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

نواة كمّية مع SVM

Quantum Kernel with an SVM

تُحسب مصفوفة النواة $K_{ij}=|\langle\phi(x_i)|\phi(x_j)\rangle|^2$ بالمحاكاة ثم تُدرَّب آلة متجهات الدعم (SVM) عليها؛ المصفوفة متناظرة وقطرها 1.

The kernel matrix K_ij = |⟨φ(x_i)|φ(x_j)⟩|² is computed by simulation and an SVM is trained on it; the matrix is symmetric with unit diagonal.

الهدف

بناء مصفوفة نواة كمّية وتدريب SVM عليها، وفهم دور كل جزء.

المدة التقريبية: 8 دقائق

الخطوات

  1. اختر Iris والفئتين 0 و1 والميزتين 0 و2.
  2. اعرض مصفوفة النواة.
  3. تحقق من التناظر والقطر.
  4. درّب SVM واقرأ دقة الاختبار ومصفوفة الالتباس.
جارٍ تحميل المحاكي…
ما تتنبأ به النظرية

تتوقع النظرية أن تكون $K_{ii}=1$ و$K_{ij}=K_{ji}$ وأن تكون المصفوفة شبه موجبة. مع ترميز الزوايا في هذه المهمة القابلة للفصل تحقق المحرك من دقة اختبار لا تقل عن 95% في تقسيم ثابت البذرة؛ وهذا لا يعني أفضلية على SVM كلاسيكية.

طرائق النواة الكمّية (Quantum Kernel Methods) تستخدم الحاسوب الكمّي لحساب التشابه فقط، بينما يبقى التدريب كلاسيكياً (SVM). على العتاد تُقدَّر كل قيمة نواة من لقطات (باختبار التبديل أو بدائرة $U^\dagger(x')U(x)$)، أما هنا فتُحسب بدقة.

مهمة Iris الثنائية (setosa مقابل versicolor) مع ميزتين قابلة للفصل الخطي، لذلك تصل مصنّفات كلاسيكية بسيطة إلى دقة تامة أو قريبة منها. يُدرَّج المقياس على بيانات التدريب فقط لتجنب التسرب. ومن المعروف أن قيم النواة قد تتركز حول قيمة ثابتة مع زيادة عدد الكيوبتات (Exponential Concentration)، فتفقد قدرتها التمييزية. 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. 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
  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).