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
تجربةمتقدمالتعلم الآلي الكمي

مقارنة النوى: كمّية وRBF وخطية

Kernel Comparison: Quantum, RBF and Linear

تُدرَّب آلة SVM نفسها بنواة كمّية وبنواتين كلاسيكيتين (RBF وخطية) على التقسيم نفسه؛ اختيار خريطة الميزات قد يغيّر الدقة كثيراً.

The same SVM is trained with a quantum kernel and two classical kernels (RBF, linear) on the same split; the feature-map choice can change accuracy substantially.

الهدف

مقارنة النوى مقارنة منضبطة وفهم أثر خريطة الميزات.

المدة التقريبية: 10 دقائق

الخطوات

  1. اختر Iris والميزتين 0 و2 وخريطة zz بتكرارين.
  2. شغّل المقارنة واقرأ دقة النوى الثلاث.
  3. غيّر الخريطة إلى angle.
  4. راقب متوسط القيم غير القطرية وانحرافها.
جارٍ تحميل المحاكي…
ما تتنبأ به النظرية

تتوقع النظرية أن تكون كل النوى متناظرة؛ وأن تصل النوى الكلاسيكية إلى دقة عالية لأن المهمة قابلة للفصل الخطي. القيم الدقيقة تعتمد على التقسيم؛ في تقسيم المحرك ذي البذرة 2 كانت دقة ZZ (reps=2) نحو 73% ودقة نواة الزوايا 100%، وبلغت نواتا RBF والخطية 100%.

المقارنة العادلة تستخدم البيانات نفسها والتقسيم نفسه والتدريج نفسه (المحسوب على التدريب فقط). في اختبارات المحرك على Iris (setosa مقابل versicolor، الميزتان 0 و2 مدرّجتان إلى $[0,\pi]$) بلغت نواة ترميز الزوايا دقة اختبار 100% بينما بلغت نواة ZZ بتكرارين 73%؛ أي أن خريطة أكثر تعقيداً ليست بالضرورة أفضل. لا يصح تعميم هذه النتيجة على بيانات أو إعدادات أخرى.

يعرض المختبر أيضاً متوسط القيم غير القطرية للنواة وانحرافها المعياري: تقارب القيم مؤشر على تركّز النواة (Thanasilp وآخرون 2024). 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; Alex Bocharov; Krysta M. Svore; Nathan Wiebe (2020). Circuit-centric quantum classifiers. Phys. Rev. A 101:032308 doi:10.1103/PhysRevA.101.032308
  3. 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
  4. Hsin-Yuan Huang et al. (2021). Power of data in quantum machine learning. Nature Communications 12:2631 doi:10.1038/s41467-021-22539-9
  5. 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).