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
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
| السطر | الشرح |
|---|---|
| 1-2 | استيراد PennyLane ونسخة numpy القابلة للاشتقاق. |
| 4 | جهاز محاكاة بكيوبتين. |
| 7-8 | تعريف العقدة الكمّية. |
| 9 | ترميز الميزتين بدورانات RY. |
| 10 | طبقات دوران وتشابك قابلة للتدريب. |
| 11 | المخرج: ⟨Z⟩ على الكيوبت 0. |
| 14 | أربع نقاط تدريب (غير قابلة للاشتقاق). |
| 15 | العلامات ±1. |
| 18-20 | دالة الخسارة: متوسط مربع الخطأ. |
| 23 | تثبيت بذرة numpy. |
| 24 | شكل مصفوفة الأوزان لطبقة واحدة وكيوبتين. |
| 25 | أوزان ابتدائية عشوائية قابلة للتدريب. |
| 26 | محسّن الانحدار التدرجي بخطوة 0.3. |
| 27-28 | 15 خطوة تدريب تعيد الأوزان والخسارة. |
| 29-30 | طباعة الخسارة كل 5 خطوات. |
| 31 | الخسارة النهائية. |
| 32 | مقارنة 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
- Xanadu (2025). PennyLane Documentation. PennyLane docs.pennylane.ai
- Xanadu (2025). Variational classifier. PennyLane Demos pennylane.ai
- 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
- Ville Bergholm et al. (2018). PennyLane: Automatic differentiation of hybrid quantum-classical computations. arXiv:1811.04968 doi:10.48550/arXiv.1811.04968
