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

নোট

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

কোয়ান্টাম নিউরাল নেটওয়ার্ক

এই নোটবুকটিতে Qiskit মেশিন লার্নিং এর বিভিন্ন সাধারণ কোয়ান্টাম নিউরাল নেটওয়ার্ক (কিউ এন এন) এর বাস্তবায়ন (ইমপ্লিমেন্টেশন) দেখানো হয়েছে। এই নেটওয়ার্ক গুলো প্রয়োগ-নিরপেক্ষ কম্পিউটেশনাল ইউনিট হিসেবে বোঝানো হয় যা অনেক গুলি বিভিন্ন ক্ষেত্রে ব্যবহার করা যেতে পারে। প্রয়োগের উপর নির্ভর করে, একটি নির্দিষ্ট ধরনের নেটওয়ার্ক কম-বেশি উপযুক্ত হতে পারে এবং একটি নির্দিষ্ট উপায়ে সেট আপ বা গঠন করার প্রয়োজনীয়তা দেখা দিতে পারে। নিম্নে বিভিন্ন নিউরাল নেটওয়ার্ক গুলো আরো বিশদ ভাবে আলোচনা করা হবেঃ

  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 বর্তনী (সার্কিট) পরিমাপ করে পাওয়া 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, algorithm_globals

algorithm_globals.random_seed = 42
[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 পাওয়া যায় এমন সব নিউরাল নেটওয়ার্কগুলির ইন্টারফেসের প্রতিনিধিত্ব করে। এটি ইনপুট হিসাবে তথ্য (ডেটা) নমুনা এবং প্রশিক্ষণযোগ্য (ট্রেইনেবল) ওয়েট গ্রহণ করে একটি ফরোয়ার্ড (সম্মুখ) এবং একটি ব্যাকওয়ার্ড (পশ্চাৎ) পাস উন্মুক্ত করে। একটি NeuralNetwork কোনও প্রশিক্ষণ (ট্রেইনিং) ক্ষমতা রাখে না, এগুলি প্রকৃত ধারাক্রম (অ্যালগরিদম) / প্রয়োগক্ষেত্রে (অ্যাপ্লিকেশন) ব্যবহার 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 ইনপুট তথ্য ওয়েট (ওজন) লাগে। ``NeuralNetwork ইনপুটের ব্যাচিং সমর্থন করে এবং সংশ্লিষ্ট আকৃতির ফলাফলের ব্যাচ প্রদান করে।

২. OpflowQNN

OpflowQNN Qiskit থেকে একটি (পরামিতিক বা প্যারামিট্রাইজড) অপারেটর নেয় এবং পিছনের পাসটি সরবরাহের জন্য Qiskit এর গ্রেডিয়েন্ট কাঠামোটি ব্যবহার করে। যেমন একটি অপারেটর একটি প্যারামিট্রাইজড কোয়ান্টাম অবস্থার (স্টেট) সাপেক্ষে কোয়ান্টাম যান্ত্রিক পর্যবেক্ষণটির প্রত্যাশিত মান হতে পারে। প্যারামিটারগুলি ধ্রুপদী (ক্লাসিক্যাল) তথ্য ( ডেটা ) লোড বা আনয়ন করার পাশাপাশি প্রশিক্ষণযোগ্য ওজন (ট্রেইনেবল ওয়েট) উপস্থাপন করতে ব্যবহার করা যেতে পারে। OpflowQNN অপারেটরগুলির তালিকা এবং আরও জটিল কাঠামোকে আরও জটিল কিউএনএন (QNN) তৈরি করার সুযোগ করে 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 = algorithm_globals.random.random(qnn1.num_inputs)
weights1 = algorithm_globals.random.random(qnn1.num_weights)
[7]:
# QNN forward pass
qnn1.forward(input1, weights1)
[7]:
array([[0.08242345]])
[8]:
# QNN batched forward pass
qnn1.forward([input1, input1], weights1)
[8]:
array([[0.08242345],
       [0.08242345]])
[9]:
# QNN backward pass
qnn1.backward(input1, weights1)
[9]:
(None, array([[[0.2970094]]]))
[10]:
# QNN batched backward pass
qnn1.backward([input1, input1], weights1)
[10]:
(None,
 array([[[0.2970094]],

        [[0.2970094]]]))

একাধিক পর্যবেক্ষণযোগ্য (অবজারভেবল) বিষয়কে 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([[0.08242345, 0.08242345]])
[13]:
# QNN backward pass
qnn2.backward(input1, weights1)
[13]:
(None,
 array([[[0.2970094],
         [0.2970094]]]))

৩. TwoLayerQNN

TwoLayerQNN হল \(n\) কিউবিটসমূহের ওপর একটি বিশেষ OpflowQNN যাতে প্রথমে তথ্য (ডেটা) সন্নিবেশ করানোর জন্য একটি বৈশিষ্ট্য নকশা (ফিচার ম্যাপ) এবং একটি প্রশিক্ষিত (ট্রেইনড) ansatz থাকে। প্রাথমিক পর্যবেক্ষণযোগ্য বিষয় হলো \(Z^{\otimes n}\), উদাহরণস্বরূপ, সমতা (প্যারিটি) ।

[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 = algorithm_globals.random.random(qnn3.num_inputs)
weights3 = algorithm_globals.random.random(qnn3.num_weights)
[21]:
# QNN forward pass
qnn3.forward(input3, weights3)
[21]:
array([[0.18276559]])
[22]:
# QNN backward pass
qnn3.backward(input3, weights3)
[22]:
(None,
 array([[[ 0.10231208,  0.10656571,  0.41017902,  0.16528909,
          -0.27780262,  0.41365763]]]))

৪. CircuitQNN

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

উপরন্তু, CircuitQNN নমুনাগুলি পরে প্রক্রিয়া করার জন্য একটি interpret ফাংশন নির্দিষ্ট করার অনুমতি দেয়। এটি একটি পরিমাপ করা পূর্ণসংখ্যা (একটি বিটস্ট্রিং থেকে) গ্রহণ করবে এবং একটি নতুন সূচকে, যেমন অঋণাত্মক পূর্ণসংখ্যায় ম্যাপ করবে বলে আশা করা হয়। এই ক্ষেত্রে, ফলাফলের আকৃতি সরবরাহ করা প্রয়োজন এবং সম্ভাব্যতাগুলি সেই অনুযায়ী সংযুক্ত করা হয়।

একটি CircuitQNN কে ঘন এবং বিক্ষিপ্ত (স্পার্স) সম্ভাব্যতা দিকরাশি (ভেক্টর) ফেরত পেতে সাজানো (কনফিগার) করা যেতে পারে। যদি কোনও interpret ফাংশন ব্যবহার না করা হয় তবে সম্ভাব্যতা দিকরাশির (ভেক্টর) মাত্রা স্পষ্টতই কিউবিটের সংখ্যার সাথে সূচকীয় (এক্সপোনেন্সিয়াল) হারে থাকে এবং একটি বিক্ষিপ্ত (স্পার্স) ব্যবস্থা সাধারণত ঠিক করা হয়। interpret ফাংশনের ক্ষেত্রে এটি প্রত্যাশিত ফলাফলের উপর নির্ভর করে। উদাহরণস্বরূপ, যদি একটি সূচক একটি বিটস্ট্রিং এর সমতায় (প্যারিটি) ম্যাপ করা হয়, যেমন, ০ বা ১, তাহলে একটি ঘন (ডেন্স) ফলাফল বোধগম্য হয় এবং ফলাফলটি ২ দৈর্ঘ্যের সম্ভাব্যতা দিকরাশি (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

৪.১ ফলাফলঃ বিক্ষিপ্ত (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 = algorithm_globals.random.random(qnn4.num_inputs)
weights4 = algorithm_globals.random.random(qnn4.num_weights)
[27]:
# QNN forward pass
qnn4.forward(input4, weights4).todense()  # returned as a sparse matrix
[27]:
array([[0.6, 0.1, 0. , 0. , 0. , 0. , 0. , 0.3]])
[28]:
# QNN backward pass, returns a tuple of sparse matrices
qnn4.backward(input4, weights4)
[28]:
(None, <COO: shape=(1, 8, 6), dtype=float64, nnz=33, fill_value=0.0>)

৪.২ ফলাফলঃ 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 = algorithm_globals.random.random(qnn6.num_inputs)
weights6 = algorithm_globals.random.random(qnn6.num_weights)
[31]:
# QNN forward pass
qnn6.forward(input6, weights6)
[31]:
array([[0.5, 0.5]])
[32]:
# QNN backward pass
qnn6.backward(input6, weights6)
[32]:
(None,
 array([[[-0.2 ,  0.1 , -0.15, -0.15,  0.15, -0.15],
         [ 0.2 , -0.1 ,  0.15,  0.15, -0.15,  0.15]]]))

৪.৩ ফলাফলঃ নমুনা (স্যাম্পল)

[33]:
# specify circuit QNN
qnn7 = CircuitQNN(qc, [], qc.parameters, sampling=True, quantum_instance=qi_qasm)
[34]:
# define (random) input and weights
input7 = algorithm_globals.random.random(qnn7.num_inputs)
weights7 = algorithm_globals.random.random(qnn7.num_weights)
[35]:
# QNN forward pass, results in samples of measured bit strings mapped to integers
qnn7.forward(input7, weights7)
[35]:
array([[[0.],
        [1.],
        [0.],
        [7.],
        [0.],
        [6.],
        [0.],
        [0.],
        [1.],
        [6.]]])
[36]:
# QNN backward pass
qnn7.backward(input7, weights7)
[36]:
(None, None)

৪.৪ ফলাফলঃ সমতা (প্যারিটি) 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 = algorithm_globals.random.random(qnn8.num_inputs)
weights8 = algorithm_globals.random.random(qnn8.num_weights)
[39]:
# QNN forward pass, results in samples of measured bit strings
qnn8.forward(input8, weights8)
[39]:
array([[[0.],
        [1.],
        [1.],
        [0.],
        [1.],
        [0.],
        [0.],
        [0.],
        [1.],
        [1.]]])
[40]:
# QNN backward pass
qnn8.backward(input8, weights8)
[40]:
(None, None)
[43]:
import qiskit.tools.jupyter

%qiskit_version_table
%qiskit_copyright

Version Information

Qiskit SoftwareVersion
qiskit-terra0.19.0
qiskit-aer0.9.0
qiskit-ignis0.7.0
qiskit-ibmq-provider0.17.0
qiskit-aqua0.10.0
qiskit-machine-learning0.3.0
System information
Python3.8.10 (default, Jun 2 2021, 10:49:15) [GCC 9.4.0]
OSLinux
CPUs4
Memory (Gb)7.6849517822265625
Sat Aug 28 01:04:52 2021 IST

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.

[ ]: