خريطة الميزات ZZ
The ZZ Feature Map
خريطة الميزات ZZ ترمّز متجه بيانات $x$ في حالة كمّية $|\phi(x)\rangle$ ببوابات H وأطوار $P(2x_i)$ وتفاعلات $P(2(\pi-x_i)(\pi-x_j))$ بين CNOT.
The ZZ feature map encodes x into |φ(x)⟩ using H, phases P(2x_i) and entangling phases P(2(π−x_i)(π−x_j)) between CNOTs.
الهدف
رؤية كيف تُرمّز نقطة بيانات في دائرة، وكيف يتغير التشابه بين نقطتين بتغير الخريطة.
المدة التقريبية: 5 دقائق
الخطوات
- اختر خريطة zz بتكرارين.
- اختر نقطة واعرض دائرتها.
- قارن التشابه $|\langle\phi(x)|\phi(x')\rangle|^2$ لنقطتين قريبتين وبعيدتين.
- بدّل إلى خريطة الزوايا angle وقارن.
تتوقع النظرية أن تشابه أي نقطة مع نفسها 1 تماماً، وأن قيم التشابه بين نقاط مختلفة تقع في $[0,1]$. مع خريطة الزوايا $R_Y(x_i)$ يكون التشابه $\prod_i\cos^2\frac{x_i-x_i'}{2}$ فيتغير بسلاسة مع المسافة، بينما يكون أكثر تذبذباً مع ZZ.
خريطة الميزات (Feature Map) تحوّل البيانات الكلاسيكية إلى حالات كمّية. خريطة ZZ المستخدمة هنا مطابقة لدالة zz_feature_map في Qiskit (Havlíček وآخرون 2019): في كل تكرار H على كل كيوبت، ثم $P(2x_i)$، ثم لكل زوج $(i,j)$: $CX_{ij}\,P\big(2(\pi-x_i)(\pi-x_j)\big)_j\,CX_{ij}$.
تحدد الخريطة هندسة الفضاء الذي تعمل فيه النواة أو المصنّف: نقطتان قريبتان في البيانات قد تصبحان بعيدتين في فضاء الحالات والعكس. عدد التكرارات (reps) وتدريج البيانات (عادةً إلى $[0,\pi]$) يؤثران كثيراً في النتائج. نتائج المحاكاة على مجموعات بيانات صغيرة لا تثبت أي أفضلية كمّية على التعلم الآلي الكلاسيكي.
اختبر فهمك
يحتاج الاختبار إلى JavaScript.
موضوعات مرتبطة
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
- IBM Quantum (2025). Qiskit SDK API documentation. IBM Quantum Documentation quantum.cloud.ibm.com
