Bengali
ভাষাসমূহ
English
Bengali
French
Hindi
Italian
Japanese
Korean
Malayalam
Russian
Spanish
Tamil
Turkish
Vietnamese
Shortcuts

নোট

এই পেজটি docs/tutorials/01_neural_networks.ipynb থেকে তৈরি হয়েছে।

কোয়ান্টাম নিউরাল নেটওয়ার্ক

এই নোটবুকটি Qiskit মেশিন লার্নিং এ উপলব্ধ কোয়ান্টাম নিউরাল নেটওয়ার্ক (কিউ এন এন) এর বিভিন্ন রূপায়ণ (ইমপ্লিমেন্টেশন) প্রদর্শন করে। নেটওয়ার্ক গুলো অ্যাপ্লিকেশন-এগ্নস্টিক কম্পিউটেশনাল ইউনিট হিসেবে বোঝানো হয় যা অনেক গুলি বিভিন্ন ক্ষেত্রে ব্যবহার করা যেতে পারে।এপ্লিকেশনের উপর নির্ভর করে, একটি নির্দিষ্ট ধরনের নেটওয়ার্ক কম-বেশি উপযুক্ত হতে পারে এবং একটি নির্দিষ্ট উপায়ে সেটাপ করার প্রয়োজনীয়তা দেখা দিতে পারে। নিম্নে বিভিন্ন উপলব্ধ নিউরাল নেটওয়ার্ক গুলো আরো বিশদ ভাবে আলোচনা করা হবে:

  1. NeuralNetwork: নিউরাল নেটওয়ার্কের ইন্টারফেস

  2. OpflowQNN: কোয়ান্টাম বলবিদ্যার পর্যবেক্ষণের মূল্যায়নের উপর ভিত্তি করে একটি নেটওয়ার্ক।

  3. TwoLayerQNN: কাজের সুবিধার জন্য একটি বিশেষ `` OpflowQNN`` বাস্তবায়ন।

  4. CircuitQNN: একটি নেটওয়ার্ক যা কোয়ান্টাম সার্কিট পরিমাপের ফলে নমুনাগুলির উপর ভিত্তি করে রচিত।

[1]:
import numpy as np

from qiskit import Aer, QuantumCircuit
from qiskit.circuit import Parameter
from qiskit.circuit.library import RealAmplitudes, ZZFeatureMap
from qiskit.opflow import StateFn, PauliSumOp, AerPauliExpectation, ListOp, Gradient
from qiskit.utils import QuantumInstance
[2]:
# set method to calculcate expected values
expval = AerPauliExpectation()

# define gradient method
gradient = Gradient()

# define quantum instances (statevector and sample based)
qi_sv = QuantumInstance(Aer.get_backend('aer_simulator_statevector'))

# we set shots to 10 as this will determine the number of samples later on.
qi_qasm = QuantumInstance(Aer.get_backend('aer_simulator'), shots=10)

১. NeuralNetwork

NeuralNetwork Qiskit মেশিন লার্নিংয়ে উপলভ্য সমস্ত নিউরাল নেটওয়ার্কগুলির ইন্টারফেসের প্রতিনিধিত্ব করে। এটি ইনপুট হিসাবে ডেটা নমুনা এবং প্রশিক্ষণযোগ্য ওয়েট গ্রহণ করে একটি ফরোয়ার্ড এবং একটি ব্যাকওয়ার্ড পাস উন্মুক্ত করে।একটি NeuralNetwork কোনও প্রশিক্ষণ ক্ষমতা রাখে না, এগুলি প্রকৃত অ্যালগরিদম / অ্যাপ্লিকেশনগুলিতে পুস করা যায়।সুতরাং একটি, NeuralNetwork প্রশিক্ষণযোগ্য ওয়েটের মানগুলিও সঞ্চয় করে না।নিচে, এই ইন্টারফেসগুলির বিভিন্ন প্রয়োগ দেখানো হয়েছে।

ধরুন, একটি neuralnetwork যার সংক্ষিপ্ত নাম nn। এরপরে, nn.forward(input, weights) পাসের জন্য যথাক্রমে nn.num_inputs এবং nn.num_weights``এর সমান ইনপুট তথ্য লাগে। ``NeuralNetwork ইনপুটের ব্যাচিং সমর্থন করে এবং সংশ্লিষ্ট আকৃতির আউটপুট ব্যাচ প্রদান করে।

২. OpflowQNN

`` OpflowQNN`` Qiskit থেকে একটি (প্যারাম্যাট্রাইজড) অপারেটর নেয় এবং পিছনের পাসটি সরবরাহের জন্য Qiskit এর গ্রেডিয়েন্ট কাঠামোটি ব্যবহার করে। যেমন একটি অপারেটর উদাহরণস্বরূপ একটি প্যারামাইট্রাইজড কোয়ান্টাম রাষ্ট্রের সাথে পর্যবেক্ষণযোগ্য কোয়ান্টাম মেকানিকালটির প্রত্যাশিত মান হতে পারে। প্যারামিটারগুলি ক্লাসিকাল ডেটা লোড করার পাশাপাশি প্রশিক্ষণযোগ্য ওজন উপস্থাপন করতে ব্যবহার করা যেতে পারে। OpflowQNN অপারেটরগুলির তালিকা এবং আরও জটিল কাঠামোকে আরও জটিল কিউএনএন তৈরি করার অনুমতি দেয়।

[3]:
from qiskit_machine_learning.neural_networks import OpflowQNN
[4]:
# construct parametrized circuit
params1 = [Parameter('input1'), Parameter('weight1')]
qc1 = QuantumCircuit(1)
qc1.h(0)
qc1.ry(params1[0], 0)
qc1.rx(params1[1], 0)
qc_sfn1 = StateFn(qc1)

# construct cost operator
H1 = StateFn(PauliSumOp.from_list([('Z', 1.0), ('X', 1.0)]))

# combine operator and circuit to objective function
op1 = ~H1 @ qc_sfn1
print(op1)
ComposedOp([
  OperatorMeasurement(1.0 * Z
  + 1.0 * X),
  CircuitStateFn(
       ┌───┐┌────────────┐┌─────────────┐
  q_0: ┤ H ├┤ RY(input1) ├┤ RX(weight1) ├
       └───┘└────────────┘└─────────────┘
  )
])
[5]:
# construct OpflowQNN with the operator, the input parameters, the weight parameters,
# the expected value, gradient, and quantum instance.
qnn1 = OpflowQNN(op1, [params1[0]], [params1[1]], expval, gradient, qi_sv)
[6]:
# define (random) input and weights
input1 = np.random.rand(qnn1.num_inputs)
weights1 = np.random.rand(qnn1.num_weights)
[7]:
# QNN forward pass
qnn1.forward(input1, weights1)
[7]:
array([[0.81422018]])
[8]:
# QNN batched forward pass
qnn1.forward([input1, input1], weights1)
[8]:
array([[0.81422018],
       [0.81422018]])
[9]:
# QNN backward pass
qnn1.backward(input1, weights1)
[9]:
(array([[[-1.15629599]]]), array([[[0.0008565]]]))
[10]:
# QNN batched backward pass
qnn1.backward([input1, input1], weights1)
[10]:
(array([[[-1.15629599]],

        [[-1.15629599]]]),
 array([[[0.0008565]],

        [[0.0008565]]]))

বিভিন্ন দৃষ্টিগ্রাহ্যদের (অবসারভেবলস​) ListOp এ এক করে আরও জটিল QNN বানানো সম্ভব​

[11]:
op2 = ListOp([op1, op1])
qnn2 = OpflowQNN(op2, [params1[0]], [params1[1]], expval, gradient, qi_sv)
[12]:
# QNN forward pass
qnn2.forward(input1, weights1)
[12]:
array([[0.81422018, 0.81422018]])
[13]:
# QNN backward pass
qnn2.backward(input1, weights1)
[13]:
(array([[[-1.15629599],
         [-1.15629599]]]),
 array([[[0.0008565],
         [0.0008565]]]))

৩. TwoLayerQNN

`` TwoLayerQNN`` হল একটি বিশেষ OpflowQNN on \(n\) কিউবিটসমূহ যারা ডেটা সন্নিবেশ করানোর জন্য প্রথম বৈশিষ্ট্যের মানচিত্র এবং দ্বিতীয়টি একটি আনস্যাটজ যা প্রশিক্ষিত। প্রাথমিক পর্যবেক্ষণযোগ্য হ’ল :math: Z ^ {otimes n}, উদাহরণস্বরূপ, প্যারিটি(parity) ।

[14]:
from qiskit_machine_learning.neural_networks import TwoLayerQNN
[15]:
# specify the number of qubits
num_qubits = 3
[16]:
# specify the feature map
fm = ZZFeatureMap(num_qubits, reps=2)
fm.draw(output='mpl')
[16]:
../_images/tutorials_01_neural_networks_20_0.png
[17]:
# specify the ansatz
ansatz = RealAmplitudes(num_qubits, reps=1)
ansatz.draw(output='mpl')
[17]:
../_images/tutorials_01_neural_networks_21_0.png
[18]:
# specify the observable
observable = PauliSumOp.from_list([('Z'*num_qubits, 1)])
print(observable)
1.0 * ZZZ
[19]:
# define two layer QNN
qnn3 = TwoLayerQNN(num_qubits,
                   feature_map=fm,
                   ansatz=ansatz,
                   observable=observable, quantum_instance=qi_sv)
[20]:
# define (random) input and weights
input3 = np.random.rand(qnn3.num_inputs)
weights3 = np.random.rand(qnn3.num_weights)
[21]:
# QNN forward pass
qnn3.forward(input3, weights3)
[21]:
array([[0.28520667]])
[22]:
# QNN backward pass
qnn3.backward(input3, weights3)
[22]:
(array([[[-0.2933431 , -0.78565729,  0.5416021 ]]]),
 array([[[-0.09093077,  0.02802006, -0.13559047,  0.1814619 ,
           0.11644461, -0.4073129 ]]]))

৪. CircuitQNN

CircuitQNN একটি (প্যারাম্যাট্রাইজড) QuantumCircuit এর উপর ভিত্তি করে গঠিত। এটি ইনপুট নেয়ার পাশাপাশি প্যারামিটার মাপতে পারে এবং পরিমাপ থেকে নমুনা তৈরি করে। নমুনাগুলি হয় হয় একটি বিটস্ট্রিংয়ের সাথে সম্পর্কিত ইন্টিজার সূচকটি পরিমাপের সম্ভাব্যতা হিসাবে বা সরাসরি বাইনারি আউটপুটটির ব্যাচ হিসাবে ব্যাখ্যা করা যেতে পারে। সম্ভাবনার ক্ষেত্রে গ্রেডিয়েন্টগুলি দক্ষতার সাথে অনুমান করা যায় এবং CircuitQNN পাশাপাশি একটি পশ্চাৎ পাস সরবরাহ করে। নমুনার ক্ষেত্রে, পার্থক্য সম্ভব নয় এবং পিছনের পাসটি (None, None) রিটার্ন করে।

উপরন্তু, CircuitQNN` , নমুনাগুলি পোস্ট-প্রসেস করার জন্য, একটি ``interpret ফাংশন নির্দিষ্ট করার অনুমতি দেয়। এটি একটি পরিমাপ করা পূর্ণসংখ্যা (একটি বিটস্ট্রিং থেকে) গ্রহণ করবে এবং এটি একটি নতুন সূচকে, যেমন অ-নেতিবাচক পূর্ণসংখ্যা ম্যাপ করবে বলে আশা করা হচ্ছে। এই ক্ষেত্রে, আউটপুট আকৃতি সরবরাহ করা প্রয়োজন এবং সম্ভাব্যতাগুলি সেই অনুযায়ী সংযুক্ত করা হয়।

একটি CircuitQNN ডেন্স সম্ভাব্যতা (probability) ভেক্টরগুলির পাশাপাশি স্পার্স ফিরে আসতে কনফিগার করা যেতে পারে। যদি কোনও interpret ফাংশন ব্যবহার না করা হয় তবে সম্ভাব্যতা ভেক্টরের মাত্রা স্পষ্টতই কিউবিটের সংখ্যার সাথে স্কেল করে এবং একটি স্পার্স সুপারিশ সাধারণত দেওয়া হয়। interpret ফাংশনের ক্ষেত্রে এটি প্রত্যাশিত ফলাফলের উপর নির্ভর করে। উদাহরণস্বরূপ, যদি একটি সূচী সংশ্লিষ্ট বিটস্ট্রিং এর সমানতায় ম্যাপ করা হয়, যেমন, 0 বা 1, একটি ডেন্স আউটপুট বোধগম্য হয় এবং ফলাফলটি দৈর্ঘ্য 2 এর সম্ভাব্যতা (probability) ভেক্টর হবে।

[23]:
from qiskit_machine_learning.neural_networks import CircuitQNN
[24]:
qc = RealAmplitudes(num_qubits, entanglement='linear', reps=1)
qc.draw(output='mpl')
[24]:
../_images/tutorials_01_neural_networks_29_0.png

4.1 আউটপুট: স্পার্স পূর্ণসংখ্যার সম্ভাবনা

[25]:
# specify circuit QNN
qnn4 = CircuitQNN(qc, [], qc.parameters, sparse=True, quantum_instance=qi_qasm)
[26]:
# define (random) input and weights
input4 = np.random.rand(qnn4.num_inputs)
weights4 = np.random.rand(qnn4.num_weights)
[27]:
# QNN forward pass
qnn4.forward(input4, weights4).todense()  # returned as a sparse matrix
[27]:
array([[0.5, 0. , 0. , 0. , 0.3, 0. , 0. , 0.2]])
[28]:
# QNN backward pass, returns a tuple of sparse matrices
qnn4.backward(input4, weights4)
[28]:
(<COO: shape=(1, 8, 0), dtype=float64, nnz=0, fill_value=0.0>,
 <COO: shape=(1, 8, 6), dtype=float64, nnz=22, fill_value=0.0>)

4.2 আউটপুট: ঘন (ডেন্স) সমতা (প্যারিটি) সম্ভাবনা

[29]:
# specify circuit QNN
parity = lambda x: '{:b}'.format(x).count('1') % 2
output_shape = 2  # this is required in case of a callable with dense output
qnn6 = CircuitQNN(qc, [], qc.parameters, sparse=False, interpret=parity, output_shape=output_shape,
                  quantum_instance=qi_qasm)
[30]:
# define (random) input and weights
input6 = np.random.rand(qnn6.num_inputs)
weights6 = np.random.rand(qnn6.num_weights)
[31]:
# QNN forward pass
qnn6.forward(input6, weights6)
[31]:
array([[0.8, 0.2]])
[32]:
# QNN backward pass
qnn6.backward(input6, weights6)
[32]:
(array([], shape=(1, 2, 0), dtype=float64),
 array([[[-1.00000000e-01,  5.55111512e-17, -5.00000000e-02,
           1.38777878e-17, -2.00000000e-01,  5.00000000e-02],
         [ 1.00000000e-01,  0.00000000e+00,  5.00000000e-02,
          -5.55111512e-17,  2.00000000e-01, -5.00000000e-02]]]))

৪.৩ আউটপুট : নমুনা (স্যাম্পল)

[33]:
# specify circuit QNN
qnn7 = CircuitQNN(qc, [], qc.parameters, sampling=True,
                  quantum_instance=qi_qasm)
[34]:
# define (random) input and weights
input7 = np.random.rand(qnn7.num_inputs)
weights7 = np.random.rand(qnn7.num_weights)
[35]:
# QNN forward pass, results in samples of measured bit strings mapped to integers
qnn7.forward(input7, weights7)
[35]:
array([[[4.],
        [4.],
        [7.],
        [1.],
        [7.],
        [4.],
        [4.],
        [4.],
        [0.],
        [0.]]])
[36]:
# QNN backward pass
qnn7.backward(input7, weights7)
[36]:
(None, None)

৪.৪ আউটপুট: প্যরিটি নমুনা (স্যাম্পল)

[37]:
# specify circuit QNN
qnn8 = CircuitQNN(qc, [], qc.parameters, sampling=True, interpret=parity,
                  quantum_instance=qi_qasm)
[38]:
# define (random) input and weights
input8 = np.random.rand(qnn8.num_inputs)
weights8 = np.random.rand(qnn8.num_weights)
[39]:
# QNN forward pass, results in samples of measured bit strings
qnn8.forward(input8, weights8)
[39]:
array([[[1.],
        [0.],
        [1.],
        [0.],
        [0.],
        [0.],
        [0.],
        [0.],
        [0.],
        [0.]]])
[40]:
# QNN backward pass
qnn8.backward(input8, weights8)
[40]:
(None, None)
[41]:
import qiskit.tools.jupyter
%qiskit_version_table
%qiskit_copyright

Version Information

Qiskit SoftwareVersion
QiskitNone
Terra0.17.0.dev0+346ffa8
Aer0.8.0
Ignis0.6.0.dev0+d6f1ad7
AquaNone
IBM Q Provider0.13.0.dev0+10f19e0
System information
Python3.8.8 (default, Feb 24 2021, 13:46:16) [Clang 10.0.0 ]
OSDarwin
CPUs6
Memory (Gb)16.0
Wed Mar 31 23:25:48 2021 CEST

This code is a part of Qiskit

© Copyright IBM 2017, 2021.

This code is licensed under the Apache License, Version 2.0. You may
obtain a copy of this license in the LICENSE.txt file in the root directory
of this source tree or at http://www.apache.org/licenses/LICENSE-2.0.

Any modifications or derivative works of this code must retain this
copyright notice, and modified files need to carry a notice indicating
that they have been altered from the originals.

[ ]: