في عالم يتطور فيه الذكاء الاصطناعي بوتيرة سريعة، برز نموذج الرسم البياني الكمي للمعرفة (Quantum Knowledge Graph - QKG) كأداة ثورية في تحسين الاستدلال (reasoning) الطبي. بينما تُستخدم الرسوم البيانية التقليدية للمعرفة (Knowledge Graphs - KGs) بشكل شائع لدعم النماذج اللغوية الكبيرة (Large Language Models - LLM)، إلا أنها تعاني من مشكلة رئيسية: تعتمد صحة العلاقات على السياق الذي توجد فيه.
ما هو الرسم البياني الكمي للمعرفة؟
الرسم البياني الكمي للمعرفة يعد بديلاً مبتكرًا عن الرسوم البيانية التقليدية، حيث تتمثل فكرته في اعتبار صحة كل علاقة كوظيفة تعتمد على السياق المحدد. وقد تم تطبيق هذا النموذج في مجالات الطب باستخدام قاعدة بيانات PrimeKG المركزة على مرض السكري، حيث يحتوي على 68,651 علاقة حساسة للسياق تم توضيحها بمحددات خاصة بمجموعات المرضى.
النتائج الرائعة
تم تقييم QKG من خلال نظام استدلال - تحقق (reasoner-validator pipeline) للإجابة على الأسئلة الطبية، ويشمل مجموعة بيانات MedReason التي تحتوي على 2,788 سؤالًا. أبرزت النتائج تحسنًا ملحوظًا في دقة التحليل، حيث أدت عملية التحقق المعتمدة على KGs إلى تحسين كبير مقارنة بالقدرة على الاستدلال بدون تحقق (+0.61 نقطة). وحقق QKG الذي يستخدم مطابقة السياق أكبر زيادة، متفوقًا على نماذج أخرى.
الأهمية المستقبلية
تؤكد النتائج أن قيمة الرسم البياني للمعرفة في الاستدلال السريري لا تقتصر على تخزين الحقائق الطبية فقط، بل تتعلق أيضًا بتحديد ما إذا كانت هذه الحقائق قابلة للتطبيق وفقًا للسياق الخاص بكل مريض.
من أجل تعزيز الأبحاث المستقبلية، تم توفير مجموعة بيانات QKG المنقحة ورمز المصدر.