Qiskit பொறி கற்றல் கண்ணோட்டம்

கண்ணோட்டம்

Qiskit பொறி கற்றல், குவாண்டம் கர்னல்கள் மற்றும் குவாண்டம் நியூரல் நெட்வொர்க்குகள் போன்ற அடிப்படைக் கணக்கீட்டு கட்டுமானத் தொகுதிகளை அறிமுகப்படுத்துகிறது - வகைப்பாடு மற்றும் பின்னடைவு உள்ளிட்ட பல்வேறு பயன்பாடுகளில் பயன்படுத்தப்படுகிறது. ஒருபுறம், இந்த வடிவமைப்பு பயன்படுத்த மிகவும் எளிதானது மற்றும் பயனர்கள் ஆழமான குவாண்டம் கம்ப்யூட்டிங் அறிவு இல்லாமல் முதல் மாதிரியை விரைவாக முன்மாதிரி செய்ய அனுமதிக்கிறது. மறுபுறம், Qiskit பொறி கற்றல் மிகவும் நெகிழ்வானது, மேலும் பயனர்கள் அதிநவீன குவாண்டம் இயந்திர கற்றல் ஆராய்ச்சியை ஆதரிக்க எளிதாக நீட்டிக்க முடியும்.

Qiskit பொறி கற்றல் ஆனது QuantumKernel வகுப்பை வழங்குகிறது, இது கொடுக்கப்பட்ட தரவுத்தொகுப்புகளுக்கான கர்னல் மெட்ரிக்குகளை நேரடியாகக் கணக்கிடுவதற்கு எளிதாகப் பயன்படுத்தப்படலாம் அல்லது Quantum Support Vector Classifier (QSVC) அல்லது Quantum Support Vector Regressor (QSVR) வகைப்படுத்துதல் அல்லது பின்னடைவு சிக்கல்களை விரைவாகத் தீர்க்கத் தொடங்கும். நிறுவப்பட்ட கிளாசிக்கல் கட்டமைப்பிலிருந்து ஏற்கனவே உள்ள கர்னல் அடிப்படையிலான இயந்திர கற்றல் வழிமுறைகளுடன் இது பயன்படுத்தப்படலாம்.

வெவ்வேறு குவாண்டம் நரம்பியல் நெட்வொர்க்குகளால் செயல்படுத்தப்படும் நியூரல் நெட்வொர்க்குகளுக்கான பொதுவான இடைமுகத்தை கிஸ்கிட் மெஷின் லேர்னிங் வரையறுக்கிறது. OpflowQNN, the TwoLayerQNN, மற்றும் CircuitQNN. OpflowQNN ஆனது, குவாண்டம் மெக்கானிக்கல் அவதானிப்புகளுடன் அளவுருக் குவாண்டம் சுற்றுகளை இணைக்க பயனர்களை அனுமதிக்கிறது. எடுத்துக்காட்டாக, Qiskit இன் சர்க்யூட் லைப்ரரியில் இருந்து கட்டுமானத் தொகுதிகளைப் பயன்படுத்தி சுற்றுகளை உருவாக்கலாம், மேலும் QNN இன் வெளியீடு கவனிக்கக்கூடிய மதிப்பின் மூலம் வழங்கப்படுகிறது. TwoLayerQNN என்பது OpflowQNN என்பதன் சிறப்பு அம்சமாகும், இது ஒரு அம்ச வரைபடம் மற்றும் ஒரு ansatz ஐ உள்ளீட்டாக எடுத்துக்கொள்கிறது. CircuitQNN நேரடியாக குவாண்டம் சர்க்யூட்டின் அளவீடுகளை கவனிக்காமல் வெளியீடாக எடுக்கிறது. வெளியீட்டை மாதிரிகளின் தொகுப்பாகப் பயன்படுத்தலாம், அதாவது, சர்க்யூட்டின் க்யூபிட்களில் இருந்து அளவிடப்படும் பிட்ஸ்ட்ரிங்களின் பட்டியல் அல்லது ஒவ்வொரு பிட்ஸ்ட்ரிங்க்கும் விளைந்த மாதிரி நிகழ்தகவுகளின் ஸ்பேஸ் வெக்டராகவும் பயன்படுத்தப்படலாம். முந்தையது கொடுக்கப்பட்ட குவாண்டம் சர்க்யூட்டின் விளைவாக விநியோகங்களைக் கற்றுக்கொள்வதில் ஆர்வமாக உள்ளது, பிந்தையது பயன்பாட்டைக் கண்டறிகிறது, எ.கா., பின்னடைவு அல்லது வகைப்படுத்தலில். ஒரு குறிப்பிட்ட சூழலில் கொடுக்கப்பட்ட பிட்ஸ்ட்ரிங்கை விளக்குவதற்கு பிந்தைய செயலாக்க படி பயன்படுத்தப்படலாம், எ.கா. அதை வகுப்புகளின் தொகுப்பாக மொழிபெயர்ப்பது.

நரம்பியல் நெட்வொர்க்குகள் கொடுக்கப்பட்ட உள்ளீட்டிற்காக அவற்றை மதிப்பிடுவதற்கான செயல்பாடுகளை உள்ளடக்கியது மற்றும் தொடர்புடைய சாய்வுகளைக் கணக்கிடுகிறது, இது திறமையான பயிற்சிக்கு முக்கியமானது. நரம்பியல் நெட்வொர்க்குகளைப் பயிற்றுவிப்பதற்கும் பயன்படுத்துவதற்கும், Qiskit பொறி கற்றல் பல்வேறு கற்றல் அல்காரிதம்களை வழங்குகிறது NeuralNetworkClassifier மற்றும் NeuralNetworkRegressor இருவரும் ஒரு QNN ஐ உள்ளீடாக எடுத்து பின்னர் அதை ஒரு வகைப்பாடு அல்லது பின்னடைவு சூழலில் பயன்படுத்துகின்றனர். எளிதான தொடக்கத்தை அனுமதிக்க, இரண்டு வசதிச் செயலாக்கங்கள் வழங்கப்படுகின்றன - மாறுபாடு குவாண்டம் வகைப்படுத்தி (VQC) அத்துடன் மாறுபாடு குவாண்டம் ரீக்ரஸர் (VQC). இரண்டும் ஒரு அம்ச வரைபடத்தையும் ஒரு அன்சாட்ஸையும் எடுத்துக்கொண்டு, அடிப்படையான QNN ஐ தானாக உருவாக்குகின்றன.

Qiskit பொறி கற்றல் இல் நேரடியாக வழங்கப்பட்ட மாதிரிகள் தவிர, இதில் TorchConnector உள்ளது, இது பயனர்கள் எங்கள் குவாண்டம் நியூரல் நெட்வொர்க்குகள் அனைத்தையும் நேரடியாக PyTorch திறந்த மூல இயந்திர கற்றல் நூலகம். Qiskit இன் சாய்வு கட்டமைப்பிற்கு நன்றி, இதில் தானியங்கி வேறுபாட்டை உள்ளடக்கியது PyTorch மூலம் கணக்கிடப்பட்ட ஒட்டுமொத்த சாய்வுகளும் குவாண்டம் நரம்பியல் நெட்வொர்க்குகளையும் கணக்கில் எடுத்துக்கொள்ளும். நெகிழ்வான வடிவமைப்பு எதிர்காலத்தில் மற்ற தொகுப்புகளுக்கு இணைப்பிகளை உருவாக்க அனுமதிக்கிறது.

அடுத்த படிகள்

தொடங்குதல்

பயிற்சிகள்