تعلّم النوى الكمّية
Quantum Kernel Learning
ضبط عرض نطاق النواة الكمّية بمعيار محاذاة النواة مع الهدف، ثم استخدامها في التصنيف وفي التجميع الطيفي غير الخاضع للإشراف.
مشروع تعليمي بحثي على بيانات صغيرة ومحاكاة كمّية: النتائج تقيس سلوك النموذج في هذا الإعداد فقط، ولا تثبت ميزة كمّية.
الدفتر وGoogle Colab
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».
أقسام الدفتر الاثنا عشر
- عنوان المشروع
- شرح المشكلة
- تثبيت المكتبات
- استيراد المكتبات
- تحميل البيانات
- المعالجة المسبقة
- بناء النموذج الكمّي
- التدريب
- التقييم
- الرسوم البيانية
- النتائج
- المراجع
يعمل الدفتر على CPU دون GPU، ويثبّت الإصدارات التي اختُبر بها في خليته الأولى.
المشكلة البحثية
كيف نضبط المعاملات الفائقة للنواة الكمّية دون تسرّب بيانات الاختبار؟ وهل يمكن استخدام النواة نفسها في التجميع؟
الأهداف
- حساب النواة من متجهات الحالة دفعة واحدة.
- اختيار عرض النطاق بالمحاذاة على التدريب.
- تقييم SVC والتجميع الطيفي (ARI).
- المقارنة بـ RBF.
| البيانات | Circles وBlobs (scikit-learn) — مولَّدة برمجياً داخل الدفتر (scikit-learn أو NumPy) لا قيود |
|---|---|
| البنية | ($H$ ← $R_Z(c\,x_i)$ ← $ZZ(c^2x_0x_1)$) × 2 ← $K=|SS^\dagger|^2$ ← SVC / SpectralClustering |
| الأدوات | PennyLane 0.45.1 · scikit-learn · Matplotlib |
| مقاييس التقييم | Kernel-target alignment · Test accuracy · Adjusted Rand Index |
منهجية التنفيذ
- توليد البيانات وتحجيمها.
- تعريف التضمين والنواة.
- مسح عرض النطاق وحساب المحاذاة.
- تدريب SVC بأفضل قيمة.
- التجميع الطيفي.
- الرسوم.
NQ = 2
dev = qml.device("default.qubit", wires=NQ)
@qml.qnode(dev)
def embed(x, c):
# IQP-style embedding: H, RZ(c x_i), ZZ(c^2 x_0 x_1), repeated twice
for _ in range(2):
for i in range(NQ):
qml.Hadamard(wires=i); qml.RZ(c * x[..., i], wires=i)
qml.IsingZZ(c * c * x[..., 0] * x[..., 1], wires=[0, 1])
return qml.state()
def qkernel(A, B, c):
SA, SB = embed(A, c), embed(B, c)
return onp.abs(SA @ SB.conj().T) ** 2
def alignment(K, y):
t = onp.where(y == 1, 1.0, -1.0); T = onp.outer(t, t)
return float(onp.sum(K * T) / (onp.linalg.norm(K) * onp.linalg.norm(T)))
print(qml.draw(embed)(onp.array([0.1, 0.2]), 1.0))
cs = onp.round(onp.linspace(0.2, 3.0, 15), 2)
t0 = time.perf_counter()
align = [alignment(qkernel(Xc_tr, Xc_tr, c), yc_tr) for c in cs]
c_best = float(cs[int(onp.argmax(align))])
K_tr = qkernel(Xc_tr, Xc_tr, c_best)
svc = SVC(kernel="precomputed").fit(K_tr, yc_tr)
train_time = time.perf_counter() - t0
print("best bandwidth c =", c_best, " alignment =", round(max(align), 4))
K_te = qkernel(Xc_te, Xc_tr, c_best)
acc_q = accuracy_score(yc_te, svc.predict(K_te))
acc_c1 = accuracy_score(yc_te, SVC(kernel="precomputed").fit(qkernel(Xc_tr, Xc_tr, 3.0), yc_tr).predict(qkernel(Xc_te, Xc_tr, 3.0)))
acc_rbf = accuracy_score(yc_te, SVC(kernel="rbf").fit(Xc_tr, yc_tr).predict(Xc_te))
Kb = qkernel(Xb, Xb, 1.0)
lab_q = SpectralClustering(3, affinity="precomputed", random_state=SEED).fit_predict(Kb)
lab_rbf = SpectralClustering(3, affinity="rbf", random_state=SEED).fit_predict(Xb)
results = {"QSVC test acc (c tuned)": acc_q, "QSVC test acc (c = 3.0)": acc_c1, "RBF-SVC test acc": acc_rbf,
"spectral clustering ARI (quantum kernel)": round(adjusted_rand_score(yb, lab_q), 3),
"spectral clustering ARI (RBF)": round(adjusted_rand_score(yb, lab_rbf), 3), "train time s": round(train_time, 2)}
for k, v in results.items():
print(f"{k:42s} {v}")
fig, ax = plt.subplots(1, 3, figsize=(14, 4))
ax[0].plot(cs, align, "o-"); ax[0].axvline(c_best, ls="--", c="g"); ax[0].set_xlabel("bandwidth c"); ax[0].set_ylabel("kernel-target alignment (train)")
o = onp.argsort(yc_tr); im = ax[1].imshow(K_tr[o][:, o], cmap="viridis"); plt.colorbar(im, ax=ax[1]); ax[1].set_title(f"K_train, c={c_best}")
ax[2].scatter(Xb[:, 0], Xb[:, 1], c=lab_q, cmap="tab10", edgecolor="k"); ax[2].set_title("Spectral clustering with quantum kernel")
plt.tight_layout(); plt.show()التجربة التفاعلية المرتبطة
المراجع
- Maria Schuld (2021). Supervised quantum machine learning models are kernel methods. arXiv:2101.11020 arxiv.org
- Vojtěch Havlíček et al. (2019). Supervised learning with quantum-enhanced feature spaces. Nature 567:209–212 doi:10.1038/s41586-019-0980-2
- 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
