Qiskit Machine Learningの概要¶
概要¶
Qiskit Machine Learningは、分類や回帰など、さまざまなアプリケーションで使用される基本的な計算ビルディングブロック、量子カーネル (Quantum Kernel) や 量子ニューラルネットワーク (Quantum Neural Networks) など、を導入しています。 この設計は非常に使いやすく、ユーザーは量子コンピューティングの深い知識がなくても最初のモデルのプロトタイプをすばやく作成できます。 一方、Qiskit Machine Learningは非常に柔軟性があり、ユーザーはそれを簡単に拡張して最先端の量子機械学習研究をサポートできます。
Qiskit Machine Learning は、 QuantumKernel クラスを提供します。これらのクラスは、与えられたデータ・セットのカーネル行列を直接計算するため、または 量子サポートベクトル分類器（Quantum Support Vector Classifier、 QSVC ) または 量子サポートベクトル回帰（Quantum Support Vector Regressor、 QSVR ) に渡すことができます。このクラスは、分類または回帰の問題の解決を迅速に開始できます。 これは、確立された古典的なフレームワークから、他の多くの既存のカーネルベースの機械学習アルゴリズムと共に使用することができます。
Qiskit Machine Learningは、さまざまな量子ニューラルネットワークによって実装されるニューラルネットワークの汎用インターフェースを定義します。 OpflowQNN 、TwoLayerQNN 、 CircuitQNN などの複数の実装がすぐに提供されます。 OpflowQNN を使用すると、ユーザーはパラメーター化された量子回路を量子力学的観測量と組み合わせることができます。回路は、たとえば、Qiskitの回路ライブラリのビルディングブロックを使用して構築できます。QNNの出力は、観測量の期待値によって与えられます。 TwoLayerQNN は、機能マップとansatzを入力として受け取る OpflowQNN の特殊なケースです。 CircuitQNN は、量子回路の測定値を、観測可能なものなしで出力として直接取得します。出力は、サンプルのバッチ、つまり回路の量子ビットから測定されたビット文字列のリストとして、または各ビット文字列の結果のサンプリング確率のスパース・ベクトルとして使用できます。前者は、与えられた量子回路から生じる分布の学習に関心がありますが、後者は、回帰や分類などの用途があります。後処理ステップを使用して、特定のコンテキストで特定のビット文字列を解釈できます。それを一連のクラスに変換します。
ニューラルネットワークには、特定の入力に対してそれらを評価する機能と、対応する勾配を計算する機能が含まれています。これは、効率的なトレーニングに重要です。 ニューラルネットワークをトレーニングして使用するために、Qiskit Machine Learningは、 NeuralNetworkClassifier や NeuralNetworkRegressor などのさまざまな学習アルゴリズムを提供します。 どちらもQNNを入力として受け取り、分類または回帰のコンテキストで使用します。 簡単に開始できるように、2つの便利な実装が提供されています。変分量子分類 (Variational Quantum Classifier、 VQC) と変分量子回帰 (Variational Quantum Regressor、 VQR) です。 どちらも特徴マップと ansatz を取り、基礎となるQNNを自動的に構築します。
Qiskit Machine Learningで直接提供されるモデルに加えて、 TorchConnector があり、ユーザーはすべての量子ニューラルネットワークをオープンソースの機械学習ライブラリ PyTorch に直接統合できます。Qiskitの勾配フレームワークのおかげで、これには自動微分が含まれます。誤差逆伝播中に PyTorch によって計算される全体的な勾配は、量子ニューラルネットワークも考慮に入れます。 柔軟な設計により、将来的に他のパッケージへのコネクタを構築することもできます。