qiskit-community/qiskit-machine-learning

解決的問題

Qiskit Machine Learning 提供了使用量子電腦建立與訓練機器學習模型所需的各種基礎構建模組。透過提供用於分類與回歸任務的高層工具，它彌合了量子運算與經典機器學習之間的鴻溝。

工作原理

該函式庫實現了幾種核心的量子機器學習方法：

• 基於核的方法：使用 FidelityQuantumKernel 計算核矩陣，然後可以將其用於量子支持向量分類器 (QSVC) 或回歸器 (QSVR)。
• 量子神經網路 (QNNs)：透過 EstimatorQNN（輸出可觀測量的期望值）和 SamplerQNN（將位元字串計數轉換為輸出）為神經網路提供通用介面。
• 變分演算法：諸如變分量子分類器 (VQC) 和變分量子回歸器 (VQR) 之類的高層工具，利用特徵映射與 ansatz 自動構建 QNN。
• PyTorch 整合：TorchConnector 允許將 QNN 整合到 PyTorch 工作流中，從而實現自動微分並建立混合量子-經典神經網路。

適用對象

它既適用於希望在沒有深厚量子物理知識的情況下對量子 ML 模型進行原型設計的初學者，也適用於在該領域進行創新概念驗證的研究人員。

亮點

• 混合工作流：與 PyTorch 無縫整合，用於構建混合量子-經典模型。
• 使用者友善的 API：用於快速構建 VQC 和 VQR 模型的高層語法。
• 靈活的框架：同時支援基於核的方法與基於神經網路的方法。
• 可擴展架構：建立在 Qiskit SDK 之上，允許整合新的尖端功能。