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 الحاسوبيةموسوعة شبكات التعلم العميق الحديثةمختبر الشبكات العصبية البيانيةمختبر تحليل الصور الطبيةمختبر معالجة اللغة الطبيعيةمختبر الحوسبة الكمّيةخرائط طريق الذكاء الاصطناعيأكاديمية ماتلاب والذكاء الاصطناعيمصمم الشبكات العصبيةأكاديمية الذكاء الاصطناعي بدون برمجةمختبر الذكاء الاصطناعي الكمّي
مثال برمجيمتوسطالتعلم الآلي الكمي

التدرج بقاعدة إزاحة المعامل في PennyLane

Parameter-Shift Gradient in PennyLane

حساب مشتقة $f(\theta)=\langle Z\rangle=\cos\theta$ بعد $R_X(\theta)$ بقاعدة إزاحة المعامل، ومقارنتها بالحساب اليدوي والقيمة التحليلية $-\sin\theta$.

Differentiate f(θ) = ⟨Z⟩ = cos θ after R_X(θ) with the parameter-shift rule; compare with a manual shift and the analytic −sin θ.

لبوابة على الصورة $e^{-i\theta P/2}$ مع $P$ مؤثر باولي، تصح القاعدة الدقيقة $$\frac{\partial f}{\partial\theta}=\frac{f(\theta+\pi/2)-f(\theta-\pi/2)}{2}.$$ ليست تقريباً بالفروق المنتهية، بل مساواة تامة؛ لذلك يمكن استخدامها على العتاد بتقييم الدائرة مرتين لكل معامل. diff_method="parameter-shift" يطلب هذه الطريقة صراحة.

المتطلبات: pip install pennylane. تُشغَّل الشيفرة على جهازك أو في Colab، لا داخل ووردبريس.

الشيفرة

PennyLane
import pennylane as qml
from pennylane import numpy as np

dev = qml.device("default.qubit", wires=1)


@qml.qnode(dev, diff_method="parameter-shift")
def f(theta):
    qml.RX(theta, wires=0)
    return qml.expval(qml.PauliZ(0))


theta = np.array(0.7, requires_grad=True)
grad = qml.grad(f)(theta)
manual = (f(theta + np.pi / 2) - f(theta - np.pi / 2)) / 2
print("f(theta) =", round(float(f(theta)), 6), "| cos(theta) =", round(float(np.cos(theta)), 6))
print("parameter-shift grad =", round(float(grad), 6))
print("manual shift        =", round(float(manual), 6))
print("analytic -sin(theta) =", round(float(-np.sin(theta)), 6))

شرح الشيفرة سطراً بسطر

السطرالشرح
1-2الاستيراد.
4جهاز بكيوبت واحد.
7عقدة كمّية تستخدم إزاحة المعامل للاشتقاق.
8-10الدالة: RX(θ) ثم ⟨Z⟩ = cos θ.
13معامل قابل للاشتقاق.
14التدرج من PennyLane.
15التدرج يدوياً بإزاحتين ±π/2.
16مقارنة f بالقيمة cos θ.
17-19طباعة التدرجات الثلاثة.

المخرجات المتوقعة (من تشغيل فعلي)

f(theta) = 0.764842 | cos(theta) = 0.764842
parameter-shift grad = -0.644218
manual shift        = -0.644218
analytic -sin(theta) = -0.644218

الناتج حتمي (جهاز دقيق دون لقطات).

جرّب بنفسك

موضوعات مرتبطة

المراجع

  1. K. Mitarai; M. Negoro; M. Kitagawa; K. Fujii (2018). Quantum circuit learning. Phys. Rev. A 98:032309 doi:10.1103/PhysRevA.98.032309
  2. Xanadu (2025). Parameter-shift rules. PennyLane Glossary pennylane.ai
  3. Xanadu (2025). PennyLane Documentation. PennyLane docs.pennylane.ai