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

Note

இந்தப் பக்கம் docs/tutorials/01_neural_networks.ipynb இலிருந்து உருவாக்கப்பட்டது.

குவாண்டம் நியூரல் நெட்வொர்க்குகள்

இந்த நோட்புக் qiskit இயந்திர கற்றலில் வழங்கப்பட்ட வெவ்வேறு பொதுவான குவாண்டம் நியூரல் நெட்வொர்க் (QNN) செயலாக்கங்களை நிரூபிக்கிறது. நெட்வொர்க்குகள் பயன்பாட்டு-அஞ்ஞான கணக்கீட்டு அலகுகளாகக் கருதப்படுகின்றன, அவை பலவிதமான பயன்பாட்டு நிகழ்வுகளுக்குப் பயன்படுத்தப்படலாம். பயன்பாட்டைப் பொறுத்து, ஒரு குறிப்பிட்ட வகை நெட்வொர்க் அதிகமாகவோ அல்லது குறைவாகவோ பொருத்தமானதாக இருக்கலாம் மற்றும் ஒரு குறிப்பிட்ட வழியில் அமைக்க வேண்டியிருக்கும். பின்வரும் வெவ்வேறு நரம்பியல் நெட்வொர்க்குகள் இப்போது விரிவாக விவாதிக்கப்படும்:

  1. NeuralNetwork: நரம்பியல் நெட்வொர்க்குகளுக்கான இடைமுகம்.

  2. OpflowQNN: குவாண்டம் மெக்கானிக்கல் அவதானிப்புகளின் மதிப்பீட்டை அடிப்படையாகக் கொண்ட பிணையம்.

  3. TwoLayerQNN: வசதிக்காக ஒரு சிறப்பு OpflowQNN செயல்படுத்தல்.

  4. CircuitQNN: குவாண்டம் சுற்றுவட்டத்தை அளவிடுவதன் விளைவாக மாதிரிகளை அடிப்படையாகக் கொண்ட பிணையம்.

[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
[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)

1. NeuralNetwork

NeuralNetwork என்பது qiskit இயந்திர கற்றலில் கிடைக்கும் அனைத்து நரம்பியல் நெட்வொர்க்குகளுக்கான இடைமுகத்தைக் குறிக்கிறது. இது தரவு மாதிரிகள் மற்றும் பயிற்சியளிக்கக்கூடிய எடைகளை உள்ளீடாக எடுத்து முன்னோக்கி மற்றும் பின்தங்கிய பாஸை அம்பலப்படுத்துகிறது. NeuralNetwork எந்த பயிற்சி திறன்களையும் கொண்டிருக்கவில்லை, இவை உண்மையான வழிமுறைகள் / பயன்பாடுகளுக்குத் தள்ளப்படுகின்றன. எனவே, ஒரு NeuralNetwork பயிற்சியளிக்கக்கூடிய எடைகளுக்கான மதிப்புகளையும் சேமிக்காது. பின்வருவனவற்றில், இந்த இடைமுகங்களின் வெவ்வேறு செயலாக்கங்கள் அறிமுகப்படுத்தப்படுகின்றன.

nn எனப்படும் NeuralNetwork என்று வைத்துக்கொள்வோம். பின்னர், nn.forward(input, weights) பாஸ் முறையே தரவு மற்றும் எடைகள் nn.num_inputs மற்றும் nn.num_weights ஆகியவற்றிற்கான தட்டையான உள்ளீடுகளை எடுக்கும். NeuralNetwork உள்ளீடுகளின் தொகுப்பை ஆதரிக்கிறது மற்றும் தொடர்புடைய வடிவத்தின் வெளியீட்டின் தொகுப்புகளை வழங்குகிறது.

2. OpflowQNN

OpflowQNN qiskit-டிலிருந்து ஒரு (அளவுரு) ஆபரேட்டரை எடுத்து பின்தங்கிய பாஸை வழங்க qiskit-டின் சாய்வு கட்டமைப்பை ஆதரிக்கிறது. அத்தகைய ஆபரேட்டர் உதாரணமாக, ஒரு அளவுரு குவாண்டம் நிலையைப் பொறுத்தவரை கவனிக்கக்கூடிய ஒரு குவாண்டம் இயந்திரத்தின் எதிர்பார்க்கப்படும் மதிப்பாக இருக்கலாம். கிளாசிக்கல் தரவை ஏற்றுவதற்கும், பயிற்சியளிக்கக்கூடிய எடைகளைக் குறிப்பதற்கும் அளவுருக்கள் பயன்படுத்தப்படலாம். OpflowQNN ஆபரேட்டர்கள் மற்றும் மிகவும் சிக்கலான கட்டமைப்புகளின் பட்டியல்களை மிகவும் சிக்கலான QNN களை உருவாக்க அனுமதிக்கிறது.

[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 = np.random.rand(qnn1.num_inputs)
weights1 = np.random.rand(qnn1.num_weights)
[7]:
# QNN forward pass
qnn1.forward(input1, weights1)
[7]:
array([[0.81422018]])
[8]:
# QNN batched forward pass
qnn1.forward([input1, input1], weights1)
[8]:
array([[0.81422018],
       [0.81422018]])
[9]:
# QNN backward pass
qnn1.backward(input1, weights1)
[9]:
(array([[[-1.15629599]]]), array([[[0.0008565]]]))
[10]:
# QNN batched backward pass
qnn1.backward([input1, input1], weights1)
[10]:
(array([[[-1.15629599]],

        [[-1.15629599]]]),
 array([[[0.0008565]],

        [[0.0008565]]]))

ListOp இல் பல அவதானிப்புகளை இணைப்பது மிகவும் சிக்கலான QNN களை உருவாக்க அனுமதிக்கிறது

[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([[0.81422018, 0.81422018]])
[13]:
# QNN backward pass
qnn2.backward(input1, weights1)
[13]:
(array([[[-1.15629599],
         [-1.15629599]]]),
 array([[[0.0008565],
         [0.0008565]]]))

3. TwoLayerQNN

TwoLayerQNN என்பது ஒரு சிறப்பு OpflowQNN இல் \(n\) குவிட்ஸ், இது முதலில் தரவைச் செருகுவதற்கான அம்ச வரைபடத்தையும், இரண்டாவதாக பயிற்சியளிக்கப்பட்ட ஒரு அன்சாட்ஸையும் கொண்டுள்ளது. இயல்புநிலையாகக் காணக்கூடியது \(Z^{\otimes n}\), அதாவது, சமநிலை.

[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 = np.random.rand(qnn3.num_inputs)
weights3 = np.random.rand(qnn3.num_weights)
[21]:
# QNN forward pass
qnn3.forward(input3, weights3)
[21]:
array([[0.28520667]])
[22]:
# QNN backward pass
qnn3.backward(input3, weights3)
[22]:
(array([[[-0.2933431 , -0.78565729,  0.5416021 ]]]),
 array([[[-0.09093077,  0.02802006, -0.13559047,  0.1814619 ,
           0.11644461, -0.4073129 ]]]))

4. CircuitQNN

CircuitQNN என்பது ஒரு (அளவுருவாக்கப்பட்ட) QuantumCircuit ஐ அடிப்படையாகக் கொண்டது. இது உள்ளீடு மற்றும் எடை அளவுருக்களை எடுத்து அளவீட்டிலிருந்து மாதிரிகளை உருவாக்குகிறது. மாதிரிகள் ஒரு பிட்ஸ்ட்ரிங்கிற்கு ஒத்த முழு எண் குறியீட்டை அளவிடுவதற்கான நிகழ்தகவுகள் அல்லது நேரடியாக பைனரி வெளியீட்டின் தொகுப்பாக விளக்கப்படலாம். நிகழ்தகவுகளின் விஷயத்தில், சாய்வுகளை திறமையாக மதிப்பிடலாம் மற்றும் CircuitQNN பின்தங்கிய பாஸையும் வழங்குகிறது. மாதிரிகள் விஷயத்தில், வேறுபாடு சாத்தியமில்லை மற்றும் பின்தங்கிய பாஸ் (None, None).

மேலும், CircuitQN மாதிரிகளை பிந்தைய செயலாக்க interpret செயல்பாட்டைக் குறிப்பிட அனுமதிக்கிறது. இது அளவிடப்பட்ட முழு எண்ணை (bitstring-ல் இருந்து) எடுத்து புதிய அட்டவணைக்கு ஒப்பிடப்படுகிறது என்று எதிர்பார்க்கப்படுகிறது, அதாவது எதிர்மறை அல்லாத முழு எண். இந்த வழக்கில், வெளியீட்டு வடிவத்தை வழங்க வேண்டும் மற்றும் அதற்கேற்ப நிகழ்தகவு திரட்டப்படுகிறது.

CircuitQNN ஐ சிதறல் மற்றும் அடர்த்தியான நிகழ்தகவு திசையன்களைத் தரும்படி கட்டமைக்க முடியும். interpret செயல்பாடு எதுவும் பயன்படுத்தப்படாவிட்டால், நிகழ்தகவு திசையன் அளவீடுகளின் அளவு பரிமாணங்களின் எண்ணிக்கையுடன் அதிவேகமாக அளவிடப்படுகிறது மற்றும் ஒரு சிதறிய பரிந்துரை பொதுவாக பரிந்துரைக்கப்படுகிறது. interpret செயல்பாட்டின் போது அது எதிர்பார்த்த முடிவைப் பொறுத்தது. உதாரணமாக, ஒரு குறியீட்டு தொடர்புடைய பிட்ஸ்ட்ரிங்கின் சமநிலையுடன் பொருத்தப்பட்டால், அதாவது, 0 அல்லது 1 க்கு, அடர்த்தியான வெளியீடு அர்த்தமுள்ளதாக இருக்கும், இதன் விளைவாக நீளம் 2 இன் நிகழ்தகவு திசையன் இருக்கும்.

[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

4.1 வெளியீடு: சிதறல் முழு எண் நிகழ்தகவுகள்

[25]:
# specify circuit QNN
qnn4 = CircuitQNN(qc, [], qc.parameters, sparse=True, quantum_instance=qi_qasm)
[26]:
# define (random) input and weights
input4 = np.random.rand(qnn4.num_inputs)
weights4 = np.random.rand(qnn4.num_weights)
[27]:
# QNN forward pass
qnn4.forward(input4, weights4).todense()  # returned as a sparse matrix
[27]:
array([[0.5, 0. , 0. , 0. , 0.3, 0. , 0. , 0.2]])
[28]:
# QNN backward pass, returns a tuple of sparse matrices
qnn4.backward(input4, weights4)
[28]:
(<COO: shape=(1, 8, 0), dtype=float64, nnz=0, fill_value=0.0>,
 <COO: shape=(1, 8, 6), dtype=float64, nnz=22, fill_value=0.0>)

4.2 வெளியீடு: அடர்த்தியான சமநிலை நிகழ்தகவுகள்

[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 = np.random.rand(qnn6.num_inputs)
weights6 = np.random.rand(qnn6.num_weights)
[31]:
# QNN forward pass
qnn6.forward(input6, weights6)
[31]:
array([[0.8, 0.2]])
[32]:
# QNN backward pass
qnn6.backward(input6, weights6)
[32]:
(array([], shape=(1, 2, 0), dtype=float64),
 array([[[-1.00000000e-01,  5.55111512e-17, -5.00000000e-02,
           1.38777878e-17, -2.00000000e-01,  5.00000000e-02],
         [ 1.00000000e-01,  0.00000000e+00,  5.00000000e-02,
          -5.55111512e-17,  2.00000000e-01, -5.00000000e-02]]]))

4.3 வெளியீடு: மாதிரிகள்

[33]:
# specify circuit QNN
qnn7 = CircuitQNN(qc, [], qc.parameters, sampling=True,
                  quantum_instance=qi_qasm)
[34]:
# define (random) input and weights
input7 = np.random.rand(qnn7.num_inputs)
weights7 = np.random.rand(qnn7.num_weights)
[35]:
# QNN forward pass, results in samples of measured bit strings mapped to integers
qnn7.forward(input7, weights7)
[35]:
array([[[4.],
        [4.],
        [7.],
        [1.],
        [7.],
        [4.],
        [4.],
        [4.],
        [0.],
        [0.]]])
[36]:
# QNN backward pass
qnn7.backward(input7, weights7)
[36]:
(None, None)

4.4 வெளியீடு: பரிதி மாதிரிகள்

[37]:
# specify circuit QNN
qnn8 = CircuitQNN(qc, [], qc.parameters, sampling=True, interpret=parity,
                  quantum_instance=qi_qasm)
[38]:
# define (random) input and weights
input8 = np.random.rand(qnn8.num_inputs)
weights8 = np.random.rand(qnn8.num_weights)
[39]:
# QNN forward pass, results in samples of measured bit strings
qnn8.forward(input8, weights8)
[39]:
array([[[1.],
        [0.],
        [1.],
        [0.],
        [0.],
        [0.],
        [0.],
        [0.],
        [0.],
        [0.]]])
[40]:
# QNN backward pass
qnn8.backward(input8, weights8)
[40]:
(None, None)
[41]:
import qiskit.tools.jupyter
%qiskit_version_table
%qiskit_copyright

Version Information

Qiskit SoftwareVersion
QiskitNone
Terra0.17.0.dev0+346ffa8
Aer0.8.0
Ignis0.6.0.dev0+d6f1ad7
AquaNone
IBM Q Provider0.13.0.dev0+10f19e0
System information
Python3.8.8 (default, Feb 24 2021, 13:46:16) [Clang 10.0.0 ]
OSDarwin
CPUs6
Memory (Gb)16.0
Wed Mar 31 23:25:48 2021 CEST

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.

[ ]: