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



Descripción general de Qiskit Machine Learning

Descripción general

Qiskit Machine Learning presenta bloques de construcción computacionales fundamentales, como Quantum Kernels y Quantum Neural Networks, que se utilizan en diferentes aplicaciones, incluidas la clasificación y la regresión. Por un lado, este diseño es muy fácil de usar y permite a los usuarios prototipar rápidamente un primer modelo sin conocimientos profundos de computación cuántica. Por otro lado, Qiskit Machine Learning es muy flexible y los usuarios pueden extenderlo fácilmente para respaldar la investigación de machine learning cuántico de vanguardia.

Qiskit Machine Learning provides the FidelityQuantumKernel class class that makes use of the BaseStateFidelity algorithm introduced in Qiskit and can be easily used to directly compute kernel matrices for given datasets or can be passed to a Quantum Support Vector Classifier (QSVC) or Quantum Support Vector Regressor (QSVR) to quickly start solving classification or regression problems. It also can be used with many other existing kernel-based machine learning algorithms from established classical frameworks.

Qiskit Machine Learning defines a generic interface for neural networks that is implemented by different quantum neural networks. Two core implementations are readily provided, such as the EstimatorQNN and the SamplerQNN. The EstimatorQNN leverages the BaseEstimator primitive from Qiskit and allows users to combine parametrized quantum circuits with quantum mechanical observables. The circuits can be constructed using, for example, building blocks from Qiskit’s circuit library, and the QNN’s output is given by the expected value of the observable. The SamplerQNN leverages another primitive introduced in Qiskit, the BaseSampler primitive. This neural network translates quasi-probabilities of bitstrings estimated by the primitive into a desired output. This translation step can be used to interpret a given bitstring in a particular context, e.g. translating it into a set of classes.

Las redes neuronales incluyen la funcionalidad para evaluarlas para una entrada determinada, así como para calcular los gradientes correspondientes, lo cual es importante para un entrenamiento eficiente. Para entrenar y usar redes neuronales, Qiskit Machine Learning proporciona una variedad de algoritmos de aprendizaje como la clase NeuralNetworkClassifier y NeuralNetworkRegressor. Ambas toman una QNN como entrada y luego la utilizan en un contexto de clasificación o regresión. Para permitir un comienzo fácil, se proporcionan dos implementaciones convenientes: el Clasificador Cuántico Variacional (VQC) así como el Regresor Cuántico Variacional (VQR). Ambos toman solo un mapa de características y un ansatz y construyen la QNN subyacente automáticamente.

In addition to the models provided directly in Qiskit Machine Learning, it has the TorchConnector, which allows users to integrate all of our quantum neural networks directly into the PyTorch open source machine learning library. Thanks to Qiskit’s gradient algorithms, this includes automatic differentiation - the overall gradients computed by PyTorch during the backpropagation take into account quantum neural networks, too. The flexible design also allows the building of connectors to other packages in the future.

Siguientes Pasos

Primeros pasos

Migration Guide

Tutoriales