كتب الذكاء الاصطناعيمشاريع الذكاء الاصطناعيمقالات الذكاء الاصطناعيمعجم الذكاء الاصطناعياسئلة واجوبة في الذكاء الاصطناعيأكاديمية الذكاء الاصطناعي للأطفالأكاديمية الذكاء الاصطناعيمدرسة رياضيات الذكاء الاصطناعيمختبر الذكاء الاصطناعيمختبر الخوارزميات المستوحاة من الطبيعةأطلس نماذج الذكاء الاصطناعيموسوعة تطبيقات الذكاء الاصطناعيمستكشف مجموعات البيانات للذكاء الاصطناعياختبارات الذكاء الاصطناعيالفايب كودينغدليل البرمجة بالذكاء الاصطناعيمولّد مشاريع الذكاء الاصطناعيمرصد الذكاء الاصطناعيدليل أدوات الذكاء الاصطناعي البحث والنشر الأكاديميمكتبة البرومبتات الأكاديميةمستودع الرسائل والأطاريح في الذكاء الاصطناعيحاسبة الترقية العلميةأكاديمية الوكلاء الذكيينمختبر أخلاقيات الذكاء الاصطناعي والعدالةساحة ألعاب الذكاء الاصطناعيعبقري الذكاء الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةموسوعة أطر ومكتبات الذكاء الاصطناعيمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي

مصنف بشبكة عصبية كمية في Qiskit Machine Learning

بحثيالتعلم الآلي الكميتعلم آلي كمي

الهدف: تدريب مصنف كمي-كلاسيكي صغير على بيانات مصطنعة.

Python — example.py
import numpy as np
from qiskit import QuantumCircuit
from qiskit.circuit.library import real_amplitudes, zz_feature_map
from qiskit_machine_learning.algorithms import NeuralNetworkClassifier
from qiskit_machine_learning.neural_networks import EstimatorQNN
from qiskit_machine_learning.optimizers import COBYLA
from qiskit_machine_learning.utils import algorithm_globals

algorithm_globals.random_seed = 0
rng = np.random.default_rng(0)
X = rng.uniform(-1, 1, (40, 2)); y = np.where(X.sum(1) > 0, 1, -1)
fm, ansatz = zz_feature_map(2, reps=1), real_amplitudes(2, reps=2)
qc = QuantumCircuit(2); qc.compose(fm, inplace=True); qc.compose(ansatz, inplace=True)
qnn = EstimatorQNN(circuit=qc, input_params=fm.parameters, weight_params=ansatz.parameters)
clf = NeuralNetworkClassifier(qnn, optimizer=COBYLA(maxiter=120))
clf.fit(X[:30], y[:30])
print("عدد المعاملات القابلة للتدريب:", qnn.num_weights)
print(f"دقة التدريب: {clf.score(X[:30], y[:30]):.2f} | الاختبار: {clf.score(X[30:], y[30:]):.2f}")

شرح الكود

نستخدم ZZFeatureMap لترميز السمات في الحالة الكمية وRealAmplitudes كدائرة قابلة للتدريب، ونجمعهما في EstimatorQNN ثم في NeuralNetworkClassifier مع محسّن COBYLA. يجري الحساب على محاكٍ محلي؛ النتائج على بيانات بهذا الصغر لتوضيح الواجهة لا لإثبات أفضلية كمية.

المتطلبات

Shell
pip install qiskit-machine-learning qiskit

طريقة التشغيل

احفظ الكود في ملف example.py ثم شغّله:

Shell
python example.py

المخرجات المسجلة عند الاختبار

عدد المعاملات القابلة للتدريب: 6
دقة التدريب: 0.77 | الاختبار: 0.70

نُفّذ هذا المثال فعلياً واختُبر بتاريخ 21 نوفمبر 2026 على CPU — qiskit-machine-learning 0.9.1, qiskit 2.6.2, python 3.13.18

المكتبات المستخدمة

أمثلة قريبة