<span lang="AR-SA">پیش بینی بیماری دیابت با استفاده از ماشین بردار پشتیبان کلاسیکی و کوانتومی

قندخون یکی از شاخص های تاثیر گذار بر سازوکار سوخت وساز بدن است. پیش بینی دقیق و پیشگیری این شاخص، از اهمیت زیادی برخوردار است. در این راستا، تحلیل و بررسی الگوریتم های یادگیری ماشین کوانتومی برای پردازش داده های پزشکی و افزایش دقت الگو های پیش بینی در حوزه سلامت، از زمینه های پیشرو در مطالعات اخیر به شمار می آید. الگوریتم های یادگیری ماشین کوانتومی، با تکیه بر اصول فیزیک و محاسبات کوانتومی، جایگزینی موثر برای روش های کلاسیکی در پیش بینی بیماری های مزمن محسوب می شوند. این الگوریتم ها با نگاشت داده های کلاسیکی به فضای کوانتومی و استفاده از ویژگی هایی مانند برهم نهی و درهم تنیدگی، قابلیت شناسایی الگوهای پنهان و پیچیده در داده ها را به طور چشم گیری افزایش می دهند. در این پژوهش، ابتدا داده ها پس از پیش پردازش با روش تحلیل مولفه های اصلی (PCA) پردازش شده اند. سپس عملکرد ماشین بردار پشتیبان کوانتومی (QSVM) و مدار کوانتومی وردشی (VQC) در پیش بینی قند خون نسبت به روش کلاسیک SVM، بررسی و مقایسه شده است. در نتیجه الگوی QSVM با دقت ۹۰ درصد، عملکرد بهتری نسبت به SVM کلاسیکی با دقت ۴/۷۴ درصد نشان داده است، درحالی که الگوی آمیخته کلاسیکی- کوانتومی VQC با ثبت دقت ۲/۹۴ درصد بالاترین سطح دقت و کارایی را در پیش بینی سطح قندخون ارائه کرده است.

کلیدواژه ها:

الگوریتم یادگیری ماشین کوانتومی ، قندخون ، ماشین بردار پشتیبان کوانتومی ، مدار کوانتومی وردشی