكات العصبية الالتفافية (CNNs)، في تصنيف الصور من خلال استخراج الميزات المعقدة بشكل فعال. ومع ذلك، مع زيادة حجم وتعقيد مجموعات بيانات الصور، تواجه نماذج التعلم العميق التقليدية تحديات تتعلق بالكفاءة الحاسوبية، واستهلاك الطاقة، وقابلية التوسع.
استجابةً لهذه القيود، يمثل تقدم الحوسبة الكمومية بديلاً واعدًا. تستفيد الحوسبة الكمومية من مبادئ مثل التراكب، والتشابك، والتوازي لتعزيز الكفاءة الحاسوبية، مما قد يحول تصنيف الصور والرؤية الاصطناعية من خلال تمكين معالجة أسرع لمجموعات بيانات أكبر وتحديد أنماط أكثر تعقيدًا. لقد ظهرت التعلم الآلي الكمومي (QML) كمنطقة بحث جديدة تدمج الحوسبة الكمومية مع التعلم الآلي لمعالجة المشكلات عالية الأبعاد بشكل أكثر فعالية من الطرق التقليدية. من بين هياكل QML، تعتبر الشبكات العصبية الالتفافية الكمومية (QCNNs) جديرة بالملاحظة بشكل خاص لقدرتها على تكرار وظائف CNN التقليدية مع الاستفادة من تسريع الكم، باستخدام خرائط ميزات كمومية ودارات كمومية معلمة لأداء عمليات الالتفاف والتجميع.
طرق
تم تطوير نموذج No-QCNN من خلال منهجية منظمة تجمع بين مبادئ الشبكة العصبية الالتفافية التقليدية (CNN) وتقنيات الكم المتغيرة ضمن إطار عمل هجين كمومي-تقليدي. تم تصميم هذا النموذج خصيصًا لتصنيف الصور بكفاءة، مع التركيز على اكتشاف الميزات والأنماط في الصور متعددة القنوات (RGB) منخفضة الدقة. تتكون المنهجية من أربع مراحل حاسمة: (i) توليد ومعالجة البيانات الصورية التقليدية إلى تنسيق مصفوفة كتلة مناسب لترميز الدائرة الكمومية؛ (ii) ترميز البيانات وإعداد خرائط الميزات الكمومية باستخدام بوابات دوران معلمة؛ (iii) تصميم طبقات دوائر الالتفاف-التجميع المعيارية؛ و (iv) التكوين النهائي لهندسة الشبكة العصبية الهجينة، التي تشمل طبقة دائرة متصلة بالكامل.
تهدف هذه الطريقة المنهجية إلى الاستفادة من نقاط القوة في كل من الحوسبة التقليدية والكمومية لتعزيز مهام تصنيف الصور، مما قد يؤدي إلى تحسين الأداء في التعرف على الأنماط المعقدة في البيانات المرئية.
نتائج
يوفر قسم النتائج تقييمًا تجريبيًا لإطار عمل No-QCNN، باستخدام IBM Qiskit SDK ومكتبة Qiskit Machine Learning لمصنف الكم المتغير (VQC). تم إجراء التجارب في بيئة بايثون افتراضية، مستفيدين من محاكي كمومي محلي (Qiskit Estimator and Sampler) لتحديد أداء خط الأساس خالي من الضوضاء.
تم تقسيم التحليل إلى ثلاثة أجزاء رئيسية: أولاً، يفحص ديناميات التدريب وأداء التصنيف لـ No-QCNN على مجموعة بيانات ثنائية تهدف إلى التمييز بين الخطوط الصفراء الأفقية والعمودية. ثانيًا، توسع الدراسة إلى مشكلة تصنيف متعددة الفئات تتضمن كل من اتجاه الخطوط وتركيبات الألوان، مما يقيم قدرة النموذج على تعلم ميزات أكثر تعقيدًا. أخيرًا، يتم تقييم أداء النموذج المستوحى من الكم مقارنةً بشبكة CNN التقليدية، مما يسهل مناقشة التطبيقات المحتملة، والتحديات، وملاءمة خوارزميات التعلم الآلي الكمومي (QML) في مجالات متنوعة.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير وآثار شبكة عصبية كمومية التفافية جديدة (No-QCNN) مصممة لتعزيز تصنيف الصور، خاصةً للصور الملونة منخفضة الدقة والمبكسلة. تعالج No-QCNN قيود الشبكات العصبية الالتفافية الكمومية الحالية (QCNNs) من خلال تحسين استخراج الميزات الكمومية ودمج استراتيجيات التعلم الهجينة الكمومية-التقليدية. تأتي الدوافع للتركيز على الصور منخفضة الدقة من أهميتها في تطبيقات متنوعة، مثل أنظمة الرؤية المدمجة والتعرف على الكائنات منخفضة الدقة. تستخدم بنية No-QCNN خريطة ميزات كمومية منظمة تحافظ على العلاقات المكانية والكروماتية، مما يحسن قدرة النموذج على استخراج الميزات التمييزية من الصور الملونة مع تقليل فقد المعلومات الحيوية أثناء عمليات التجميع.
يبرز المؤلفون العديد من المساهمات الرئيسية لإطار عمل No-QCNN، بما في ذلك هيكله المعياري للتجميع-الالتفاف المصمم لبيانات الصور متعددة القنوات، وآلية تقليل حجم الكيوبت الجديدة، ونموذج التعلم المراقب الذي يستخدم مُحسِّنًا تقليديًا خاليًا من التدرجات (COBYLA) للتدريب. تُظهر التحقق التجريبي باستخدام IBM’s Qiskit SDK جدوى No-QCNN في ظل ظروف الكم المتوسطة الضوضاء (NISQ) الواقعية، مما يكشف عن قدراتها العامة المتفوقة في سيناريوهات متعددة الفئات ذات البيانات المنخفضة مقارنةً بالشبكات العصبية التقليدية. تشير النتائج إلى أن No-QCNN لا تعرض فقط إمكانيات الحوسبة الكمومية في معالجة الصور، ولكنها أيضًا تؤسس دورًا تكميليًا لنماذج التعلم المعززة بالكم في التطبيقات العملية.
DOI: https://doi.org/10.1038/s41598-026-45140-w
PMID: https://pubmed.ncbi.nlm.nih.gov/41896305
Publication Date: 2026-03-27
Author(s): Chisomo Daka et al.
Primary Topic: Quantum Computing Algorithms and Architecture
Overview
The section presents an overview of the Novel Quantum Convolutional Neural Network (No-QCNN), a hybrid quantum-classical model designed to address the limitations of classical convolutional neural networks (CNNs) in handling large and complex image datasets. Unlike recent hybrid architectures that incorporate classical CNN blocks, No-QCNN utilizes an end-to-end quantum convolution-pooling pipeline. It employs a variational quantum classifier (VQC) optimized via the COBYLA algorithm, targeting binary and multiclass classification of low-resolution color images on near-term quantum devices.
A significant innovation of No-QCNN is its problem-specific quantum feature map, which transforms images into a structured three-dimensional block-matrix format that encodes pixel color (R, G, B) and spatial position. This representation is then mapped into a hierarchical ZZFeatureMap, effectively capturing spatial-chromatic correlations while adhering to the constraints of noisy intermediate-scale quantum (NISQ) devices. The model demonstrated a validation accuracy of 82.05% on a six-class classification task with a 50-image dataset, significantly outperforming the classical CNN’s 40.00%. However, in a simpler binary classification task, the classical CNN achieved perfect accuracy of 100%, while No-QCNN reached 89.7%. The study concludes that No-QCNN is particularly suited for low-data, correlation-rich classification tasks, highlighting its potential role in quantum-enhanced artificial vision within the NISQ framework.
Introduction
The introduction highlights the significance of images as the primary medium for information perception and processing in various applications, including medical diagnostics, autonomous systems, and security surveillance. Classical machine learning techniques, particularly convolutional neural networks (CNNs), have excelled in image classification by effectively extracting complex hierarchical features. However, as image datasets increase in size and complexity, traditional deep learning models face challenges related to computational efficiency, energy consumption, and scalability.
In response to these limitations, the advancement of quantum computing presents a promising alternative. Quantum computing leverages principles such as superposition, entanglement, and parallelism to enhance computational efficiency, potentially transforming image classification and artificial vision by enabling faster processing of larger datasets and the identification of more intricate patterns. Quantum machine learning (QML) has emerged as a novel research area that integrates quantum computing with machine learning to address high-dimensional problems more effectively than classical methods. Among QML architectures, quantum convolutional neural networks (QCNNs) are particularly noteworthy for their ability to replicate classical CNN functionalities while utilizing quantum speedup, employing quantum feature maps and parameterized quantum circuits to perform convolutional and pooling operations.
Methods
The No-QCNN model is developed through a structured methodology that combines classical convolutional neural network (CNN) principles with quantum variational techniques within a hybrid quantum-classical framework. This model is specifically designed for efficient image classification, focusing on the detection of features and patterns in low-resolution multichannel (RGB) images. The methodology comprises four critical stages: (i) the generation and pre-processing of classical image data into a block matrix format suitable for quantum circuit encoding; (ii) the encoding of data and preparation of quantum feature maps utilizing parameterized rotation gates; (iii) the design of modular convolutional-pooling circuit layers; and (iv) the final configuration of the hybrid neural network architecture, which includes a fully connected circuit layer.
This systematic approach aims to leverage the strengths of both classical and quantum computing to enhance image classification tasks, potentially leading to improved performance in recognizing complex patterns in visual data.
Results
The results section provides an empirical evaluation of the No-QCNN framework, utilizing the IBM Qiskit SDK and the Qiskit Machine Learning library’s Variational Quantum Classifier (VQC). The experiments were conducted in a virtual Python environment, leveraging a local quantum simulator (Qiskit Estimator and Sampler) to establish a baseline performance devoid of noise.
The analysis is divided into three key parts: First, it examines the training dynamics and classification performance of the No-QCNN on a binary dataset aimed at distinguishing between horizontal and vertical yellow lines. Second, the study expands to a multiclass classification problem that incorporates both line orientation and color combinations, assessing the model’s capacity to learn more complex features. Lastly, the performance of the quantum-inspired model is benchmarked against a conventional classical CNN, facilitating a discussion on the potential applications, challenges, and suitability of quantum machine learning (QML) algorithms in various domains.
Discussion
In this section, the authors discuss the development and implications of a novel quantum convolutional neural network (No-QCNN) designed to enhance image classification, particularly for low-resolution, pixelated color images. The No-QCNN addresses limitations of existing quantum convolutional neural networks (QCNNs) by optimizing quantum feature extraction and integrating hybrid quantum-classical learning strategies. The motivation for focusing on low-resolution images stems from their relevance in various applications, such as embedded vision systems and low-resolution object recognition. The architecture of No-QCNN employs a structured quantum feature map that preserves spatial and chromatic relationships, thus improving the model’s ability to extract discriminative features from color images while minimizing the loss of critical information during pooling operations.
The authors highlight several key contributions of the No-QCNN framework, including its modular quantum convolutional-pooling structure tailored for multichannel image data, a novel qubit downsampling mechanism, and a supervised learning paradigm that utilizes a gradient-free classical optimizer (COBYLA) for training. Experimental validation using IBM’s Qiskit SDK demonstrates the feasibility of No-QCNN under realistic noisy intermediate-scale quantum (NISQ) conditions, revealing its superior generalization capabilities in low-data, multiclass scenarios compared to classical CNNs. The findings suggest that No-QCNN not only showcases the potential of quantum computing in image processing but also establishes a complementary role for quantum-enhanced learning models in practical applications.