Qiskit 机器学习

什么是 Qiskit 机器学习？

Qiskit 机器学习引入了量子核函数和量子神经网络等基础计算模块，这些模块可用于分类、回归等多种应用场景。

该库是 Qiskit 社区生态系统的一部分，该生态系统由基于 Qiskit 软件开发工具包的高级库组成。自 0.7 版本起，Qiskit 机器学习由 IBM 和英国科学技术设施委员会 (STFC) 下属的 哈特里中心 共同维护。

[!注意] 关于库的结构、功能及领域特定应用的详细描述，可在专门的 论文中找到。更多使用说明和 API 详情，请参阅 。

Qiskit 机器学习框架旨在：

• 用户友好，使用户无需具备深厚的量子计算知识即可快速轻松地原型化量子机器学习模型。
• 灵活，为初学者和专家提供工具和功能，以进行量子机器学习的概念验证和创新研究。
• 可扩展，便于集成利用 Qiskit 架构、模式及相关服务的新颖前沿功能。

Qiskit 机器学习的主要特性有哪些？

基于核的方法

FidelityQuantumKernel 类使用 Fidelity 算法。它可为数据集计算核矩阵，并可与量子支持向量分类器 (QSVC) 或量子支持向量回归器 (QSVR) 结合，分别解决分类或回归问题。它也兼容经典的基于核的机器学习算法。

量子神经网络 (QNNs)

Qiskit 机器学习定义了一个通用的神经网络接口，由两个核心（派生）基元实现：

• EstimatorQNN: 利用 Estimator 基元，将参数化的量子电路与量子力学可观测量相结合。输出为该可观测量的期望值。

• SamplerQNN: 利用 Sampler 基元，将比特串计数转换为所需的输出。

为了训练和使用神经网络，Qiskit 机器学习提供了诸如 NeuralNetworkClassifier 和 NeuralNetworkRegressor 等学习算法。最后，在此基础上，变分量子分类器 (VQC) 和变分量子回归器 (VQR) 可以通过一个 特征映射 和一个 试探波函数，使用高层语法自动构建底层的 QNN。

与 PyTorch 的集成

TorchConnector 将 QNNs 与 PyTorch 集成。借助 Qiskit 机器学习中的梯度算法，这包括自动微分。PyTorch 在反向传播过程中计算的总体梯度也会考虑量子神经网络。其灵活的设计还允许构建与其他软件包或加速库的连接器。

安装与文档

我们建议通过 pip 工具（Python 包管理器）来安装 Qiskit 机器学习库。

pip install qiskit-machine-learning

pip 会自动安装所有依赖项，确保您始终使用最新且稳定的版本。

如果您希望使用 Qiskit 机器学习的最新开发版本，无论是为了提前体验尚未正式发布的功能，还是为了参与库的贡献，您可以从源代码进行安装。有关详细步骤及其他信息，请参阅 文档 中的说明。

可选安装

• PyTorch 可以通过命令 pip install 'qiskit-machine-learning[torch]' 进行安装，也可以参考 PyTorch 的 入门指南。安装 PyTorch 后，TorchConnector 可以方便地构建混合量子-经典神经网络。

• Sparse 可以通过命令 pip install 'qiskit-machine-learning[sparse]' 进行安装。Sparse 基于 NumPy 和 scipy.sparse 构建，支持高效的稀疏数组和张量操作。更多详情请参阅 Sparse 的 安装指南。

• 全局优化器需要使用 NLopt。NLopt 可以在 Windows 和 Linux 平台上通过 pip install nlopt 手动安装，或在 macOS 上使用 Homebrew 包管理器运行 brew install nlopt。更多信息请参阅 安装指南。

---

创建您的第一个 Qiskit 机器学习程序

现在 Qiskit 机器学习已经安装完毕，是时候开始使用其机器学习模块了。让我们尝试一个实验，使用 VQC（变分量子分类器）算法对数据集中的样本进行训练和测试，以查看测试集的分类准确率。

from qiskit.circuit.library import n_local, zz_feature_map
from qiskit_machine_learning.optimizers import COBYLA
from qiskit_machine_learning.utils import algorithm_globals

from qiskit_machine_learning.algorithms import VQC
from qiskit_machine_learning.datasets import ad_hoc_data

seed = 1376
algorithm_globals.random_seed = seed

# 使用 ad hoc 数据集作为训练和测试数据
feature_dim = 2  # 每个数据点的维度
training_size = 20
test_size = 10

# 训练特征、训练标签、测试特征、测试标签为 np.ndarray 格式，
# 标签采用 one-hot 编码
training_features, training_labels, test_features, test_labels = ad_hoc_data(
    training_size=training_size, test_size=test_size, n=feature_dim, gap=0.3
)

feature_map = zz_feature_map(feature_dimension=feature_dim, reps=2, entanglement="linear")
ansatz = n_local(feature_map.num_qubits, ["ry", "rz"], "cz", reps=3)
vqc = VQC(
    feature_map=feature_map,
    ansatz=ansatz,
    optimizer=COBYLA(maxiter=100),
)
vqc.fit(training_features, training_labels)

score = vqc.score(test_features, test_labels)
print(f"测试准确率: {score:0.2f}")

更多示例

您可以在文档的 教程 部分找到学习材料。这些笔记本将逐步引导您完成不同的任务，并且可以自由修改，是非常好的入门资源。

另一个学习量子机器学习基础知识的好地方是原始 Qiskit 教材（现已归档）中的 量子机器学习 笔记本。这些笔记本非常适合初学者，帮助他们从零开始学习量子机器学习，并理解 Qiskit 机器学习中各种算法背后的背景和理论。这些笔记本涵盖了参数化电路、数据编码、变分算法等多个主题，最终目标是构建和训练用于监督和无监督学习的量子机器学习模型。这些教材笔记本与本库的教程相辅相成：教程侧重于算法本身，而教材笔记本则更深入地解释量子机器学习背后的量子信息学基础原理。

---

如何参与贡献？

如果您希望为 Qiskit 贡献代码，请查看我们的 贡献指南。本项目遵循 Qiskit 的 行为准则。参与时，请您遵守该准则。

我们使用 GitHub Issues 来跟踪请求和错误。请加入 Qiskit Slack 社区，并在 #qiskit-machine-learning 频道中讨论问题或提出简短疑问。对于更适合论坛的问题，您可以在 Stack Overflow 上使用 Qiskit 标签提问。

如何引用 Qiskit 机器学习？

如果您在工作中使用了 Qiskit 机器学习，请引用“概述”版的 ArXiv 论文，以支持该库的持续发展和知名度。BibTeX 引用格式可在 CITATION.bib 文件中找到。

Qiskit 机器学习的背后团队

Qiskit 机器学习的灵感来源于研究人员和软件工程师的集体努力，由他们共同设计并实现。该库在众多贡献者的帮助下不断发展壮大，这些贡献者来自不同的领域，共同推动着项目的进步。

许可证

本项目采用 Apache License 2.0 许可证。

Qiskit Machine Learning 快速上手指南

Qiskit Machine Learning 是 Qiskit 生态系统的一部分，提供了量子核（Quantum Kernels）和量子神经网络（QNNs）等基础构建模块，用于解决分类和回归问题。本指南将帮助你快速搭建环境并运行第一个量子机器学习程序。

环境准备

在开始之前，请确保你的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux。
• Python 版本：支持 Python 3.8 至 3.12（建议使用最新稳定版）。
• 前置依赖：
  • pip：Python 包管理工具。
  • （可选）PyTorch：若需构建混合量子 - 经典神经网络，建议预先安装 PyTorch。
  • （可选）NLopt：若需使用全局优化器，需在系统层面安装（Linux/Windows 使用 pip install nlopt，macOS 使用 brew install nlopt）。

国内开发者提示：为避免网络延迟导致下载失败，建议在安装时使用国内镜像源（如清华大学或阿里云镜像）。

安装步骤

1. 基础安装

使用 pip 安装最新稳定版本。推荐使用国内镜像加速：

pip install qiskit-machine-learning -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 可选组件安装

如果你需要使用 PyTorch 进行混合模型训练或处理稀疏矩阵，可以安装额外依赖：

• 集成 PyTorch：

  pip install 'qiskit-machine-learning[torch]' -i https://pypi.tuna.tsinghua.edu.cn/simple
  

  (如果上述命令未自动安装 PyTorch，请参考 PyTorch 官网的本地安装指南单独安装)

• 支持稀疏数组 (Sparse)：

  pip install 'qiskit-machine-learning[sparse]' -i https://pypi.tuna.tsinghua.edu.cn/simple
  

基本使用

以下示例演示如何使用 变分量子分类器 (VQC) 对数据集进行训练和测试。该示例使用了库内置的 ad_hoc_data 数据集。

代码示例

from qiskit.circuit.library import n_local, zz_feature_map
from qiskit_machine_learning.optimizers import COBYLA
from qiskit_machine_learning.utils import algorithm_globals

from qiskit_machine_learning.algorithms import VQC
from qiskit_machine_learning.datasets import ad_hoc_data

# 设置随机种子以保证结果可复现
seed = 1376
algorithm_globals.random_seed = seed

# 准备数据：使用 ad_hoc 数据集
feature_dim = 2  # 每个数据点的维度
training_size = 20
test_size = 10

# 获取训练特征、训练标签、测试特征、测试标签 (numpy.ndarray 格式)
# 标签采用独热编码 (one-hot encoding)
training_features, training_labels, test_features, test_labels = ad_hoc_data(
    training_size=training_size, test_size=test_size, n=feature_dim, gap=0.3
)

# 定义特征映射 (Feature Map) 和  Ansatz (变分形式)
feature_map = zz_feature_map(feature_dimension=feature_dim, reps=2, entanglement="linear")
ansatz = n_local(feature_map.num_qubits, ["ry", "rz"], "cz", reps=3)

# 初始化 VQC 模型
vqc = VQC(
    feature_map=feature_map,
    ansatz=ansatz,
    optimizer=COBYLA(maxiter=100), # 使用 COBYLA 优化器，最大迭代 100 次
)

# 训练模型
vqc.fit(training_features, training_labels)

# 评估模型
score = vqc.score(test_features, test_labels)
print(f"Testing accuracy: {score:0.2f}")

下一步

成功运行上述代码后，你可以访问 官方文档教程 获取更多关于量子核方法、量子神经网络以及与 PyTorch 深度集成的进阶示例。