انتقل إلى المحتوى الرئيسي

التصنيف الهجين المُعزَّز كمياً باستخدام التجميع (سير عمل استقرار الشبكة)

تقدير الاستخدام: 20 دقيقة من وقت وحدة المعالجة الكمية لكل مهمة على معالج Eagle r3. (ملاحظة: هذا تقدير فحسب. قد يختلف وقت التشغيل الفعلي.)

الخلفية النظرية​

يوضح هذا البرنامج التعليمي سير عملًا هجينًا كميًّا-كلاسيكيًّا يُعزِّز تجميعًا كلاسيكيًّا بخطوة تحسين كمية. باستخدام وظيفة "Singularity Machine Learning – Classification" من Multiverse Computing (وهي دالة Qiskit)، نُدرِّب مجموعة من المتعلمين التقليديين (على سبيل المثال، أشجار القرار، وخوارزمية k-NN، والانحدار اللوجستي)، ثم نُنقِّح هذه المجموعة بطبقة كمية لتحسين التنوع والتعميم. الهدف عملي: في مهمة تنبؤ حقيقية باستقرار الشبكة الكهربائية، نقارن خطًّا أساسيًّا كلاسيكيًّا قويًّا مع بديل مُحسَّن كميًّا وفق تقسيمات البيانات ذاتها، حتى تتمكن من رؤية الحالات التي تُسهم فيها الخطوة الكمية إيجابًا وتكلفتها.

سبب أهمية ذلك: اختيار مجموعة فرعية جيدة من كثير من المتعلمين الضعفاء هو مسألة تحسين تركيبية تنمو بسرعة مع حجم التجميع. تؤدي الأساليب الاستدلالية الكلاسيكية كالتعزيز والتجميع والتكديس أداءً جيدًا عند المقاييس المتوسطة، لكنها قد تُعاني في استكشاف مكتبات ضخمة ومتكررة من النماذج بكفاءة. تدمج الدالة الخوارزميات الكمية - تحديدًا QAOA (واختياريًّا VQE في تكوينات أخرى) - للبحث في ذلك الفضاء بصورة أكثر فاعلية بعد تدريب المتعلمين الكلاسيكيين، مما يزيد من احتمالية إيجاد مجموعة فرعية مدمجة ومتنوعة تُعمِّم بشكل أفضل.

من الناحية الجوهرية، لا يتقيد حجم البيانات بعدد الكيوبتات. يظل الجزء الثقيل المتعلق بالبيانات - المعالجة المسبقة وتدريب مجموعة المتعلمين والتقييم - كلاسيكيًّا وقادرًا على معالجة الملايين من الأمثلة. تحدد الكيوبتات فقط حجم التجميع المستخدم في خطوة الاختيار الكمية. هذا الفصل هو ما يجعل النهج قابلًا للتطبيق على الأجهزة الحالية: تحتفظ بسير عمل scikit-learn المعتادة للبيانات وتدريب النماذج بينما تستدعي الخطوة الكمية عبر واجهة action نظيفة في Qiskit Functions.

في التطبيق العملي، بينما يمكن تزويد التجميع بأنواع مختلفة من المتعلمين (مثل أشجار القرار، والانحدار اللوجستي، أو k-NN)، تميل أشجار القرار إلى الأداء الأفضل. يُفضِّل المحسِّن باستمرار أعضاء التجميع الأقوى - فعند تزويده بمتعلمين غير متجانسين، تُقلَّم النماذج الأضعف كالمنحدرات الخطية لصالح النماذج الأكثر تعبيرًا مثل أشجار القرار.

ما ستفعله هنا: تجهيز مجموعة بيانات استقرار الشبكة الكهربائية وموازنتها؛ وضع خط أساسي كلاسيكي باستخدام AdaBoost؛ تشغيل عدة تكوينات كمية تتباين في عرض التجميع والتنظيم؛ التنفيذ على المحاكيات أو وحدات المعالجة الكمية من IBM® عبر Qiskit Serverless؛ ومقارنة الدقة والضبط والاستدعاء و F1 عبر جميع التشغيلات. على طول الطريق، ستستخدم نمط action الخاص بالدالة (create وfit وpredict وfit_predict وcreate_fit_predict) والضوابط الرئيسية:

  • أنواع التنظيم: onsite (λ) للتشتيت المباشر وalpha للمقايضة النسبية بين حدَّي التفاعل والموقع
  • التنظيم التلقائي: اضبط regularization="auto" مع نسبة اختيار مستهدفة لضبط التشتيت تلقائيًّا
  • خيارات المحسِّن: المحاكي مقابل وحدة المعالجة الكمية، والتكرارات، والمحسِّن الكلاسيكي وخياراته، وعمق النقل، وإعدادات sampler/estimator لبيئة التشغيل

تُظهر المعايير المرجعية في الوثائق أن الدقة تتحسن مع زيادة عدد المتعلمين (الكيوبتات) في المسائل الصعبة، إذ يُضاهي المصنِّف الكمي أو يتجاوز التجميع الكلاسيكي المقارن. في هذا البرنامج التعليمي، ستُعيد إنتاج سير العمل من البداية إلى النهاية وتفحص متى يُعطي زيادة عرض التجميع أو التبديل إلى التنظيم التكيفي قيمة F1 أفضل مع استخدام معقول للموارد. والنتيجة هي رؤية راسخة لكيفية تكامل خطوة التحسين الكمية مع التعلم التجميعي الكلاسيكي في التطبيقات الحقيقية بدلًا من إحلالها محله.

المتطلبات​

قبل البدء بهذا البرنامج التعليمي، تأكد من تثبيت الحزم التالية في بيئة Python الخاصة بك:

  • qiskit[visualization]~=2.1.0
  • qiskit-serverless~=0.24.0
  • qiskit-ibm-runtime v0.40.1
  • qiskit-ibm-catalog~=0.8.0
  • scikit-learn==1.5.2
  • pandas>=2.0.0,<3.0.0
  • imbalanced-learn~=0.12.3

الإعداد​

في هذا القسم، نُهيِّئ عميل Qiskit Serverless ونُحمِّل دالة Singularity Machine Learning – Classification المقدَّمة من Multiverse Computing. مع Qiskit Serverless، يمكنك تشغيل سير عمل هجينة كمية-كلاسيكية على البنية التحتية السحابية المُدارة من IBM دون القلق بشأن إدارة الموارد. ستحتاج إلى مفتاح API لمنصة IBM Quantum واسم موردك السحابي (CRN) للمصادقة والوصول إلى Qiskit Functions.

تنزيل مجموعة البيانات​

لتشغيل هذا البرنامج التعليمي، نستخدم مجموعة بيانات تصنيف استقرار الشبكة الكهربائية المُعالَجة مسبقًا والتي تحتوي على قراءات مستشعرات نظام الطاقة الموسومة. تُنشئ الخلية التالية تلقائيًّا بنية المجلدات المطلوبة وتُنزِّل ملفَّي التدريب والاختبار مباشرةً في بيئتك باستخدام wget. إذا كانت هذه الملفات متاحة لديك محليًّا، فستقوم هذه الخطوة بالكتابة فوقها بأمان لضمان اتساق الإصدارات.

# Added by doQumentation — required packages for this notebook
!pip install -q imbalanced-learn matplotlib numpy pandas qiskit-ibm-catalog qiskit-ibm-runtime scikit-learn
## Download dataset for Grid Stability Classification

# Create data directory if it doesn't exist
!mkdir -p data_tutorial/grid_stability

# Download the training and test sets from the official Qiskit documentation repo
!wget -q --show-progress -O data_tutorial/grid_stability/train.csv \
  https://raw.githubusercontent.com/Qiskit/documentation/main/datasets/tutorials/grid_stability/train.csv

!wget -q --show-progress -O data_tutorial/grid_stability/test.csv \
  https://raw.githubusercontent.com/Qiskit/documentation/main/datasets/tutorials/grid_stability/test.csv

# Check the files have been downloaded
!echo "Dataset files downloaded:"
!ls -lh data_tutorial/grid_stability/*.csv
data_tutorial/grid_ 100%[===================>] 612.94K  --.-KB/s    in 0.01s
data_tutorial/grid_ 100%[===================>] 108.19K  --.-KB/s    in 0.006s
Dataset files downloaded:
-rw-r--r-- 1 coder coder 109K Nov  8 18:50 data_tutorial/grid_stability/test.csv
-rw-r--r-- 1 coder coder 613K Nov  8 18:50 data_tutorial/grid_stability/train.csv

استيراد الحزم المطلوبة​

في هذا القسم، نستورد جميع حزم Python ووحدات Qiskit المستخدمة طوال البرنامج التعليمي. تشمل هذه الحزم المكتبات العلمية الأساسية لمعالجة البيانات وتقييم النماذج - مثل NumPy وpandas وscikit-learn - إلى جانب أدوات التصوير ومكونات Qiskit لتشغيل النموذج المعزَّز كميًّا. نستورد أيضًا QiskitRuntimeService وQiskitFunctionsCatalog للاتصال بخدمات IBM Quantum® والوصول إلى دالة Singularity Machine Learning.

from typing import Tuple
import warnings

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from imblearn.over_sampling import RandomOverSampler
from qiskit_ibm_catalog import QiskitFunctionsCatalog
from qiskit_ibm_runtime import QiskitRuntimeService
from sklearn.ensemble import AdaBoostClassifier
from sklearn.metrics import (
    accuracy_score,
    f1_score,
    precision_score,
    recall_score,
)
from sklearn.model_selection import train_test_split

warnings.filterwarnings("ignore")

تعيين المتغيرات الثابتة​

IBM_TOKEN = ""
IBM_INSTANCE_TEST = ""
IBM_INSTANCE_QUANTUM = ""
FUNCTION_NAME = "multiverse/singularity"
RANDOM_STATE: int = 123
TRAIN_PATH = "data_tutorial/grid_stability/train.csv"
TEST_PATH = "data_tutorial/grid_stability/test.csv"

الاتصال بـ IBM Quantum وتحميل دالة Singularity​

بعد ذلك، نُجري المصادقة مع خدمات IBM Quantum ونُحمِّل دالة Singularity Machine Learning – Classification من Qiskit Functions Catalog. تُنشئ QiskitRuntimeService اتصالًا آمنًا بمنصة IBM Quantum باستخدام رمز API الخاص بك ومعرِّف CRN، مما يتيح الوصول إلى الواجهات الخلفية الكمية. يُستخدَم QiskitFunctionsCatalog بعد ذلك لاسترداد دالة Singularity بالاسم ("multiverse/singularity")، مما يُمكِّننا من استدعائها لاحقًا للحوسبة الهجينة الكمية-الكلاسيكية. إذا نجح الإعداد، ستظهر رسالة تأكيد تُشير إلى تحميل الدالة بصورة صحيحة.

service = QiskitRuntimeService(
    token=IBM_TOKEN,
    channel="ibm_quantum_platform",
    instance=IBM_INSTANCE_QUANTUM,
)

backend = service.least_busy()
catalog = QiskitFunctionsCatalog(
    token=IBM_TOKEN,
    instance=IBM_INSTANCE_TEST,
    channel="ibm_quantum_platform",
)
singularity = catalog.load(FUNCTION_NAME)
print(
    "Successfully connected to IBM Qiskit Serverless and loaded the Singularity function."
)
print("Catalog:", catalog)
print("Singularity function:", singularity)
Successfully connected to IBM Qiskit Serverless and loaded the Singularity function.
Catalog: <QiskitFunctionsCatalog>
Singularity function: QiskitFunction(multiverse/singularity)

تعريف الدوال المساعدة​

قبل تشغيل التجارب الرئيسية، نُعرِّف عددًا قليلًا من الدوال المساعدة الصغيرة التي تُبسِّط تحميل البيانات وتقييم النماذج.

  • تقرأ load_data() ملفات CSV المدخلة إلى مصفوفات NumPy، مُفصِلةً بين السمات والتسميات لتوافقها مع scikit-learn وسير العمل الكمية.
  • تحسب evaluate_predictions() مقاييس الأداء الرئيسية - الدقة الكلية والضبط والاستدعاء ودرجة F1 - وتُبلِّغ اختياريًّا عن وقت التشغيل إذا توفرت معلومات التوقيت.

تُبسِّط هذه الدوال المساعدة العمليات المتكررة لاحقًا في كراسة الملاحظات وتضمن تقارير متسقة للمقاييس عبر المصنِّفات الكلاسيكية والكمية على حدٍّ سواء.

def load_data(data_path: str) -> Tuple[np.ndarray, np.ndarray]:
    """Load data from the given path to X and y arrays."""
    df: pd.DataFrame = pd.read_csv(data_path)
    return df.iloc[:, :-1].values, df.iloc[:, -1].values

def evaluate_predictions(predictions, y_true):
    """Compute and print accuracy, precision, recall, and F1 score."""
    accuracy = accuracy_score(y_true, predictions)
    precision = precision_score(y_true, predictions)
    recall = recall_score(y_true, predictions)
    f1 = f1_score(y_true, predictions)
    print("Accuracy:", accuracy)
    print("Precision:", precision)
    print("Recall:", recall)
    print("F1:", f1)
    return accuracy, precision, recall, f1

الخطوة 1: تعيين المدخلات الكلاسيكية إلى مسألة كمية​

نبدأ بتجهيز مجموعة البيانات للتجريب الهجين الكمي-الكلاسيكي. يهدف هذا القسم إلى تحويل بيانات استقرار الشبكة الكهربائية الخام إلى تقسيمات متوازنة للتدريب والتحقق والاختبار يمكن استخدامها باتساق في سير العمل الكلاسيكية والكمية. يضمن الحفاظ على تقسيمات متطابقة أن مقارنات الأداء اللاحقة عادلة وقابلة للاستنساخ.

تحميل البيانات والمعالجة المسبقة​

نُحمِّل أولًا ملفات CSV للتدريب والاختبار، وننشئ تقسيم تحقق، ونُوازن مجموعة البيانات باستخدام أخذ عينات زائدة عشوائية. تمنع الموازنة التحيز نحو الفئة الأغلب وتوفر إشارة تعلُّم أكثر استقرارًا لكلٍّ من النماذج التجميعية الكلاسيكية والكمية.

# Load and upload the data
X_train, y_train = load_data(TRAIN_PATH)
X_test, y_test = load_data(TEST_PATH)
X_train, X_val, y_train, y_val = train_test_split(
    X_train, y_train, test_size=0.2, random_state=RANDOM_STATE
)

# Balance the dataset through over-sampling of the positive class
ros = RandomOverSampler(random_state=RANDOM_STATE)
X_train_bal, y_train_bal = ros.fit_resample(X_train, y_train)

print("Shapes:")
print("  X_train_bal:", X_train_bal.shape)
print("  y_train_bal:", y_train_bal.shape)
print("  X_val:", X_val.shape)
print("  y_val:", y_val.shape)
print("  X_test:", X_test.shape)
print("  y_test:", y_test.shape)
Shapes:
  X_train_bal: (5104, 12)
  y_train_bal: (5104,)
  X_val: (850, 12)
  y_val: (850,)
  X_test: (750, 12)
  y_test: (750,)

الخط الأساسي الكلاسيكي: مرجع AdaBoost​

قبل تشغيل أي تحسين كمي، ندرِّب خطًّا أساسيًّا كلاسيكيًّا قويًّا - مصنِّف AdaBoost قياسي - على البيانات المتوازنة ذاتها. يوفر ذلك نقطة مرجعية قابلة للاستنساخ للمقارنة لاحقًا، مما يساعد على قياس ما إذا كان التحسين الكمي يُحسِّن التعميم أو الكفاءة بما يتجاوز التجميع الكلاسيكي المضبوط جيدًا.

# ----- Classical baseline: AdaBoost -----
baseline = AdaBoostClassifier(n_estimators=60, random_state=RANDOM_STATE)
baseline.fit(X_train_bal, y_train_bal)
baseline_pred = baseline.predict(X_test)
print("Classical AdaBoost baseline:")
_ = evaluate_predictions(baseline_pred, y_test)
Classical AdaBoost baseline:
Accuracy: 0.7893333333333333
Precision: 1.0
Recall: 0.7893333333333333
F1: 0.8822652757078987

الخطوة 2: تحسين المسألة لتنفيذها على الأجهزة الكمية​

تُصاغ مهمة اختيار التجميع كمسألة تحسين تركيبية حيث يُمثِّل كل متعلِّم ضعيف متغيرًا ثنائيًّا للقرار، ويُوازن الهدف بين الدقة والتشتيت من خلال حد تنظيمي. يحلّ QuantumEnhancedEnsembleClassifier هذه المسألة باستخدام QAOA على أجهزة IBM، مع السماح أيضًا باستكشاف قائم على المحاكي. تتحكم optimizer_options في الحلقة الهجينة: يُوجِّه simulator=False الدوائر إلى وحدة المعالجة الكمية المختارة، بينما يُوسِّع num_solutions نطاق البحث، وتتحكم classical_optimizer_options (للمحسِّن الكلاسيكي الداخلي) في التقارب؛ تُعدُّ القيم حول 60 تكرارًا توازنًا جيدًا بين الجودة ووقت التشغيل. تُساعد خيارات بيئة التشغيل - كعمق دائرة معتدل (reps) وجهد نقل قياسي - على ضمان أداء قوي عبر الأجهزة المختلفة. التكوين أدناه هو ملف تعريف "أفضل النتائج" الذي سنستخدمه في تشغيلات الأجهزة؛ يمكنك أيضًا إنشاء نسخة محاكاة بحتة عن طريق تبديل simulator=True للتشغيل الجاف للسير دون استهلاك وقت وحدة المعالجة الكمية.

# QAOA / runtime configuration for best results on hardware
optimizer_options = {
    "simulator": False,  # set True to test locally without QPU
    "num_solutions": 100_000,  # broaden search over candidate ensembles
    "reps": 3,  # QAOA depth (circuit layers)
    "optimization_level": 3,  # transpilation effort
    "num_transpiler_runs": 30,  # explore multiple layouts
    "classical_optimizer": "COBYLA",  # robust default for this landscape
    "classical_optimizer_options": {
        "maxiter": 60  # practical convergence budget
    },
    # You can pass backend-specific options; leaving None uses least-busy routing
    "estimator_options": None,
    "sampler_options": None,
}

print("Configured hardware optimization profile:")
for key, value in optimizer_options.items():
    print(f"  {key}: {value}")
Configured hardware optimization profile:
  simulator: False
  num_solutions: 100000
  reps: 3
  optimization_level: 3
  num_transpiler_runs: 30
  classical_optimizer: COBYLA
  classical_optimizer_options: {'maxiter': 60}
  estimator_options: None
  sampler_options: None

الخطوة 3: التنفيذ باستخدام Qiskit primitives​

ننفِّذ الآن سير العمل الكامل باستخدام الإجراء create_fit_predict لدالة Singularity لتدريب QuantumEnhancedEnsembleClassifier وتحسينه وتقييمه من البداية إلى النهاية على بنية IBM التحتية. تبني الدالة التجميع وتطبِّق التحسين الكمي عبر Qiskit primitives وتُعيد كلًّا من التنبؤات وبيانات المهمة (بما فيها وقت التشغيل واستخدام الموارد). يُعاد استخدام تقسيم البيانات الكلاسيكية من الخطوة 1 لقابلية الاستنساخ، مع تمرير بيانات التحقق عبر fit_params حتى يتمكن التحسين من ضبط المعاملات الفائقة داخليًّا مع إبقاء مجموعة الاختبار المحجوزة دون مساس.

في هذه الخطوة، نستكشف عدة تكوينات للتجميع الكمي لفهم كيفية تأثير المعاملات الرئيسية - تحديدًا num_learners وregularization - على جودة النتائج واستخدام وحدة المعالجة الكمية.

  • يحدد num_learners عرض التجميع (ومن ثَمَّ ضمنيًّا عدد الكيوبتات)، مما يؤثر على قدرة النموذج وتكلفته الحسابية.
  • يتحكم regularization في التشتيت والإفراط في التخصيص، ويُشكِّل عدد المتعلمين النشطين بعد التحسين.

من خلال تغيير هذين المعاملين، يمكننا رؤية كيفية تفاعل عرض التجميع والتنظيم: يُحسِّن زيادة العرض عادةً قيمة F1 لكنه يكلف وقتًا أطول في وحدة المعالجة الكمية، بينما يمكن للتنظيم الأقوى أو التكيفي تحسين التعميم مع بصمة أجهزة مماثلة تقريبًا. تستعرض الأقسام الفرعية التالية ثلاثة تكوينات تمثيلية لتوضيح هذه التأثيرات.

الخط الأساسي​

يستخدم هذا التكوين num_learners = 10 وregularization = 7.

  • يتحكم num_learners في عرض التجميع — وهو فعليًّا عدد المتعلمين الضعفاء المدمَجين، وعلى الأجهزة الكمية عدد الكيوبتات المطلوبة. تُوسِّع القيمة الأكبر فضاء البحث التركيبي ويمكنها تحسين الدقة والاستدعاء، لكنها تزيد أيضًا من عرض الدائرة ووقت الترجمة والاستخدام الكلي لوحدة المعالجة الكمية.
  • يضبط regularization قوة العقوبة على إدراج متعلمين إضافيين. مع التنظيم الافتراضي "onsite"، تفرض القيم الأعلى تشتيتًا أقوى (يُحتفظ بعدد أقل من المتعلمين)، بينما تسمح القيم الأدنى بتجميعات أكثر تعقيدًا.

يوفر هذا الإعداد خطًّا أساسيًّا منخفض التكلفة، يُظهر كيف يتصرف تجميع صغير قبل توسيع العرض أو ضبط التشتيت.

# Problem scale and regularization
NUM_LEARNERS = 10
REGULARIZATION = 7
# ----- Quantum-enhanced ensemble on IBM hardware -----
print("\n-- Submitting quantum-enhanced ensemble job --")
job_1 = singularity.run(
    action="create_fit_predict",
    name="grid_stability_qeec",
    quantum_classifier="QuantumEnhancedEnsembleClassifier",
    num_learners=NUM_LEARNERS,
    regularization=REGULARIZATION,
    optimizer_options=optimizer_options,  # from Step 2
    backend_name=backend,  # least-busy compatible backend
    instance=IBM_INSTANCE_QUANTUM,
    random_state=RANDOM_STATE,
    X_train=X_train_bal,
    y_train=y_train_bal,
    X_test=X_test,
    fit_params={"validation_data": (X_val, y_val)},
    options={"save": False},
)
result_1 = job_1.result()
print("Action status:", result_1.get("status"))
print("Action message:", result_1.get("message"))
print("Metadata:", result_1.get("metadata"))
qeec_pred_job_1 = np.array(result_1["data"]["predictions"])
_ = evaluate_predictions(qeec_pred_job_1, y_test)
-- Submitting quantum-enhanced ensemble job --
Action status: ok
Action message: Classifier created, fitted, and predicted.
Metadata: {'resource_usage': {'RUNNING: MAPPING': {'CPU_TIME': 267.05158376693726}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 3336.8785166740417}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 152.4274561405182}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 1550.1889700889587}}}
Accuracy: 0.868
Precision: 1.0
Recall: 0.868
F1: 0.9293361884368309
status_1 = job_1.status()
print("\nQuantum job status:", status_1)
Quantum job status: DONE

زيادة عدد المتعلمين​

هنا نزيد num_learners من 10 إلى 30 مع الإبقاء على regularization = 7.

  • يُوسِّع المزيد من المتعلمين فضاء الفرضيات، مما يسمح للنموذج بالتقاط أنماط أكثر دقة، وهو ما يمكن أن يرفع قيمة F1 بشكل معتدل.
  • في معظم الحالات، لا يكون الفارق في وقت التشغيل بين 10 و30 متعلمًا كبيرًا، مما يُشير إلى أن زيادة عرض الدائرة لا تزيد تكلفة التنفيذ زيادةً ملحوظة.
  • لا يزال تحسُّن الجودة يتبع منحنى العوائد المتناقصة: تظهر المكاسب المبكرة مع نمو التجميع، لكنها تتسطح مع إسهام المتعلمين الإضافيين بمعلومات جديدة أقل.

يُبرز هذه التجربة مقايضة الجودة مقابل الكفاءة - قد يُقدِّم زيادة عرض التجميع مكاسب دقة صغيرة دون عقوبة كبيرة في وقت التشغيل، وفقًا للواجهة الخلفية وظروف النقل.

# Problem scale and regularization
NUM_LEARNERS = 30
REGULARIZATION = 7
# ----- Quantum-enhanced ensemble on IBM hardware -----
print("\n-- Submitting quantum-enhanced ensemble job --")
job_2 = singularity.run(
    action="create_fit_predict",
    name="grid_stability_qeec",
    quantum_classifier="QuantumEnhancedEnsembleClassifier",
    num_learners=NUM_LEARNERS,
    regularization=REGULARIZATION,
    optimizer_options=optimizer_options,  # from Step 2
    backend_name=backend,  # least-busy compatible backend
    instance=IBM_INSTANCE_QUANTUM,
    random_state=RANDOM_STATE,
    X_train=X_train_bal,
    y_train=y_train_bal,
    X_test=X_test,
    fit_params={"validation_data": (X_val, y_val)},
    options={"save": False},
)
result_2 = job_2.result()
print("Action status:", result_2.get("status"))
print("Action message:", result_2.get("message"))
print("QPU Time:", result_2.get("metadata"))
qeec_pred_job_2 = np.array(result_2["data"]["predictions"])
_ = evaluate_predictions(qeec_pred_job_2, y_test)
-- Submitting quantum-enhanced ensemble job --
Action status: ok
Action message: Classifier created, fitted, and predicted.
QPU Time: {'resource_usage': {'RUNNING: MAPPING': {'CPU_TIME': 680.2116754055023}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 80.80395102500916}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 154.4466371536255}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 1095.822762966156}}}
Accuracy: 0.8946666666666667
Precision: 1.0
Recall: 0.8946666666666667
F1: 0.944405348346235
status_2 = job_2.status()
print("\nQuantum job status:", status_2)
Quantum job status: DONE

التنظيم​

في هذا التكوين، نزيد إلى num_learners = 60 ونُدخِل التنظيم التكيفي لإدارة التناثر بشكل أكثر سهولةً.

  • مع regularization = "auto"، يجد المُحسِّن تلقائياً قوة تنظيم مناسبة تختار ما يقارب regularization_ratio * num_learners من المُتعلِّمات الضعيفة للتجميع النهائي، بدلاً من ضبط العقوبة يدوياً. يُوفِّر هذا واجهةً أكثر سهولةً لإدارة التوازن بين التناثر وحجم التجميع.
  • يُحدِّد regularization_type = "alpha" كيفية تطبيق العقوبة. على عكس onsite الغير مقيَّد [0, ∞]، يكون alpha مقيَّداً بين [0, 1]، مما يجعل ضبطه وتفسيره أسهل. يتحكم المعامل في المقايضة بين العقوبات الفردية والثنائية، مُقدِّماً نطاق تكوين أكثر سلاسة.
  • تُحدِّد regularization_desired_ratio ≈ 0.82 النسبة المستهدفة من المُتعلِّمات للإبقاء عليها بعد التنظيم — هنا يُحتفظ بحوالي 82% من المُتعلِّمات، مع تقليص أضعف 18% تلقائياً.

بينما يُبسِّط التنظيم التكيفي التكوين ويُساعد في الحفاظ على تجميع متوازن، فإنه لا يضمن بالضرورة أداءً أفضل أو أكثر استقراراً. تعتمد الجودة الفعلية على اختيار معامل تنظيم مناسب، وقد يكون ضبطه الدقيق عبر التحقق المتقاطع مُكلِفاً حسابياً. تكمن الميزة الرئيسية في تحسين قابلية الاستخدام والتفسيرية لا في مكاسب الدقة المباشرة.

# Problem scale and regularization
NUM_LEARNERS = 60
REGULARIZATION = "auto"
REGULARIZATION_TYPE = "alpha"
REGULARIZATION_RATIO = 0.82
# ----- Quantum-enhanced ensemble on IBM hardware -----
print("\n-- Submitting quantum-enhanced ensemble job --")
job_3 = singularity.run(
    action="create_fit_predict",
    name="grid_stability_qeec",
    quantum_classifier="QuantumEnhancedEnsembleClassifier",
    num_learners=NUM_LEARNERS,
    regularization=REGULARIZATION,
    regularization_type=REGULARIZATION_TYPE,
    regularization_desired_ratio=REGULARIZATION_RATIO,
    optimizer_options=optimizer_options,  # from Step 2
    backend_name=backend,  # least-busy compatible backend
    instance=IBM_INSTANCE_QUANTUM,
    random_state=RANDOM_STATE,
    X_train=X_train_bal,
    y_train=y_train_bal,
    X_test=X_test,
    fit_params={"validation_data": (X_val, y_val)},
    options={"save": False},
)
result_3 = job_3.result()
print("Action status:", result_3.get("status"))
print("Action message:", result_3.get("message"))
print("Metadata:", result_3.get("metadata"))
qeec_pred_job_3 = np.array(result_3["data"]["predictions"])
_ = evaluate_predictions(qeec_pred_job_3, y_test)
-- Submitting quantum-enhanced ensemble job --
Action status: ok
Action message: Classifier created, fitted, and predicted.
Metadata: {'resource_usage': {'RUNNING: MAPPING': {'CPU_TIME': 1387.7451872825623}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 95.41597843170166}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 171.78878355026245}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 1146.5584812164307}}}
Accuracy: 0.908
Precision: 1.0
Recall: 0.908
F1: 0.9517819706498952
status_3 = job_3.status()
print("\nQuantum job status:", status_3)
Quantum job status: DONE

الخطوة 4: المعالجة اللاحقة وإعادة النتيجة بالتنسيق الكلاسيكي المطلوب​

نُعالج الآن مخرجات كلٍّ من التشغيلات الكلاسيكية والكمية، مُحوِّلينها إلى تنسيق متسق للتقييم في المراحل اللاحقة. تُقارن هذه الخطوة جودة التنبؤ باستخدام المقاييس القياسية — الدقة والضبط والاستدعاء وF1 — وتُحلِّل كيف يؤثر عرض التجميع (num_learners) والتحكم في التناثر (regularization) على كلٍّ من الأداء والسلوك الحسابي.

يُوفِّر الخط الأساسي الكلاسيكي AdaBoost مرجعاً مُدمَجاً ومستقراً للتعلم على نطاق صغير. يؤدي أداءً جيداً مع التجميعات المحدودة وعبء حسابي ضئيل، مما يعكس قوة التعزيز التقليدي عندما يظل فضاء الفرضيات قابلاً للتحكم. تُوسِّع التكوينات الكمية (qeec_pred_job_1 وqeec_pred_job_2 وqeec_pred_job_3) هذا الخط الأساسي بتضمين عملية اختيار التجميع ضمن حلقة تحسين كمي تغايري. يُتيح ذلك للنظام استكشاف مجموعات فرعية ضخمة من المُتعلِّمات في وقت واحد في حالة تراكب كمي، مما يُعالج الطابع التركيبي لاختيار التجميع بكفاءة أكبر مع التوسع.

تُظهر النتائج أن زيادة num_learners من 10 إلى 30 تُحسِّن الاستدعاء وF1، مؤكِدةً أن التجميع الأوسع يلتقط تفاعلات أثرى بين المُتعلِّمات الضعيفة. المكسب شبه خطي على الأجهزة الحالية — كل مُتعلِّم إضافي يُعطي زيادات أصغر في الدقة — لكن سلوك التوسع الأساسي يبقى مواتياً لأن المُحسِّن الكمي يستطيع البحث في فضاءات تكوين أوسع دون الانفجار الأسي النموذجي لاختيار المجموعة الفرعية الكلاسيكية. يُدخل التنظيم دقةً إضافية: يفرض λ=7 الثابت تناثراً متسقاً ويُثبِّت التقارب، بينما يضبط تنظيم α التكيفي تلقائياً التناثر بناءً على الارتباطات بين المُتعلِّمات. غالباً ما يُحقق هذا التقليص الديناميكي قيمة F1 أعلى قليلاً لنفس عرض البتات الكمية، مُوازِناً بين تعقيد النموذج والتعميم.

عند المقارنة المباشرة مع الخط الأساسي AdaBoost، يُعيد أصغر تكوين كمي (L=10) إنتاج دقة مماثلة، مُتحقِّقاً من صحة خط الأنابيب الهجين. عند العروض الأكبر، تبدأ المتغيرات الكمية — لا سيما مع التنظيم التلقائي — في تجاوز الخط الأساسي الكلاسيكي بشكل معتدل، مُظهِرةً استدعاءً وF1 أفضل دون نمو خطي في التكلفة الحسابية. لا تُشير هذه التحسينات إلى "ميزة كمية" فورية بل إلى كفاءة التوسع: يُحافظ المُحسِّن الكمي على أداء قابل للتحكم مع توسع التجميع، حيث تواجه المقاربة الكلاسيكية نمواً أسياً في تعقيد اختيار المجموعة الفرعية.

في التطبيق العملي:

  • استخدم الخط الأساسي الكلاسيكي للتحقق السريع وقياس الأداء على مجموعات البيانات الصغيرة.
  • طبِّق التجميعات الكمية عندما يتنامى عرض النموذج أو تعقيد الميزات — يتوسع البحث القائم على QAOA بسلاسة أكبر في تلك السيناريوهات.
  • وظِّف تنظيم α التكيفي للحفاظ على التناثر والتعميم دون زيادة عرض الدائرة.
  • راقب وقت QPU والعمق لموازنة مكاسب الجودة مع قيود الأجهزة قريبة المدى.

تُظهر هذه التجارب معاً أن التجميعات المُحسَّنة كمياً تُكمِّل الأساليب الكلاسيكية: تُعيد إنتاج الدقة الأساسية على النطاقات الصغيرة بينما تُوفِّر مساراً نحو توسع فعال على مسائل التعلم التركيبية الأكبر. مع تحسُّن الأجهزة، من المتوقع أن تتضاعف هذه المزايا التوسيعية، مُمتدةً نطاق وعمق النماذج القائمة على التجميع إلى ما هو أبعد مما هو ممكن كلاسيكياً.

تقييم المقاييس لكل تكوين​

نُقيِّم الآن جميع التكوينات — الخط الأساسي الكلاسيكي AdaBoost والتجميعات الكمية الثلاثة — باستخدام المساعد evaluate_predictions لحساب الدقة والضبط والاستدعاء وF1 على نفس مجموعة الاختبار. تُوضِّح هذه المقارنة كيف يتوسع التحسين الكمي قياساً بالمقاربة الكلاسيكية: عند العروض الصغيرة، يؤدي كلاهما بشكل مماثل؛ مع نمو التجميعات، يستطيع الأسلوب الكمي استكشاف فضاءات فرضيات أكبر بكفاءة أعلى. يُلخِّص الجدول الناتج هذه الاتجاهات بشكل كمي متسق.

results = []

# Classical baseline
acc_b, prec_b, rec_b, f1_b = evaluate_predictions(baseline_pred, y_test)
results.append(
    {
        "Config": "AdaBoost (Classical)",
        "Accuracy": acc_b,
        "Precision": prec_b,
        "Recall": rec_b,
        "F1": f1_b,
    }
)

# Quantum runs
for label, preds in [
    ("QEEC L=10, reg=7", qeec_pred_job_1),
    ("QEEC L=30, reg=7", qeec_pred_job_2),
    (f"QEEC L=60, reg=auto (α={REGULARIZATION_RATIO})", qeec_pred_job_3),
]:
    acc, prec, rec, f1 = evaluate_predictions(preds, y_test)
    results.append(
        {
            "Config": label,
            "Accuracy": acc,
            "Precision": prec,
            "Recall": rec,
            "F1": f1,
        }
    )

df_results = pd.DataFrame(results)
df_results
Accuracy: 0.7893333333333333
Precision: 1.0
Recall: 0.7893333333333333
F1: 0.8822652757078987
Accuracy: 0.868
Precision: 1.0
Recall: 0.868
F1: 0.9293361884368309
Accuracy: 0.8946666666666667
Precision: 1.0
Recall: 0.8946666666666667
F1: 0.944405348346235
Accuracy: 0.908
Precision: 1.0
Recall: 0.908
F1: 0.9517819706498952
Config  Accuracy  Precision    Recall        F1
0          AdaBoost (Classical)  0.789333        1.0  0.789333  0.882265
1              QEEC L=10, reg=7  0.868000        1.0  0.868000  0.929336
2              QEEC L=30, reg=7  0.894667        1.0  0.894667  0.944405
3  QEEC L=60, reg=auto (α=0.82)  0.908000        1.0  0.908000  0.951782

يُقارن المخطط الشريطي المجمَّع أدناه الدقة وF1 عبر الخط الأساسي الكلاسيكي والتجميعات الكمية (L=10 وL=30 وL=60 auto-α). يُوضِّح كيف تستقر الدقة بينما تتحسن F1 تدريجياً مع زيادة عرض التجميع الكمي، مُبرهِناً على أن الأسلوب الهجين يُحافظ على توسع الأداء دون النمو الأسي في التكلفة النموذجي لاختيار المجموعة الفرعية الكلاسيكية.

x = np.arange(len(df_results))
width = 0.35
plt.figure(figsize=(7.6, 4.6))
plt.bar(x - width / 2, df_results["Accuracy"], width=width, label="Accuracy")
plt.bar(x + width / 2, df_results["F1"], width=width, label="F1")
plt.xticks(x, df_results["Config"], rotation=10)
plt.ylabel("Score")
plt.title("Classical vs Quantum ensemble performance")
plt.legend()
plt.ylim(0, 1.0)
plt.tight_layout()
plt.show()

Output of the previous code cell

التفسير​

يُؤكِّد المخطط نمط التوسع المتوقع. يُحقِّق AdaBoost الكلاسيكي أداءً قوياً للتجميعات الأصغر، لكن توسعه يزداد تكلفةً مع نمو عدد المُتعلِّمات الضعيفة، إذ تتوسع مسألة اختيار المجموعة الفرعية لديه توسعاً تركيبياً. تُعيد النماذج المُعزَّزة كمياً إنتاج الدقة الكلاسيكية عند العروض المنخفضة وتبدأ في تجاوزها مع تزايد حجم التجميع، لا سيما في ظل تنظيم α التكيفي. يعكس هذا قدرة المُحسِّن الكمي على أخذ عينات من كثير من المجموعات الجزئية المرشحة في وقت واحد وتقييمها عبر التراكب الكمي، مما يُبقي البحث قابلاً للتحكم حتى عند العروض الأعلى. في حين يُعوِّض عبء الأجهزة الحالية بعض المكاسب النظرية، يُوضِّح الاتجاه ميزة كفاءة التوسع في الصياغة الكمية. من الناحية العملية، يبقى الأسلوب الكلاسيكي أفضل خياراً للمعايير الخفيفة، بينما تصبح التجميعات المُعزَّزة كمياً أكثر فائدةً مع توسع أبعاد النموذج وحجم التجميع، مُقدِّمةً مقايضات أفضل بين الدقة والتعميم والنمو الحسابي.

الملحق: فوائد التوسع والتحسينات​

تنشأ ميزة قابلية التوسع في QuantumEnhancedEnsembleClassifier من كيفية تعيين عملية اختيار التجميع على التحسين الكمي. تصبح أساليب تعلم التجميع الكلاسيكية، كـ AdaBoost والغابات العشوائية، باهظة الحساب مع تزايد عدد المُتعلِّمات الضعيفة، لأن اختيار المجموعة الفرعية المثلى هي مسألة تركيبية تتوسع أسياً.

في المقابل، تستطيع الصياغة الكمية — المُنفَّذة هنا عبر خوارزمية التحسين الكمي التقريبي (QAOA) — استكشاف هذه الفضاءات الأسية الضخمة بكفاءة أكبر بتقييم تكوينات متعددة في حالة تراكب كمي. ونتيجةً لذلك، لا يتزايد وقت التدريب بشكل ملحوظ مع عدد المُتعلِّمات، مما يُتيح للنموذج الحفاظ على كفاءته حتى مع توسع عرض التجميع.

في حين تُدخِل الأجهزة الحالية بعض الضوضاء وقيوداً على العمق، يُوضِّح سير العمل هذا نهجاً هجيناً قريب المدى تتعاون فيه المكوِّنات الكلاسيكية والكمية: يُوفِّر المُحسِّن الكمي مشهداً أفضل للتهيئة الأولية للحلقة الكلاسيكية، مُحسِّناً التقارب وجودة النموذج النهائية. مع تطور المعالجات الكمية، من المتوقع أن تمتد فوائد قابلية التوسع هذه إلى مجموعات بيانات أكبر، وتجميعات أوسع، وأعماق دائرة أعمق.

المراجع​

  1. Introduction to Qiskit Functions
  2. Multiverse Computing Singularity Machine Learning

استطلاع البرنامج التعليمي​

يُرجى تخصيص دقيقة لتقديم ملاحظاتك حول هذا البرنامج التعليمي. ستُساعدنا آراؤك في تحسين محتوانا وتجربة المستخدمين.

Link to survey