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 الحاسوبيةمختبر الشبكات العصبية البيانيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجة
تجربةمتوسطالتعلم الآلي الكمي

تصنيف Iris بمصنّف كمّي متغيّر

Iris Classification with a VQC

يُدرَّب مصنّف كمّي متغيّر بكيوبتين على ميزتين من بيانات Iris (versicolor مقابل virginica)، وهي مهمة أصعب لأن الفئتين متداخلتان جزئياً.

A two-qubit VQC is trained on two Iris features (versicolor vs virginica), a harder task because the classes partly overlap.

الهدف

تطبيق مصنّف كمّي على بيانات حقيقية صغيرة وتفسير النتائج بأمانة.

المدة التقريبية: 8 دقائق

الخطوات

  1. اختر الفئتين 1 و2 والميزتين 2 و3.
  2. درّب 30 حقبة.
  3. اقرأ مصفوفة الالتباس.
  4. قارن بخط الأساس الكلاسيكي.
جارٍ تحميل المحاكي…
ما تتنبأ به النظرية

تتوقع النظرية أن تتناقص الخسارة وأن تبقى بعض الأخطاء في منطقة التداخل بين الفئتين، فلا يُتوقع دقة 100%. الأرقام الفعلية تعتمد على التقسيم والبذرة، ولا تُعد دليلاً على أفضلية كمّية.

بيانات Iris (Fisher 1936) تحوي 150 زهرة من ثلاث فئات بأربع ميزات. الفئة setosa منفصلة خطياً عن الأخريين، أما versicolor وvirginica فتتداخلان جزئياً، لذلك لا يُتوقع أن يصل أي مصنّف إلى دقة تامة على ميزتين فقط. اخترنا طول البتلة وعرضها (الميزتان 2 و3) لأنهما الأكثر تمييزاً.

يُحوَّل كل متجه إلى زاويتين بعد تدريجه إلى $[0,\pi]$ على بيانات التدريب فقط، ثم يدرَّب النموذج كما في تجربة VQC. 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. R. A. Fisher (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics 7(2):179–188 doi:10.1111/j.1469-1809.1936.tb02137.x
  2. R. A. Fisher (1936). Iris (UCI Machine Learning Repository). UCI Machine Learning Repository archive.ics.uci.eduالبيانات مدمجة كما في scikit-learn load_iris (150 عينة).
  3. Maria Schuld; Francesco Petruccione (2021). Machine Learning with Quantum Computers. Springer (Quantum Science and Technology) doi:10.1007/978-3-030-83098-4
  4. Xanadu (2025). What is quantum machine learning?. PennyLane pennylane.ai