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 Machine Learning ஆனது FidelityQuantumKernel வகுப்பு வகுப்பை வழங்குகிறது, இது BaseStateFidelity அல்காரிதத்தில் அறிமுகப்படுத்தப்பட்டது மற்றும் கொடுக்கப்பட்ட தரவுத்தொகுப்புகளுக்கான கர்னல் மெட்ரிக்குகளை நேரடியாகக் கணக்கிடுவதற்கு எளிதாகப் பயன்படுத்தலாம் அல்லது குவாண்டம் ஆதரவு வெக்டர் வகைப்படுத்தி (QSVC) அல்லது குவாண்டம் ஆதரவு வெக்டர் ரிக்ரஸர் (:class:~`machinekilego.QSVR`) வகைப்படுத்தல் அல்லது பின்னடைவு சிக்கல்களை விரைவாகத் தீர்க்கத் தொடங்கும். நிறுவப்பட்ட கிளாசிக்கல் ஃப்ரேம்வொர்க்குகளிலிருந்து ஏற்கனவே உள்ள பல கர்னல் அடிப்படையிலான இயந்திர கற்றல் வழிமுறைகளுடன் இதைப் பயன்படுத்தலாம்.

பல்வேறு குவாண்டம் நரம்பியல் நெட்வொர்க்குகளால் செயல்படுத்தப்படும் நரம்பியல் நெட்வொர்க்குகளுக்கான பொதுவான இடைமுகத்தை கிஸ்கிட் மெஷின் லேர்னிங் வரையறுக்கிறது. EstimatorQNN மற்றும் SamplerQNN போன்ற இரண்டு முக்கிய செயலாக்கங்கள் உடனடியாக வழங்கப்படுகின்றன. EstimatorQNN ஆனது Qiskit இலிருந்து BaseEstimator ஐ மேம்படுத்துகிறது மற்றும் பயனர்கள் அளவுருவான குவாண்டம் சுற்றுகளை குவாண்டம் மெக்கானிக்கல் உடன் இணைக்க அனுமதிக்கிறது. எடுத்துக்காட்டாக, Qiskit இன் சர்க்யூட் லைப்ரரியில் இருந்து கட்டுமானத் தொகுதிகளைப் பயன்படுத்தி சுற்றுகள் கட்டமைக்கப்படலாம், மேலும் QNN இன் வெளியீடு கவனிக்கக்கூடிய மதிப்பின் மூலம் கொடுக்கப்படுகிறது. SamplerQNN Qiskit இல் அறிமுகப்படுத்தப்பட்ட மற்றொரு பழமையானது, BaseSampler primitive. இந்த நரம்பியல் வலையமைப்பு, பிட்ஸ்ட்ரிங்ஸின் அரை-நிகழ்தகவுகளை ப்ரிமிட்டிவ் மூலம் மதிப்பிடப்பட்ட வெளியீட்டிற்கு மாற்றுகிறது. கொடுக்கப்பட்ட பிட்ஸ்ட்ரிங்கை ஒரு குறிப்பிட்ட சூழலில் விளக்குவதற்கு இந்த மொழிபெயர்ப்பு 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.

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.

அடுத்த படிகள்

தொடங்குதல்

இடம்பெயர்வு வழிகாட்டி

பயிற்சிகள்