Qiskit 머신 러닝 개요¶
개요¶
Qiskit Machine Learning은 분류 및 회귀를 포함한 다양한 애플리케이션에서 사용되는 양자 커널 및 양자 신경망과 같은 기본적인 컴퓨터의 구성 요소를 지니고 있다. 다른 한 편으로, 이 패키지는 사용하기가 매우 쉬우며 사용자가 전문적인 양자 컴퓨팅 지식 없이도 첫 번째 모델을 신속하게 프로토타입화할 수 있도록 해준다. 또한, Qiskit Machine Learning은 매우 유연하며, 사용자들이 이를 쉽게 확장하여 최첨단 양자 머신러닝 연구에 사용할 수 있도록 한다.
Qiskit Machine Learning은 주어진 데이터 세트에 대한 커널 행렬을 직접 계산하는 데 사용하거나, 분류 또는 회귀 문제 해결을 빠르게 시작할 수 있도록 Quantum Support Vector 분류자(QSVC )나 Quantum Support Vector Regressor(QSVR)에 전달할 수 있는 QuantumKernel 클래스를 제공한다. 또한 고전적 프레임워크 안에서 설계된 커널 기반의 머신러닝 알고리즘들에도 이 클래스를 사용할 수 있다.
Qiskit Machine Learning은 다양한 양자 신경망에 의해 구현되는 신경망들에도 사용할 수 있도록 인터페이스를 정의한다. 다음과 같은 인터페이스는 여러 방식에 사용할 수 있다: OpflowQNN , TwoLayerQNN 및 CircuitQNN . OpflowQNN 을 사용하면 매개변수화된 양자 회로를 양자 역학적 관측 가능 항목(Quantum mechanical observables)과 결합할 수 있다. 예를 들어, 회로는 Qiskit의 회로 라이브러리에 있는 빌딩 블록을 사용하여 구성할 수 있으며 QNN의 출력은 관축 가능한 항목의 기대값으로 제공된다. TwoLayerQNN 은 특징 맵과 ansatz를 입력으로 사용하는 OpflowQNN 의 특별한 경우이다. CircuitQNN 은 관측값이 없이 양자 회로의 측정값을 출력으로 바로 제공받는다. 출력은 샘플 배치, 즉 회로의 큐비트에서 측정된 비트열 목록 또는 각 비트열에 대한 결과 샘플링 확률의 희소 벡터(sparse vector) 가 될 수 있다. 전자는 주어진 양자 회로에서 발생하는 확률 분포를 학습에 사용하는 것에 관심을 두는 반면 후자는 회귀 또는 분류와 같은 응용 분야를 탐색하는데 관심을 두고 사용된다. 후처리 단계를 사용하여 특정 맥락 주어진 비트스트링을 해석할 수 있는데 비트스트링을 클래스 집합으로 변환하여 해석하는 것이 그 예이다.
신경망은 주어진 입력에 대해 평가함과 동시에 입력의 그래디언트를 계산하는 기능이 포함되어 있으며 이것은 효율적인 학습에 중요하다. 신경망을 학습하고 사용하기 위해 Qiskit Machine Learning은 NeuralNetworkClassifier 및 NeuralNetworkRegressor 와 같은 다양한 학습 알고리즘을 제공한다. 두가지 모두 QNN을 입력으로 받은 다음 분류 또는 회귀 목적으로 사용한다. 사용자가 쉽고 빠르게 시작할 수 있도록 Variational Quantum Classifier(VQC )와 Variational Quantum Regressor(VQR )의 두 가지 기능이 구현되어 편리하게 제공된다. 두 기능 모두 특성 맵과 ansatz만을 사용하며 기본적인 QNN을 자동으로 구성한다.
Qiskit Machine Learning에서 직접 제공되는 모델 외에도 TorchConnector 를 사용해 사용자가 모든 양자 신경망을 직접 PyTorch 오픈 소스 머신 러닝 라이브러리에 연결해 사용할 수도 있다. Qiskit의 그래디언트 프레임워크 덕분에 자동 미분 - 역전파(backpropagation) 동안 PyTorch 에서 계산되는 전체 그래디언트도 양자 신경에 사용할 수 있게 되었다. 이러한 유연한 디자인 덕분에 이후 또 다른 패키지에 대한 커넥터의 구축 또한 가능하다.