Singularity Machine Learning - Classification: Fungsi Qiskit oleh Multiverse Computing

Nota

Fungsi Qiskit ialah ciri eksperimental yang hanya tersedia untuk pengguna Pelan Premium IBM Quantum®, Pelan Flex, dan Pelan On-Prem (melalui API Platform IBM Quantum). Ia berada dalam status pratonton dan tertakluk kepada perubahan.

Gambaran keseluruhan

Dengan fungsi "Singularity Machine Learning - Classification", anda boleh menyelesaikan masalah pembelajaran mesin dunia sebenar pada perkakasan kuantum tanpa memerlukan kepakaran kuantum. Fungsi Aplikasi ini, berasaskan kaedah ensemble, adalah pengelas hibrid. Ia memanfaatkan kaedah klasikal seperti boosting, bagging, dan stacking untuk latihan ensemble awal. Seterusnya, algoritma kuantum seperti variational quantum eigensolver (VQE) dan quantum approximate optimization algorithm (QAOA) digunakan untuk meningkatkan kepelbagaian, keupayaan generalisasi, dan kerumitan keseluruhan ensemble yang telah dilatih.

Tidak seperti penyelesaian pembelajaran mesin kuantum yang lain, fungsi ini mampu mengendalikan dataset berskala besar dengan jutaan contoh dan ciri tanpa terhad oleh bilangan Qubit dalam QPU sasaran. Bilangan Qubit hanya menentukan saiz ensemble yang boleh dilatih. Ia juga sangat fleksibel, dan boleh digunakan untuk menyelesaikan masalah klasifikasi merentasi pelbagai domain, termasuk kewangan, penjagaan kesihatan, dan keselamatan siber. Ia secara konsisten mencapai ketepatan tinggi pada masalah yang mencabar secara klasikal yang melibatkan dataset berdimensi tinggi, berderau, dan tidak seimbang. Cara ia berfungsi Ia dibina untuk:

Jurutera dan saintis data di syarikat yang ingin meningkatkan tawaran teknologi mereka dengan mengintegrasikan pembelajaran mesin kuantum ke dalam produk dan perkhidmatan mereka,
Penyelidik di makmal penyelidikan kuantum yang meneroka aplikasi pembelajaran mesin kuantum dan ingin memanfaatkan pengkomputeran kuantum untuk tugas klasifikasi, dan
Pelajar dan guru di institusi pendidikan dalam kursus seperti pembelajaran mesin, yang ingin menunjukkan kelebihan pengkomputeran kuantum.

Contoh berikut memperlihatkan pelbagai fungsinya, termasuk create, list, fit, dan predict, serta menunjukkan penggunaannya dalam masalah sintetik yang terdiri daripada dua separuh bulatan yang saling bersilang, masalah yang terkenal mencabar kerana sempadan keputusannya yang tidak linear.

Penerangan fungsi

Fungsi Qiskit ini membolehkan pengguna menyelesaikan masalah klasifikasi binari menggunakan pengelas ensemble yang dipertingkatkan dengan kuantum dari Singularity. Di sebalik tabir, ia menggunakan pendekatan hibrid untuk melatih ensemble pengelas secara klasikal pada dataset berlabel, kemudian mengoptimumkannya untuk kepelbagaian dan generalisasi maksimum menggunakan Quantum Approximate Optimization Algorithm (QAOA) pada QPU IBM®. Melalui antara muka yang mesra pengguna, pengguna boleh mengkonfigurasi pengelas mengikut keperluan mereka, melatihnya pada dataset pilihan mereka, dan menggunakannya untuk membuat ramalan pada dataset yang belum pernah dilihat sebelumnya.

Untuk menyelesaikan masalah klasifikasi umum:

Pra-proses dataset, dan bahagikannya kepada set latihan dan set pengujian. Secara pilihan, anda boleh membahagikan lagi set latihan kepada set latihan dan pengesahan. Ini boleh dicapai menggunakan scikit-learn.
Jika set latihan tidak seimbang, anda boleh mengambil semula sampel untuk mengimbangi kelas menggunakan imbalanced-learn.
Muat naik set latihan, pengesahan, dan pengujian secara berasingan ke storan fungsi menggunakan kaedah file_upload katalog, dengan menghantar laluan yang berkaitan setiap kali.
Mulakan pengelas kuantum menggunakan tindakan create fungsi, yang menerima hiperparameter seperti bilangan dan jenis pemelajar, penyelarasan (nilai lambda), dan pilihan pengoptimuman termasuk bilangan lapisan, jenis pengoptimum klasikal, Backend kuantum, dan sebagainya.
Latih pengelas kuantum pada set latihan menggunakan tindakan fit fungsi, dengan menghantar set latihan berlabel, dan set pengesahan jika berkaitan.
Buat ramalan pada set ujian yang belum pernah dilihat sebelumnya menggunakan tindakan predict fungsi.

Pendekatan berasaskan tindakan

Fungsi ini menggunakan pendekatan berasaskan tindakan. Anda boleh menganggapnya sebagai persekitaran maya di mana anda menggunakan tindakan untuk melaksanakan tugas atau mengubah keadaannya. Pada masa ini, ia menawarkan tindakan-tindakan berikut: list, create, delete, fit, predict, fit_predict, dan create_fit_predict. Contoh berikut menunjukkan tindakan create_fit_predict.

# Added by doQumentation — required packages for this notebook
!pip install -q numpy qiskit-ibm-catalog scikit-learn

# Import QiskitFunctionsCatalog to load the
# "Singularity Machine Learning - Classification" function by Multiverse Computing
from qiskit_ibm_catalog import QiskitFunctionsCatalog

# Import the make_moons and the train_test_split functions from scikit-learn
# to create a synthetic dataset and split it into training and test datasets
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

# authentication
# If you have not previously saved your credentials, follow instructions at
# /docs/guides/functions
# to authenticate with your API key.
catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# load "Singularity Machine Learning - Classification" function by Multiverse Computing
singularity = catalog.load("multiverse/singularity")

# generate the synthetic dataset
X, y = make_moons(n_samples=1000)

# split the data into training and test datasets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

job = singularity.run(
    action="create_fit_predict",
    num_learners=10,
    regularization=0.01,
    optimizer_options={"simulator": True},
    X_train=X_train,
    y_train=y_train,
    X_test=X_test,
    options={"save": False},
)

# get job status and result
status = job.status()
result = job.result()

print("Job status: ", status)
print("Action result status: ", result["status"])
print("Action result message: ", result["message"])
print("Predictions (first five results): ", result["data"]["predictions"][:5])
print(
    "Probabilities (first five results): ",
    result["data"]["probabilities"][:5],
)
print("Usage metadata: ", result["metadata"]["resource_usage"])

Job status:  QUEUED
Action result status:  ok
Action result message:  Classifier created, fitted, and predicted.
Predictions (first five results):  [1, 0, 0, 1, 0]
Probabilities (first five results):  [[0.16849563539001172, 0.8315043646099888], [0.8726393386620336, 0.12736066133796647], [0.795344837290717, 0.20465516270928288], [0.36822585748882725, 0.6317741425111725], [0.6656662698604361, 0.3343337301395641]]
Usage metadata:  {'RUNNING: MAPPING': {'CPU_TIME': 7.945035696029663}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 82.41029238700867}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 77.3459484577179}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 71.27004957199097}}

1. List

Tindakan list mendapatkan semua pengelas yang tersimpan dalam format *.pkl.tar daripada direktori data bersama. Anda juga boleh mengakses kandungan direktori ini dengan menggunakan kaedah catalog.files(). Secara umum, tindakan list mencari fail dengan sambungan *.pkl.tar dalam direktori data bersama dan mengembalikannya dalam format senarai.

Input

Nama	Jenis	Penerangan	Diperlukan
`action`	`str`	Nama tindakan daripada antara `create`, `list`, `fit`, `predict`, `fit_predict`, `create_fit_predict` dan `delete`.	Ya

Penggunaan

job = singularity.run(action="list")

2. Create

Tindakan create mencipta pengelas jenis quantum_classifier yang ditentukan menggunakan parameter yang diberikan, dan menyimpannya dalam direktori data bersama.

nota

Fungsi ini pada masa ini hanya menyokong QuantumEnhancedEnsembleClassifier.

Input

Nama	Jenis	Penerangan	Diperlukan	Lalai
`action`	`str`	Nama tindakan daripada antara `create`, `list`, `fit`, `predict`, `fit_predict`, `create_fit_predict` dan `delete`.	Ya	-
`name`	`str`	Nama pengelas kuantum, cth., `spam_classifier`.	Ya	-
`instance`	`str`	Instance IBM.	Ya	-
`backend_name`	`str`	Sumber pengiraan IBM. Lalainya ialah `None`, bermakna Backend dengan kerja tertunda paling sedikit akan digunakan.	Tidak	`None`
`quantum_classifier`	`str`	Jenis pengelas kuantum, iaitu, `QuantumEnhancedEnsembleClassifier`.	Tidak	`QuantumEnhancedEnsembleClassifier`
`num_learners`	`integer`	Bilangan pemelajar dalam ensemble.	Tidak	`10`
`learners_types`	`list`	Jenis pemelajar. Antara jenis yang disokong ialah: `DecisionTreeClassifier`, `GaussianNB`, `KNeighborsClassifier`, `MLPClassifier`, dan `LogisticRegression`. Butiran lanjut berkaitan setiap satu boleh didapati dalam dokumentasi scikit-learn.	Tidak	`[DecisionTreeClassifier]`
`learners_proportions`	`list`	Perkadaran setiap jenis pemelajar dalam ensemble.	Tidak	`[1.0]`
`learners_options`	`list`	Pilihan untuk setiap jenis pemelajar dalam ensemble. Untuk senarai lengkap pilihan yang berkaitan dengan jenis pemelajar yang dipilih, rujuk dokumentasi scikit-learn.	Tidak	`[{"max_depth": 3, "splitter": "random", "class_weight": None}]`
`regularization_type`	`str` atau `list`	Jenis penyelarasan yang akan digunakan: `onsite` atau `alpha`. `onsite` mengawal penggal onsite di mana nilai yang lebih tinggi menghasilkan ensemble yang lebih jarang. `alpha` mengawal pertukaran antara penggal interaksi dan onsite di mana nilai yang lebih rendah menghasilkan ensemble yang lebih jarang. Jika senarai diberikan, model akan dilatih untuk setiap jenis dan yang berprestasi terbaik akan dipilih.	Tidak	`onsite`
`regularization`	`str` atau `float` atau `list`	Nilai penyelarasan. Terhad antara `0` dan `+inf` jika regularization_type ialah `onsite`. Terhad antara `0` dan `1` jika regularization_type ialah `alpha`. Jika ditetapkan kepada `auto`, auto-regularization digunakan — parameter penyelarasan optimum dicari melalui carian binari dengan nisbah pengelas terpilih kepada jumlah pengelas yang dikehendaki (`regularization_desired_ratio`) dan had atas untuk parameter penyelarasan (`regularization_upper_bound`). Jika senarai diberikan, model akan dilatih untuk setiap nilai dan yang berprestasi terbaik akan dipilih.	Tidak	`0.01`
`regularization_desired_ratio`	`float` atau `list`	Nisbah yang dikehendaki bagi pengelas terpilih kepada jumlah pengelas untuk auto-regularization. Jika senarai diberikan, model akan dilatih untuk setiap nisbah dan yang berprestasi terbaik akan dipilih.	Tidak	`0.75`
`regularization_upper_bound`	`float` atau `list`	Had atas untuk parameter penyelarasan apabila menggunakan auto-regularization. Jika senarai diberikan, model akan dilatih untuk setiap had atas dan yang berprestasi terbaik akan dipilih.	Tidak	`200`
`weight_update_method`	`str`	Kaedah untuk mengemas kini pemberat sampel daripada antara `logarithmic` dan `quadratic`.	Tidak	`logarithmic`
`sample_scaling`	`boolean`	Sama ada penskalaan sampel perlu digunakan.	Tidak	`False`
`prediction_scaling`	`float`	Faktor penskalaan untuk ramalan.	Tidak	`None`
`optimizer_options`	`dictionary`	Pilihan pengoptimum QAOA. Senarai pilihan yang tersedia dibentangkan kemudian dalam dokumentasi ini.	Tidak	...
`voting`	`str`	Gunakan pengundian majoriti (`hard`) atau purata kebarangkalian (`soft`) untuk mengagregat ramalan/kebarangkalian pemelajar.	Tidak	`hard`
`prob_threshold`	`float`	Ambang kebarangkalian optimum.	Tidak	`0.5`
`random_state`	`integer`	Kawal kerawakan untuk kebolehulangan.	Tidak	`None`

Selain itu, optimizer_options disenaraikan seperti berikut:

Nama	Jenis	Penerangan	Diperlukan	Lalai
`num_solutions`	`integer`	Bilangan penyelesaian	Tidak	`1024`
`reps`	`integer`	Bilangan pengulangan	Tidak	`4`
`sparsify`	`float`	Ambang sparsifikasi	Tidak	`0.001`
`theta`	`float`	Nilai awal theta, parameter variatif QAOA	Tidak	`None`
`simulator`	`boolean`	Sama ada menggunakan simulator atau QPU	Tidak	`False`
`classical_optimizer`	`str`	Nama pengoptimum klasikal untuk QAOA. Semua penyelesai yang ditawarkan oleh SciPy, seperti yang disenaraikan di sini, boleh digunakan. Anda perlu menetapkan `classical_optimizer_options` dengan sewajarnya	Tidak	`COBYLA`
`classical_optimizer_options`	`dictionary`	Pilihan pengoptimum klasikal. Untuk senarai lengkap pilihan yang tersedia, rujuk dokumentasi SciPy	Tidak	`{"maxiter": 60}`
`optimization_level`	`integer`	Kedalaman Circuit QAOA	Tidak	`3`
`num_transpiler_runs`	`integer`	Bilangan jalan Transpiler	Tidak	`30`
`pass_manager_options`	`dictionary`	Pilihan untuk menjana pengurus laluan pratetap	Tidak	`{"approximation_degree": 1.0}`
`estimator_options`	`dictionary`	Pilihan Estimator. Untuk senarai lengkap pilihan yang tersedia, rujuk dokumentasi Qiskit Runtime Client	Tidak	`None`
`sampler_options`	`dictionary`	Pilihan Sampler. Untuk senarai lengkap pilihan yang tersedia, rujuk dokumentasi Qiskit Runtime Client	Tidak	`None`

estimator_options lalai adalah:

Nama	Jenis	Nilai
`default_shots`	`integer`	`1024`
`resilience_level`	`integer`	`2`
`twirling`	`dictionary`	`{"enable_gates": True}`
`dynamical_decoupling`	`dictionary`	`{"enable": True}`
`resilience_options`	`dictionary`	`{"zne_mitigation": False, "zne": {"amplifier": "pea", "noise_factors": [1.0, 1.3, 1.6], "extrapolator": ["linear", "polynomial_degree_2", "exponential"],}}`

sampler_options lalai adalah:

Nama	Jenis	Nilai
`default_shots`	`integer`	`1024`
`resilience_level`	`integer`	`1`
`twirling`	`dictionary`	`{"enable_gates": True}`
`dynamical_decoupling`	`dictionary`	`{"enable": True}`

Penggunaan

job = singularity.run(
    action="create",
    name="classifier_name",  # specify your custom name for the classifier here
    num_learners=10,
    regularization=0.01,
    optimizer_options={"simulator": True},
)

Pengesahan

name:
- Nama mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Tiada pengelas dengan nama yang sama sepatutnya sudah wujud dalam direktori data bersama.

3. Delete

Tindakan delete mengalih keluar pengelas daripada direktori data bersama.

Input

Nama	Jenis	Penerangan	Diperlukan
`action`	`str`	Nama tindakan. Mestilah `delete`.	Ya
`name`	`str`	Nama pengelas yang hendak dihapuskan.	Ya

Penggunaan

job = singularity.run(
    action="delete",
    name="classifier_name",  # specify the name of the classifier to delete here
)

Pengesahan

name:
- Nama mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Pengelas dengan nama yang sama sepatutnya sudah wujud dalam direktori data bersama.

4. Fit

Tindakan fit melatih pengelas menggunakan data latihan yang diberikan.

Input

Nama	Jenis	Penerangan	Diperlukan
`action`	`str`	Nama tindakan. Mestilah `fit`.	Ya
`name`	`str`	Nama pengelas yang hendak dilatih.	Ya
`X`	`array` atau `list` atau `str`	Data latihan. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`y`	`array` atau `list` atau `str`	Nilai sasaran latihan. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`fit_params`	`dictionary`	Parameter tambahan untuk dihantar kepada kaedah `fit` pengelas.	Tidak

fit_params

Nama	Jenis	Penerangan	Diperlukan	Lalai
`validation_data`	`tuple`	Data pengesahan dan label.	Tidak	`None`
`pos_label`	`integer` atau `str`	Label kelas yang akan dipetakan kepada 1.	Tidak	`None`
`optimization_data`	`str`	Dataset untuk mengoptimumkan ensemble. Boleh salah satu daripada: `train`, `validation`, `both`.	Tidak	`train`

Penggunaan

job = singularity.run(
    action="fit",
    name="classifier_name",  # specify the name of the classifier to train here
    X=X_train,  # or "X_train.npy" if you uploaded it in the shared data directory
    y=y_train,  # or "y_train.npy" if you uploaded it in the shared data directory
    fit_params={},  # define the fit parameters here
)

Pengesahan

name:
- Nama mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Pengelas dengan nama yang sama sepatutnya sudah wujud dalam direktori data bersama.

5. Predict

Tindakan predict digunakan untuk mendapatkan ramalan keras dan lembut (kebarangkalian).

Input

Nama	Jenis	Penerangan	Diperlukan
`action`	`str`	Nama tindakan. Mestilah `predict`.	Ya
`name`	`str`	Nama pengelas yang hendak digunakan.	Ya
`X`	`array` atau `list` atau `str`	Data ujian. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`options["out"]`	`str`	Nama fail JSON output untuk menyimpan ramalan dalam direktori data bersama. Jika tidak diberikan, ramalan dikembalikan dalam hasil kerja.	Tidak

Penggunaan

job = singularity.run(
    action="predict",
    name="classifier_name",  # specify the name of the classifier to use here
    X=X_test,  # or "X_test.npy" if you uploaded it to the shared data directory
    options={
        "out": "output.json",
    },
)

Pengesahan

name:
- Nama mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Pengelas dengan nama yang sama sepatutnya sudah wujud dalam direktori data bersama.
options["out"]:
- Nama fail mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Ia mesti mempunyai sambungan .json.

6. Fit-predict

Tindakan fit_predict melatih pengelas menggunakan data latihan kemudian menggunakannya untuk mendapatkan ramalan keras dan lembut (kebarangkalian).

Input

Nama	Jenis	Penerangan	Diperlukan
`action`	`str`	Nama tindakan. Mestilah `fit_predict`.	Ya
`name`	`str`	Nama pengelas yang hendak digunakan.	Ya
`X_train`	`array` atau `list` atau `str`	Data latihan. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`y_train`	`array` atau `list` atau `str`	Nilai sasaran latihan. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`X_test`	`array` atau `list` atau `str`	Data ujian. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`fit_params`	`dictionary`	Parameter tambahan untuk dihantar kepada kaedah `fit` pengelas.	Tidak
`options["out"]`	`str`	Nama fail JSON output untuk menyimpan ramalan dalam direktori data bersama. Jika tidak diberikan, ramalan dikembalikan dalam hasil kerja.	Tidak

Penggunaan

job = singularity.run(
    action="fit_predict",
    name="classifier_name",  # specify the name of the classifier to use here
    X_train=X_train,  # or "X_train.npy" if you uploaded it in the shared data directory
    y_train=y_train,  # or "y_train.npy" if you uploaded it in the shared data directory
    X_test=X_test,  # or "X_test.npy" if you uploaded it in the shared data directory
    fit_params={},  # define the fit parameters here
    options={
        "out": "output.json",
    },
)

Pengesahan

name:
- Nama mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Pengelas dengan nama yang sama sepatutnya sudah wujud dalam direktori data bersama.
options["out"]:
- Nama fail mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Ia mesti mempunyai sambungan .json.

7. Create-fit-predict

Tindakan create_fit_predict mencipta pengelas, melatihnya menggunakan data latihan yang diberikan, kemudian menggunakannya untuk mendapatkan ramalan keras dan lembut (kebarangkalian).

Input

Nama	Jenis	Penerangan	Diperlukan
`action`	`str`	Nama tindakan daripada antara `create`, `list`, `fit`, `predict`, `fit_predict`, `create_fit_predict` dan `delete`.	Ya
`name`	`str`	Nama pengelas yang hendak digunakan.	Ya
`quantum_classifier`	`str`	Jenis pengelas, iaitu, `QuantumEnhancedEnsembleClassifier`. Lalainya ialah `QuantumEnhancedEnsembleClassifier`.	Tidak
`X_train`	`array` atau `list` atau `str`	Data latihan. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`y_train`	`array` atau `list` atau `str`	Nilai sasaran latihan. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`X_test`	`array` atau `list` atau `str`	Data ujian. Ini boleh berupa tatasusunan NumPy, senarai, atau rentetan yang merujuk nama fail dalam direktori data bersama.	Ya
`fit_params`	`dictionary`	Parameter tambahan untuk dihantar kepada kaedah `fit` pengelas.	Tidak
`options["save"]`	`boolean`	Sama ada menyimpan pengelas yang telah dilatih dalam direktori data bersama. Lalainya ialah `True`.	Tidak
`options["out"]`	`str`	Nama fail JSON output untuk menyimpan ramalan dalam direktori data bersama. Jika tidak diberikan, ramalan dikembalikan dalam hasil kerja.	Tidak

Penggunaan

job = singularity.run(
    action="create_fit_predict",
    name="classifier_name",  # specify your custom name for the classifier here
    num_learners=10,
    regularization=0.01,
    optimizer_options={"simulator": True},
    X_train=X_train,  # or "X_train.npy" if you uploaded it in the shared data directory
    y_train=y_train,  # or "y_train.npy" if you uploaded it in the shared data directory
    X_test=X_test,  # or "X_test.npy" if you uploaded it in the shared data directory
    fit_params={},  # define the fit parameters here
    options={
        "save": True,
        "out": "output.json",
    },
)

Pengesahan

name:
- Jika options["save"] ditetapkan kepada True:
  - Nama mestilah unik, rentetan sehingga 64 aksara.
  - Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
  - Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
  - Tiada pengelas dengan nama yang sama sepatutnya sudah wujud dalam direktori data bersama.
options["out"]:
- Nama fail mestilah unik, rentetan sehingga 64 aksara.
- Ia hanya boleh mengandungi aksara alfanumerik dan garis bawah.
- Ia mesti bermula dengan huruf dan tidak boleh berakhir dengan garis bawah.
- Ia mesti mempunyai sambungan .json.

Mulakan

Sahkan diri menggunakan kunci API Platform IBM Quantum anda, dan pilih Fungsi Qiskit seperti berikut:

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# load function
singularity = catalog.load("multiverse/singularity")

Contoh

Dalam contoh ini, anda akan menggunakan fungsi "Singularity Machine Learning - Classification" untuk mengklasifikasikan dataset yang terdiri daripada dua separuh bulatan berbentuk bulan yang saling bersilang. Dataset ini adalah sintetik, dua dimensi, dan dilabelkan dengan label binari. Ia dicipta untuk mencabar algoritma seperti pengelompokan berasaskan centroid dan klasifikasi linear. Dataset Moons Melalui proses ini, anda akan belajar cara mencipta pengelas, memasangkannya pada data latihan, menggunakannya untuk membuat ramalan pada data ujian, dan menghapus pengelas apabila selesai. Sebelum memulakan, anda perlu memasang scikit-learn. Pasangnya menggunakan arahan berikut:

python3 -m pip install scikit-learn

Laksanakan langkah-langkah berikut:

Cipta dataset sintetik menggunakan fungsi make_moons daripada scikit-learn.
Muat naik dataset sintetik yang dijana ke direktori data bersama.
Cipta pengelas yang dipertingkatkan kuantum menggunakan tindakan create.
Senaraikan pengelas anda menggunakan tindakan list.
Latih pengelas pada data latihan menggunakan tindakan fit.
Gunakan pengelas yang telah dilatih untuk membuat ramalan pada data ujian menggunakan tindakan predict.
Hapuskan pengelas menggunakan tindakan delete.
Bersihkan setelah selesai. Langkah 1. Import modul yang diperlukan dan jana dataset sintetik, kemudian bahagikannya kepada dataset latihan dan ujian.

# import the necessary modules for this example
import os
import tarfile
import numpy as np

# Import the make_moons and the train_test_split functions from scikit-learn
# to create a synthetic dataset and split it into training and test datasets
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

# generate the synthetic dataset
X, y = make_moons(n_samples=10000)

# split the data into training and test datasets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# print the first 10 samples of the training dataset
print("Features:", X_train[:10, :])
print("Targets:", y_train[:10])

Features: [[-0.99958218  0.02890441]
 [ 0.03285169  0.24578719]
 [ 1.13127903 -0.49134546]
 [ 1.86951286  0.00608971]
 [ 0.20190413  0.97940529]
 [ 0.8831311   0.46912627]
 [-0.10819442  0.99412975]
 [-0.20005727  0.97978421]
 [-0.78775705  0.61598607]
 [ 1.82453236 -0.0658148 ]]
Targets: [0 1 1 1 0 0 0 0 0 1]

Langkah 2. Simpan dataset latihan dan ujian berlabel pada cakera tempatan anda, kemudian muat naiknya ke direktori data bersama.

def make_tarfile(file_path, tar_file_name):
    with tarfile.open(tar_file_name, "w") as tar:
        tar.add(file_path, arcname=os.path.basename(file_path))

# save the training and test datasets on your local disk
np.save("X_train.npy", X_train)
np.save("y_train.npy", y_train)
np.save("X_test.npy", X_test)
np.save("y_test.npy", y_test)

# create tar files for the datasets
make_tarfile("X_train.npy", "X_train.npy.tar")
make_tarfile("y_train.npy", "y_train.npy.tar")
make_tarfile("X_test.npy", "X_test.npy.tar")
make_tarfile("y_test.npy", "y_test.npy.tar")

# upload the datasets to the shared data directory
catalog.file_upload("X_train.npy.tar", singularity)
catalog.file_upload("y_train.npy.tar", singularity)
catalog.file_upload("X_test.npy.tar", singularity)
catalog.file_upload("y_test.npy.tar", singularity)

# view/enlist the uploaded files in the shared data directory
print(catalog.files(singularity))

['X_test.npy.tar', 'X_train.npy.tar', 'y_test.npy.tar', 'y_train.npy.tar']

Langkah 3. Cipta pengelas yang dipertingkatkan kuantum menggunakan tindakan create.

job = singularity.run(
    action="create",
    name="my_classifier",
    num_learners=10,
    learners_types=[
        "DecisionTreeClassifier",
        "KNeighborsClassifier",
    ],
    learners_proportions=[0.5, 0.5],
    learners_options=[{}, {}],
    regularization=0.01,
    weight_update_method="logarithmic",
    sample_scaling=True,
    optimizer_options={"simulator": True},
    voting="soft",
    prob_threshold=0.5,
)

print(job.result())

{'status': 'ok', 'message': 'Classifier created.', 'data': {}, 'metadata': {'resource_usage': {}}}

# list available classifiers using the list action
job = singularity.run(action="list")

print(job.result())

# you can also find your classifiers in the shared data directory with a *.pkl.tar extension
print(catalog.files(singularity))

{'status': 'ok', 'message': 'Classifiers listed.', 'data': {'classifiers': ['my_classifier']}, 'metadata': {'resource_usage': {}}}
['X_test.npy.tar', 'X_train.npy.tar', 'y_test.npy.tar', 'y_train.npy.tar', 'my_classifier.pkl.tar']

Langkah 4. Latih pengelas yang dipertingkatkan kuantum menggunakan tindakan fit.

job = singularity.run(
    action="fit",
    name="my_classifier",
    X="X_train.npy",  # you do not need to specify the tar extension
    y="y_train.npy",  # you do not need to specify the tar extension
)

print(job.result())

{'status': 'ok', 'message': 'Classifier fitted.', 'data': {}, 'metadata': {'resource_usage': {'RUNNING: MAPPING': {'CPU_TIME': 8.45469617843628}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 69.4949426651001}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 73.01881957054138}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 75.4787163734436}}}}

Langkah 5. Dapatkan ramalan dan kebarangkalian daripada pengelas yang dipertingkatkan kuantum menggunakan tindakan predict.

job = singularity.run(
    action="predict",
    name="my_classifier",
    X="X_test.npy",  # you do not need to specify the tar extension
)

result = job.result()

print("Action result status: ", result["status"])
print("Action result message: ", result["message"])
print("Predictions (first five results):", result["data"]["predictions"][:5])
print(
    "Probabilities (first five results):", result["data"]["probabilities"][:5]
)

Action result status:  ok
Action result message:  Classifier predicted.
Predictions (first five results): [0, 1, 0, 0, 1]
Probabilities (first five results): [[1.0, 0.0], [0.0, 1.0], [1.0, 0.0], [1.0, 0.0], [0.0, 1.0]]

Langkah 6. Hapuskan pengelas yang dipertingkatkan kuantum menggunakan tindakan delete.

job = singularity.run(
    action="delete",
    name="my_classifier",
)

# or you can delete from the shared data directory
# catalog.file_delete("my_classifier.pkl.tar", singularity)

print(job.result())

{'status': 'ok', 'message': 'Classifier deleted.', 'data': {}, 'metadata': {'resource_usage': {}}}

Langkah 7. Bersihkan direktori data tempatan dan bersama.

# delete the numpy files from your local disk
os.remove("X_train.npy")
os.remove("y_train.npy")
os.remove("X_test.npy")
os.remove("y_test.npy")

# delete the tar files from your local disk
os.remove("X_train.npy.tar")
os.remove("y_train.npy.tar")
os.remove("X_test.npy.tar")
os.remove("y_test.npy.tar")

# delete the tar files from the shared data
catalog.file_delete("X_train.npy.tar", singularity)
catalog.file_delete("y_train.npy.tar", singularity)
catalog.file_delete("X_test.npy.tar", singularity)
catalog.file_delete("y_test.npy.tar", singularity)

Penanda aras

Penanda aras ini menunjukkan bahawa pengelas boleh mencapai ketepatan yang sangat tinggi pada masalah yang mencabar. Ia juga menunjukkan bahawa meningkatkan bilangan pemelajar dalam ensemble (bilangan Qubit) boleh membawa kepada peningkatan ketepatan.

"Ketepatan klasikal" merujuk kepada ketepatan yang diperoleh menggunakan keadaan seni klasikal yang berkaitan yang, dalam kes ini, adalah pengelas AdaBoost berasaskan ensemble bersaiz 75. "Ketepatan kuantum", sebaliknya, merujuk kepada ketepatan yang diperoleh menggunakan "Singularity Machine Learning - Classification".

Masalah	Saiz Dataset	Saiz Ensemble	Bilangan Qubit	Ketepatan Klasikal	Ketepatan Kuantum	Peningkatan
Kestabilan grid	5000 contoh, 12 ciri	55	55	76%	91%	15%
Kestabilan grid	5000 contoh, 12 ciri	65	65	76%	92%	16%
Kestabilan grid	5000 contoh, 12 ciri	75	75	76%	94%	18%
Kestabilan grid	5000 contoh, 12 ciri	85	85	76%	94%	18%
Kestabilan grid	5000 contoh, 12 ciri	100	100	76%	95%	19%

Apabila perkakasan kuantum berkembang dan berskala, implikasinya terhadap pengelas kuantum kami menjadi semakin ketara. Walaupun bilangan Qubit memang mengenakan had pada saiz ensemble yang boleh digunakan, ia tidak menyekat jumlah data yang boleh diproses. Keupayaan yang hebat ini membolehkan pengelas mengendalikan dataset yang mengandungi jutaan titik data dan ribuan ciri dengan cekap. Yang penting, kekangan berkaitan saiz ensemble boleh diatasi melalui pelaksanaan versi berskala besar pengelas. Dengan memanfaatkan pendekatan gelung luar berulang, ensemble boleh dikembangkan secara dinamik, meningkatkan fleksibiliti dan prestasi keseluruhan. Walau bagaimanapun, perlu diambil perhatian bahawa ciri ini belum lagi dilaksanakan dalam versi pengelas semasa.

Log perubahan

4 Jun 2025

Menaik taraf QuantumEnhancedEnsembleClassifier dengan kemas kini berikut:
- Menambah regularisasi onsite/alpha. Anda boleh menentukan regularization_type sebagai onsite atau alpha
- Menambah auto-regularization. Anda boleh menetapkan regularization kepada auto untuk menggunakan auto-regularization
- Menambah parameter optimization_data kepada kaedah fit untuk memilih data pengoptimuman untuk pengoptimuman kuantum. Anda boleh menggunakan salah satu daripada pilihan ini: train, validation, atau both
- Meningkatkan prestasi keseluruhan
Menambah penjejakan status terperinci untuk kerja yang sedang berjalan

20 Mei 2025

Menstandarkan pengendalian ralat

18 Mac 2025

Menaik taraf qiskit-serverless kepada 0.20.0 dan imej asas kepada 0.20.1

14 Februari 2025

Menaik taraf imej asas kepada 0.19.1

6 Februari 2025

Menaik taraf qiskit-serverless kepada 0.19.0 dan imej asas kepada 0.19.0

13 November 2024

Pelancaran Singularity Machine Learning - Classification

Dapatkan sokongan

Untuk sebarang pertanyaan, hubungi Multiverse Computing.

Pastikan anda menyertakan maklumat berikut:

ID Kerja Fungsi Qiskit (job.job_id)
Penerangan terperinci tentang isu tersebut
Sebarang mesej atau kod ralat yang berkaitan
Langkah-langkah untuk menghasilkan semula isu

Langkah seterusnya

Cadangan

Gambaran keseluruhan​

Penerangan fungsi​

Pendekatan berasaskan tindakan​

1. List​

Input​

Penggunaan​

2. Create​

Input​

Penggunaan​

Pengesahan​

3. Delete​

Input​

Penggunaan​

Pengesahan​

4. Fit​

Input​

fit_params​

Penggunaan​

Pengesahan​

5. Predict​

Input​

Penggunaan​

Pengesahan​

6. Fit-predict​

Input​

Penggunaan​

Pengesahan​

7. Create-fit-predict​

Input​

Penggunaan​

Pengesahan​

Mulakan​

Contoh​

Penanda aras​

Log perubahan​

4 Jun 2025​

20 Mei 2025​

18 Mac 2025​

14 Februari 2025​

6 Februari 2025​

13 November 2024​

Dapatkan sokongan​

Langkah seterusnya​

Gambaran keseluruhan

Penerangan fungsi

Pendekatan berasaskan tindakan

1. List

Input

Penggunaan

2. Create

Input

Penggunaan

Pengesahan

3. Delete

Input

Penggunaan

Pengesahan

4. Fit

Input

fit_params

Penggunaan

Pengesahan

5. Predict

Input

Penggunaan

Pengesahan

6. Fit-predict

Input

Penggunaan

Pengesahan

7. Create-fit-predict

Input

Penggunaan

Pengesahan

Mulakan

Contoh

Penanda aras

Log perubahan

4 Jun 2025

20 Mei 2025

18 Mac 2025

14 Februari 2025

6 Februari 2025

13 November 2024

Dapatkan sokongan

Langkah seterusnya