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
مثال برمجيمتوسطالتعلم الآلي الكمي

مصنّف متغيّر صغير في PennyLane

A Tiny Variational Classifier in PennyLane

مصنّف كمّي متغيّر بكيوبتين في PennyLane: ترميز زاوي ثم StronglyEntanglingLayers، وتدريب بالانحدار التدرجي 15 خطوة على أربع نقاط.

A two-qubit variational classifier in PennyLane: angle embedding plus StronglyEntanglingLayers, trained by gradient descent for 15 steps on four points.

في PennyLane تُعرَّف الدائرة كدالة بايثون مزخرفة بـ @qml.qnode(dev)، وتعيد قيمة توقع. AngleEmbedding يرمّز الميزات كزوايا $R_Y$، وStronglyEntanglingLayers طبقات دوران عامة مع تشابك. يحسب PennyLane المشتقات تلقائياً (على المحاكي بالتمايز العكسي أو بإزاحة المعامل).

الخسارة متوسط مربع الخطأ بين $\langle Z_0\rangle$ والعلامات $\pm1$. البيانات أربع نقاط مفصولة بوضوح، والمثال لعرض آلية التدريب فقط، لا لتقييم النموذج.

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=2)


@qml.qnode(dev)
def circuit(weights, x):
    qml.AngleEmbedding(x, wires=[0, 1], rotation="Y")
    qml.StronglyEntanglingLayers(weights, wires=[0, 1])
    return qml.expval(qml.PauliZ(0))


X = np.array([[0.1, 0.2], [0.3, 0.1], [2.8, 2.9], [3.0, 2.7]], requires_grad=False)
y = np.array([1, 1, -1, -1], requires_grad=False)


def cost(weights):
    preds = [circuit(weights, x) for x in X]
    return sum((p - t) ** 2 for p, t in zip(preds, y)) / len(y)


np.random.seed(0)
shape = qml.StronglyEntanglingLayers.shape(n_layers=1, n_wires=2)
weights = np.random.uniform(0, np.pi, size=shape, requires_grad=True)
opt = qml.GradientDescentOptimizer(stepsize=0.3)
for step in range(15):
    weights, c = opt.step_and_cost(cost, weights)
    if step % 5 == 0:
        print(f"step {step:2d}  cost {c:.4f}")
print("final cost:", round(float(cost(weights)), 4))
print("signs:", [int(np.sign(circuit(weights, x))) for x in X], "targets:", [int(t) for t in y])

شرح الشيفرة سطراً بسطر

السطرالشرح
1-2استيراد PennyLane ونسخة numpy القابلة للاشتقاق.
4جهاز محاكاة بكيوبتين.
7-8تعريف العقدة الكمّية.
9ترميز الميزتين بدورانات RY.
10طبقات دوران وتشابك قابلة للتدريب.
11المخرج: ⟨Z⟩ على الكيوبت 0.
14أربع نقاط تدريب (غير قابلة للاشتقاق).
15العلامات ±1.
18-20دالة الخسارة: متوسط مربع الخطأ.
23تثبيت بذرة numpy.
24شكل مصفوفة الأوزان لطبقة واحدة وكيوبتين.
25أوزان ابتدائية عشوائية قابلة للتدريب.
26محسّن الانحدار التدرجي بخطوة 0.3.
27-2815 خطوة تدريب تعيد الأوزان والخسارة.
29-30طباعة الخسارة كل 5 خطوات.
31الخسارة النهائية.
32مقارنة إشارة المخرج بالعلامات.

المخرجات المتوقعة (من تشغيل فعلي)

step  0  cost 0.6163
step  5  cost 0.0237
step 10  cost 0.0098
final cost: 0.0063
signs: [1, 1, -1, -1] targets: [1, 1, -1, -1]

البذرة np.random.seed(0) تجعل الأوزان الابتدائية والنتائج قابلة للتكرار.

جرّب بنفسك

موضوعات مرتبطة

المراجع

  1. Xanadu (2025). PennyLane Documentation. PennyLane docs.pennylane.ai
  2. Xanadu (2025). Variational classifier. PennyLane Demos pennylane.ai
  3. 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
  4. Ville Bergholm et al. (2018). PennyLane: Automatic differentiation of hybrid quantum-classical computations. arXiv:1811.04968 doi:10.48550/arXiv.1811.04968