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 الزمنيةمتحف 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
موضوعمتوسطنموذج بحثي أوّلي

التصنيف الكمّي

Quantum Classification

التصنيف الكمّي (Quantum Classificationالتصنيف الكمّي: التصنيف الكمّي (Quantum Classification) هو استخدام دائرة كمّية لترميز العيّنة ثم قياس مُلاحَظة (Observable) تتحول قيمتها المتوقعة إلى احتمال لكل فئة، مع تدريب معاملات ال…) هو استخدام دائرة كمّية لترميز العيّنة ثم قياس مُلاحَظة (Observable) تتحول قيمتها المتوقعة إلى احتمال لكل فئة، مع تدريب معاملات الدائرة بمُحسِّن كلاسيكي.

نموذج بحثي أولي: يُعرض لأغراض التعلّم والبحث، ولا يوجد دليل عام على تفوقه في التطبيقات العملية.

في التصنيف الكمّي نبني نموذجاً $f_\theta(x)$ من ثلاث مراحل: ترميز السمات $x$ في حالة كمّية $|\phi(x)\rangle$ عبر خريطة سمات (Feature Map)، ثم دائرة متغيرة $U(\theta)$ ذات معاملات قابلة للتدريب، ثم قياس مُلاحَظة مثل $Z_0$ نحصل منها على قيمة متوقعة بين $-1$ و$+1$. للتصنيف الثنائي نحوّل القيمة إلى احتمال بالعلاقة $p(1\mid x)=\tfrac{1}{2}(1-\langle Z_0\rangle)$.

التدريب كلاسيكي بالكامل: نحسب دالة خسارة مثل الإنتروبيا المتقاطعة الثنائية (Binary Cross-Entropy) على عيّنات التدريب، ونحسب تدرّجها بقاعدة إزاحة المعامل (Parameter-Shift Ruleقاعدة إزاحة المعامل: قاعدة إزاحة المعامل (Parameter-Shift Rule) تحسب المشتقة الدقيقة لقيمة متوقعة بالنسبة لزاوية بوابة e^-iθ P/2 من تقييمين للدارة نفسها عند θ±π/2.) على العتاد الحقيقي، أو بالاشتقاق التلقائي (Automatic Differentiation) في المحاكي، ثم نحدّث $\theta$ بمُحسِّن مثل Adam.

للتصنيف متعدد الفئات نقيس عدة مُلاحَظات، مثل $\langle Z_i\rangle$ لكل فئة، ثم نطبّق دالة softmax. لاحظ أن عدد الكيوبتات في النماذج الحالية صغير، فنقلّص السمات عادةً بتحليل المكوّنات الرئيسية (PCA) المُلاءَم على بيانات التدريب فقط، تجنباً لتسرّب البيانات (Data Leakage).

ملاحظة علمية: لا توجد حتى الآن أدلة على أن المصنِّفات الكمّية المتغيرة تتفوق على المصنِّفات الكلاسيكية في بيانات كلاسيكية واقعية. النتائج في هذا المختبر محاكاة دقيقة على حاسوب كلاسيكي، والمقارنات العادلة تحتاج نفس التقسيم ونفس الميزانية الحسابية وعدة بذور عشوائية.

q0q1q2RY(x0)RY(θ)RZ(θ)RY(x1)RY(θ)RZ(θ)RY(x2)RY(θ)RZ(θ)⟨Z⟩
دائرة متغيّرة: ترميز RY(x) ثم طبقات RY·RZ قابلة للتعلّم مع CNOT ثم قياس ⟨Z⟩

الصياغة الرياضية

$$p_\theta(1\mid x)=\tfrac{1}{2}\big(1-\langle\phi(x)|U^\dagger(\theta)\,Z_0\,U(\theta)|\phi(x)\rangle\big)$$
$$\mathcal{L}(\theta)=-\frac{1}{N}\sum_{i}\big[y_i\log p_i+(1-y_i)\log(1-p_i)\big]$$

مثال محلول

في تجربة «التصنيف الكمّي» اختر Iris مع الفئتين setosa وversicolor، وكيوبتين وطبقتين: يقلّص PCA السمات الأربع إلى زاويتين، فيصبح للنموذج 8 معاملات فقط (طبقتان × كيوبتان × دورانان). هاتان الفئتان قابلتان للفصل خطياً، لذلك تقترب الدقة عادةً من 100%. جرّب بعدها الفئتين versicolor وvirginica، وهما متداخلتان، ولاحظ انخفاض الدقة.

جرّب بنفسك: التصنيف الكمّي (VQC)

تجربةمتوسطنموذج بحثي أوّلي خادم حسابيالتصنيف الكمّي (VQC)Quantum Classificationدرّب مصنّفاً كمّياً متغيّراً على Iris أو بيانات اصطناعية، واحصل على دقة التدريب والاختبار ومنحنى الخسارة ومصفوفة الالتباس وتقرير التصنيف وزمن التدريب.

صفحة التجربة كاملة

اختبر فهمك

يحتاج الاختبار إلى JavaScript.

المراجع

  1. Vojtěch Havlíček et al. (2019). Supervised learning with quantum-enhanced feature spaces. Nature 567:209–212 doi:10.1038/s41586-019-0980-2
  2. Maria Schuld; Alex Bocharov; Krysta M. Svore; Nathan Wiebe (2020). Circuit-centric quantum classifiers. Phys. Rev. A 101:032308 doi:10.1103/PhysRevA.101.032308
  3. K. Mitarai; M. Negoro; M. Kitagawa; K. Fujii (2018). Quantum circuit learning. Phys. Rev. A 98:032309 doi:10.1103/PhysRevA.98.032309
  4. Xanadu (2025). Variational classifier. PennyLane Demos pennylane.ai
  5. Joseph Bowles; Shahnawaz Ahmed; Maria Schuld (2024). Better than classical? The subtle art of benchmarking quantum machine learning models. arXiv:2403.07059 arxiv.org