Qiskit Machine Learning
وحدة تعلم آلي كمي مبنية على Qiskit: الشبكات العصبية الكمية والنوى الكمية ومصنفات QSVC وVQC وتكامل مع PyTorch.
المعلومات الأساسية
| الاسم | Qiskit Machine Learning |
|---|---|
| الاسم الكامل | Qiskit Machine Learning |
| التصنيف | التعلم الآلي الكمي |
| الجهة المطورة | مجتمع Qiskit (بدأته IBM) |
| سنة الإطلاق | غير محدد |
| الموقع الرسمي | github.com/qiskit-community/qiskit-machine-learning |
| مستودع GitHub | qiskit-community/qiskit-machine-learning |
| الوثائق الرسمية | qiskit-community.github.io/qiskit-machine-learning |
| الحزمة على PyPI | qiskit-machine-learning |
| الترخيص | Apache-2.0 (PyPI license) |
| حالة المشروع | نشطة صدر لها إصدار خلال آخر 12 شهراً |
| آخر إصدار | 19 أغسطس 2026 (الإصدار 0.9.1) |
| لغة البرمجة | Python |
| أنظمة التشغيل | Linux، MacOS، Windows (كما تعلنها الحزمة على PyPI) |
| إصدار Python المطلوب | >=3.10 |
| مستوى الصعوبة | متقدم |
آخر تحقق من هذه البيانات: 21 نوفمبر 2026 — المصدر: PyPI JSON API (2026-11-21)
نظرة عامة
توفر المكتبة شبكات عصبية كمية (SamplerQNN وEstimatorQNN) ونوى كمية (Quantum Kernels) ومصنفات متغيرة (VQC) ومصنف QSVC، مع موصّل TorchConnector لدمج الدائرة الكمية في نموذج PyTorch هجين.
تعمل على المحاكيات محلياً أو على عتاد IBM Quantum عبر خدمة السحابة. انتقلت إدارتها إلى مجتمع Qiskit.
متى تختارها؟ اخترها للتعلم الآلي الكمي داخل منظومة Qiskit وIBM.
الاستخدامات
الاستخدامات الرئيسية
- مصنفات كمية متغيرة
- نوى كمية مع SVM
- نماذج هجينة كمية-تقليدية
المجالات العلمية
- الحوسبة الكمية
- البحث العلمي
أنواع المشاريع المناسبة
- مصنف VQC لمجموعة بيانات صغيرة
تطبيقات بحثية
- دراسة القدرة التعبيرية للدوائر المتغيرة
الخصائص التقنية
تُعرض الخاصية «مدعومة» فقط إذا كانت موثقة في الوثائق الرسمية للمكتبة؛ وما لم نتحقق منه يظهر «غير محدد».
| دعم المعالج المركزي (CPU) | مدعوم |
|---|---|
| دعم المعالج الرسومي (GPU) | جزئي أو عبر إضافةعبر محاكيات تدعم GPU مثل Qiskit Aer. |
| التوافق مع CUDA | جزئي أو عبر إضافة |
| التدريب أو الحوسبة الموزعة | غير مدعوم |
| الاشتقاق التلقائي (Autodiff) | مدعومتدرجات الدوائر عبر قاعدة إزاحة المعامل وتكامل PyTorch. |
| نشر النماذج (Deployment) | لا ينطبق |
| نماذج مدربة مسبقاً | لا ينطبق |
| أنواع البيانات المدعومة | دوائر كمية وبيانات صغيرة |
| التكامل مع مكتبات أخرى | qiskit، PyTorch، Scikit-learn |
| المرونة (تقدير تحريري) | متوسطة |
| الأداء (تقدير تحريري) | محدودة بالمحاكاة |
| المجتمع (تقدير تحريري) | متوسط |
| جودة التوثيق (تقدير تحريري) | توثيق ودروس |
التثبيت والتشغيل
pip install qiskit-machine-learningالتوافق: Python >=3.10 — حسب بيانات الحزمة على PyPI، تحقق في 21 نوفمبر 2026
يُفضّل التثبيت داخل بيئة افتراضية (venv أو conda). وإذا احتجت توافقاً مع إصدار معين من CUDA أو نظام التشغيل فارجع إلى الوثائق الرسمية، لأن هذه المعلومات تتغير مع كل إصدار.
أمثلة برمجية
الأمثلة الموسومة «نُفّذ واختُبر» شُغّلت فعلياً وسُجّل مخرجها وتاريخ الاختبار وإصدارات المكتبات؛ وغيرها يحتاج GPU أو تنزيل نماذج فلم يُشغّل في بيئة الاختبار.
بحثيمصنف بشبكة عصبية كمية في Qiskit Machine Learningنُفّذ واختُبر
الهدف: تدريب مصنف كمي-كلاسيكي صغير على بيانات مصطنعة.
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.
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
المزايا
- تكامل مع منظومة Qiskit وعتاد IBM
- موصل PyTorch
القيود
- المحاكاة مكلفة مع زيادة الكيوبتات
- الفائدة العملية الحالية بحثية أساساً
المراجع والتحقق
- صفحة الحزمة على PyPI (مصدر الإصدار والترخيص وتاريخ الإصدار) تحقق مباشر
https://pypi.org/project/qiskit-machine-learning/
تاريخ التحقق: 21 نوفمبر 2026 — الإصدار المتحقق منه: 0.9.1 — المراجعة: فريق DLArabic
- الموقع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/qiskit-community/qiskit-machine-learning
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- الوثائق الرسمية رابط تعلنه الحزمة رسمياً على PyPI
https://qiskit-community.github.io/qiskit-machine-learning/
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
- المستودع الرسمي رابط تعلنه الحزمة رسمياً على PyPI
https://github.com/qiskit-community/qiskit-machine-learning
تاريخ التحقق: 21 نوفمبر 2026 — المراجعة: فريق DLArabic
سجل الإصدارات المتحقق منها
| الإصدار | تاريخ الإصدار | تاريخ التحقق |
|---|---|---|
| 0.9.1 | 19 أغسطس 2026 | 21 نوفمبر 2026 |
آخر مراجعة لمعلومات الصفحة: 21 نوفمبر 2026. الوصف العربي مكتوب أصلياً للموسوعة وليس منقولاً من المواقع الرسمية.
