النواة الكمّية
Quantum Kernel
قدّر نواة كمّية بخريطة سمات ZZ أو Z أو Pauli، واعرض مصفوفة النواة ونتائج SVC، وقارنها بنواة RBF والنواة الخطية على التقسيم نفسه.
خطوات التجربة
- اختر البيانات والكيوبتات وخريطة السمات والتكرارات.
- اضغط «احسب».
- اقرأ مصفوفة النواة مرتّبة حسب الفئة.
- قارن دقة SVC الكمّي بالنوى الكلاسيكية.
إذا اقتربت القيم خارج القطر من الصفر فالنواة «تتركّز» (Exponential Concentration) ويصعب التعميم.
سيناريوهات جاهزة
كل سيناريو يفتح المحاكي بإعدادات محددة؛ يُحمَّل المحاكي عند فتح السيناريو فقط.
نواة كمّية مع SVM
تُحسب مصفوفة النواة $K_{ij}=|\langle\phi(x_i)|\phi(x_j)\rangle|^2$ بالمحاكاة ثم تُدرَّب آلة متجهات الدعم (SVM) عليها؛ المصفوفة متناظرة وقطرها 1.
الهدف: بناء مصفوفة نواة كمّية وتدريب SVM عليها، وفهم دور كل جزء.
- اختر Iris والفئتين 0 و1 والميزتين 0 و2.
- اعرض مصفوفة النواة.
- تحقق من التناظر والقطر.
- درّب SVM واقرأ دقة الاختبار ومصفوفة الالتباس.
تتوقع النظرية أن تكون $K_{ii}=1$ و$K_{ij}=K_{ji}$ وأن تكون المصفوفة شبه موجبة. مع ترميز الزوايا في هذه المهمة القابلة للفصل تحقق المحرك من دقة اختبار لا تقل عن 95% في تقسيم ثابت البذرة؛ وهذا لا يعني أفضلية على SVM كلاسيكية.
مقارنة النوى: كمّية وRBF وخطية
تُدرَّب آلة SVM نفسها بنواة كمّية وبنواتين كلاسيكيتين (RBF وخطية) على التقسيم نفسه؛ اختيار خريطة الميزات قد يغيّر الدقة كثيراً.
الهدف: مقارنة النوى مقارنة منضبطة وفهم أثر خريطة الميزات.
- اختر Iris والميزتين 0 و2 وخريطة zz بتكرارين.
- شغّل المقارنة واقرأ دقة النوى الثلاث.
- غيّر الخريطة إلى angle.
- راقب متوسط القيم غير القطرية وانحرافها.
تتوقع النظرية أن تكون كل النوى متناظرة؛ وأن تصل النوى الكلاسيكية إلى دقة عالية لأن المهمة قابلة للفصل الخطي. القيم الدقيقة تعتمد على التقسيم؛ في تقسيم المحرك ذي البذرة 2 كانت دقة ZZ (reps=2) نحو 73% ودقة نواة الزوايا 100%، وبلغت نواتا RBF والخطية 100%.
المشروع البحثي المرتبط: تعلّم النوى الكمّية
09-quantum-kernel-learning.ipynb — نُفّذ الدفتر كاملاً دون أخطاء (2026-11-20 08:11 UTC، 18 ث على CPU)
لم يُنشر الدفتر بعد في مستودع GitHub عام، لذلك لا نضع رابط Colab مباشراً. نزّل الدفتر ثم افتحه من Colab عبر «File ← Upload notebook».
المفاهيم التي تشرحها التجربة
المراجع
- Vojtěch Havlíček et al. (2019). Supervised learning with quantum-enhanced feature spaces. Nature 567:209–212 doi:10.1038/s41586-019-0980-2
- Maria Schuld; Nathan Killoran (2019). Quantum Machine Learning in Feature Hilbert Spaces. Phys. Rev. Lett. 122:040504 doi:10.1103/PhysRevLett.122.040504
- Supanut Thanasilp; Samson Wang; M. Cerezo; Zoë Holmes (2024). Exponential concentration in quantum kernel methods. Nature Communications 15:5200 doi:10.1038/s41467-024-49287-w
