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 الاصطناعيمختبر التنبؤ بالسلاسل الزمنيةمتحف الذكاء الاصطناعيمختبر الرؤية الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيمصمم الشبكات العصبية
تجربةمتوسطالتعلم الآلي الكمي

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

  1. اختر خريطة zz بتكرارين.
  2. اختر نقطة واعرض دائرتها.
  3. قارن التشابه $|\langle\phi(x)|\phi(x')\rangle|^2$ لنقطتين قريبتين وبعيدتين.
  4. بدّل إلى خريطة الزوايا angle وقارن.
جارٍ تحميل المحاكي…
ما تتنبأ به النظرية

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

  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; Nathan Killoran (2019). Quantum Machine Learning in Feature Hilbert Spaces. Phys. Rev. Lett. 122:040504 doi:10.1103/PhysRevLett.122.040504
  3. IBM Quantum (2025). Qiskit SDK API documentation. IBM Quantum Documentation quantum.cloud.ibm.com