qiskit-community/qiskit-machine-learning

解决的问题

Qiskit Machine Learning 提供了使用量子计算机创建和训练机器学习模型所需的各种基础构建模块。通过提供用于分类和回归任务的高层工具，它弥合了量子计算与经典机器学习之间的鸿沟。

工作原理

该库实现了几种核心的量子机器学习方法：

• 基于核的方法：使用 FidelityQuantumKernel 计算核矩阵，然后可以将其用于量子支持向量分类器 (QSVC) 或回归器 (QSVR)。
• 量子神经网络 (QNNs)：通过 EstimatorQNN（输出可观测量的期望值）和 SamplerQNN（将比特串计数转换为输出）为神经网络提供通用接口。
• 变分算法：诸如变分量子分类器 (VQC) 和变分量子回归器 (VQR) 之类的高层工具，利用特征映射和 ansatz 自动构建 QNN。
• PyTorch 集成：TorchConnector 允许将 QNN 集成到 PyTorch 工作流中，从而实现自动微分并创建混合量子-经典神经网络。

适用对象

它既适用于希望在没有深厚量子物理知识的情况下对量子 ML 模型进行原型设计的初学者，也适用于在该领域进行创新概念验证的研究人员。

亮点

• 混合工作流：与 PyTorch 无缝集成，用于构建混合量子-经典模型。
• 用户友好的 API：用于快速构建 VQC 和 VQR 模型的高层语法。
• 灵活的框架：同时支持基于核的方法和基于神经网络的方法。
• 可扩展架构：构建在 Qiskit SDK 之上，允许集成新的尖端功能。