TensorFlow Quantum ရှိ ကွမ်တမ်စက် သင်ယူမှုပုံစံများကို လေ့ကျင့်ရာတွင် ပါရာမီတာ ပြောင်းလဲမှု ကွဲပြားမှုကို မည်သို့ လွယ်ကူချောမွေ့စေသနည်း။

by EITCA အကယ်ဒမီ / အင်္ဂါနေ့၊ ဇွန် ၁၀ ရက် / Published in ပြည်တွင်းသတင်း ဉာဏ်ရည်တု, EITC/AI/TFQML TensorFlow Quantum Machine Learning, လက်တွေ့ TensorFlow Quantum - binary Classifier, Tensorflow Quantum ကိုရိုးရှင်းသောကွမ်တမ် binary ခွဲခြားရန်အသုံးပြုသည်, စာမေးပွဲသုံးသပ်ချက်

parameter shift differentiator သည် အထူးသဖြင့် TensorFlow Quantum (TFQ) မူဘောင်အတွင်း ကွမ်တမ် စက်သင်ယူမှု မော်ဒယ်များကို လေ့ကျင့်ရာတွင် လွယ်ကူချောမွေ့စေရန် အသုံးပြုသည့် နည်းပညာတစ်ခုဖြစ်သည်။ ဤနည်းလမ်းသည် ကွမ်တမ်စက်သင်ယူမှုမော်ဒယ်များအပါအဝင် စက်သင်ယူမှုလုပ်ငန်းစဉ်များ၏ အခြေခံအုတ်မြစ်ဖြစ်သည့် gradient-based optimization ကိုဖွင့်ရန်အတွက် အရေးကြီးပါသည်။

Parameter Shift Differentiator ကို နားလည်ခြင်း။

ပါရာမီတာပြောင်းခြင်းစည်းမျဉ်းသည် ကွမ်တမ်ပတ်လမ်းအတွင်းရှိ ပါရာမီတာတစ်ခုနှင့်စပ်လျဉ်း၍ ကွမ်တမ်မျှော်လင့်ချက်တန်ဖိုး၏ gradient ကိုတွက်ချက်သည့်နည်းစနစ်တစ်ခုဖြစ်သည်။ ၎င်းသည် မော်ဒယ်ပါရာမီတာများနှင့်စပ်လျဉ်း၍ ဆုံးရှုံးမှုလုပ်ဆောင်မှု၏ gradient များကို တွက်ချက်ရန်လိုအပ်သည့် gradient-based optimization နည်းလမ်းများကို အသုံးပြု၍ ကွမ်တမ်မော်ဒယ်များကို လေ့ကျင့်ရန်အတွက် မရှိမဖြစ်လိုအပ်ပါသည်။

classical machine learning တွင် TensorFlow သို့မဟုတ် PyTorch မှပံ့ပိုးပေးသော အလိုအလျောက်ကွဲပြားသည့်ကိရိယာများကို ဤ gradients များကို ထိရောက်စွာတွက်ချက်ရန်အတွက် အသုံးပြုနိုင်သည်။ သို့သော်၊ ကွမ်တမ်ဒိုမိန်းတွင်၊ ကွမ်တမ်လုပ်ဆောင်မှုနှင့် တိုင်းတာမှုသဘောသဘာဝသည် မတူညီသောချဉ်းကပ်မှုတစ်ခု လိုအပ်သည်။ parameter shift rule သည် ကွမ်တမ်ဆားကစ်များ၏ တည်ဆောက်ပုံကို အသုံးချခြင်းဖြင့် ဤ gradient များကို ခွဲခြမ်းစိတ်ဖြာတွက်ချက်ရန် နည်းလမ်းကို ပံ့ပိုးပေးပါသည်။

သင်္ချာမဏ္ဍိုင်

ကန့်သတ်ဘောင်များအလိုက် ကန့်သတ်ထားသော ကွမ်တမ်ပတ်လမ်းတစ်ခုကို သုံးသပ်ကြည့်ပါ။ $\theta = (\theta_1၊ \theta_2၊ \ldots၊ \theta_n)$ . circuit ၏ output သည် quantum state ဖြစ်သည်။ $|\psi(\theta)\rangle$ ရည်ရွယ်ချက်မှာ မြင်နိုင်သော အရာတစ်ခု၏ မျှော်လင့်ချက်တန်ဖိုးကို တွက်ချက်ရန်ဖြစ်သည်။ $O$ ဤပြည်နယ်နှင့်စပ်လျဉ်း၍ ပေးအပ်သော၊

$\langle O \rangle(\theta) = \langle \psi(\theta) | အို | \psi(\theta) \rangle$

ဤမျှော်လင့်ချက်တန်ဖိုးကို ပိုမိုကောင်းမွန်အောင်ပြုလုပ်ရန်၊ ကျွန်ုပ်တို့သည် gradient လိုအပ်ပါသည်။ $\nabla_{\theta} \langle O \rangle(\theta)$ . အတိုင်းအတာတစ်ခုအတွက် $\theta_i$ ၊ ဘောင်ပြောင်းခြင်းစည်းမျဉ်းတွင် gradient ကို အောက်ပါအတိုင်း တွက်ချက်နိုင်သည်ဟု ဖော်ပြထားသည်။

$\frac{\partial \langle O \rangle(\theta)}{\partial \theta_i} = \frac{1}{2} \left(\langle O \rangle(\theta + \frac{\pi} {2} e_i) - \langle O \rangle(\theta - \frac{\pi}{2} e_i) \right)$

ဘယ်မှာ $e_i$ ဦးတည်ချက်မှာ ယူနစ် vector ဖြစ်ပါတယ်။ $\theta_i$ . ဤဖော်မြူလာသည် အဓိကအားဖြင့် parameter ကိုပြောင်းသည်။ $\theta_i$ by $\pm \pi/2$ 1/2 ကိန်းဂဏန်းဖြင့် အတိုင်းအတာဖြင့် မျှော်မှန်းတန်ဖိုးများ ကွာခြားချက်ကို တွက်ချက်သည်။

TensorFlow Quantum တွင် အကောင်အထည်ဖော်ခြင်း။

TensorFlow Quantum သည် ၎င်း၏အဆင့်မြင့် APIs များကို အသုံးပြု၍ ကွမ်တမ်မော်ဒယ်များ၏ လေ့ကျင့်မှုကို ဖွင့်ရန်အတွက် ကန့်သတ်ပြောင်းလဲမှုစည်းမျဉ်းကို ပေါင်းစပ်ထားသည်။ ကွမ်တမ်မော်ဒယ်ကို TFQ တွင် သတ်မှတ်သောအခါ၊ ၎င်းတွင် ပုံမှန်အားဖြင့် ကန့်သတ်ထားသော ကွမ်တမ်ပတ်လမ်းနှင့် ဂန္တဝင်လွန်လုပ်ဆောင်မှုအလွှာတို့ ပါဝင်ပါသည်။ လေ့ကျင့်ရေးလုပ်ငန်းစဉ်တွင် အောက်ပါအဆင့်များ ပါဝင်ပါသည်။

1. Circuit အဓိပ္ပါယ်: ထို့နောက် TensorFlow Quantum ဆားကစ်အဖြစ်သို့ ပြောင်းလဲသည့် Cirq ကို အသုံးပြု၍ ကန့်သတ်ထားသော ကွမ်တမ်ပတ်လမ်းကို သတ်မှတ်ပါ။
2. မျှော်မှန်းတွက်ချက်မှု: ကွမ်တမ်ပတ်လမ်း၏ အထွက်အခြေအနေနှင့်စပ်လျဉ်း၍ မြင်နိုင်သောမျှော်လင့်ချက်တန်ဖိုးကို တွက်ချက်ပါ။
3. Gradient တွက်ချက်ခြင်း။: circuit parameters များနှင့်စပ်လျဉ်း၍ မျှော်လင့်တန်ဖိုး၏ gradients များကိုတွက်ချက်ရန် parameter shift rule ကိုသုံးပါ။
4. optimization: ကွမ်တမ်ပတ်လမ်း၏ ဘောင်များကို အပ်ဒိတ်လုပ်ရန် gradient-based optimization algorithm ကိုသုံးပါ။

ဥပမာ- Quantum Binary Classifier

TensorFlow Quantum တွင် အကောင်အထည်ဖော်ထားသော ရိုးရှင်းသော ကွမ်တမ် ဒွိအမျိုးအစားခွဲခြားမှုကို သုံးသပ်ကြည့်ပါ။ အမျိုးအစားခွဲခြားသတ်မှတ်မှုသည် ကွမ်တမ်ပြည်နယ်များတွင် ကုဒ်ဝှက်ထားသော ဒေတာအမျိုးအစားနှစ်ခုကြားကို ပိုင်းခြားရန် ဒီဇိုင်းထုတ်ထားသည်။ parameter shift differentiator ကို အသုံးပြု၍ ဤအမျိုးအစားခွဲခြားမှုကို အကောင်အထည်ဖော်ရန်နှင့် လေ့ကျင့်ရန် အဆင့်များမှာ အောက်ပါအတိုင်းဖြစ်သည်-

အဆင့် 1- Quantum Circuit ကို သတ်မှတ်ပါ။

{{EJS3}}အဆင့် 2- Quantum Model ဖန်တီးပါ။

{{EJS4}}အဆင့် 3: မော်ဒယ်ကို စုစည်းပြီး လေ့ကျင့်ပါ။

python
# Compile the model with a binary cross-entropy loss and an optimizer
model.compile(optimizer=tf.keras.optimizers.Adam(learning_rate=0.01),
              loss='binary_crossentropy',
              metrics=['accuracy'])

# Generate some training data (for illustration purposes)
x_train = tfq.convert_to_tensor([circuit])
y_train = tf.convert_to_tensor([[1]])

# Train the model
model.fit(x_train, y_train, epochs=10)
ဤဥပမာတွင်၊ ပါရာမီတာနှင့်စပ်လျဉ်း၍ ဆုံးရှုံးမှုလုပ်ဆောင်မှု၏ gradients များကို တွက်ချက်ရန်အတွက် parameter shift rule ကို TensorFlow Quantum မှ အတွင်းပိုင်း၌ အသုံးပြုပါသည်။  ကွမ်တမ်ပတ်လမ်း၌။ ၎င်းသည် ပါရာမီတာကို အပ်ဒိတ်လုပ်ရန် ပိုမိုကောင်းမွန်အောင်ပြုလုပ်သူအား ခွင့်ပြုပေးသည်။  လေ့ကျင့်ရေးလုပ်ငန်းစဉ်အတွင်း၊ နောက်ဆုံးတွင် ကွမ်တမ် ဒွိအမျိုးအစားခွဲခြားမှု၏စွမ်းဆောင်ရည်ကို မြှင့်တင်ပေးသည်။
Parameter Shift Differentiator ၏ အားသာချက်များ
ကန့်သတ်ပြောင်းလဲမှုစည်းမျဉ်းသည် လေ့ကျင့်ရေးကွမ်တမ်စက်သင်ယူမှုမော်ဒယ်များအတွက် အားသာချက်များစွာကို ပေးဆောင်သည်-
1. သရုပ်ခွဲပုံများ: ၎င်းသည် အမှားအယွင်းများ နှင့် ထိရောက်မှု မရှိနိုင်သောကြောင့် ကိန်းဂဏာန်းပိုင်းခြားနားမှု လိုအပ်မှုကို ရှောင်ရှားရန် တိကျသော ခွဲခြမ်းစိတ်ဖြာမှုနည်းလမ်းကို ပံ့ပိုးပေးပါသည်။
 2. Quantum Hardware နှင့် လိုက်ဖက်သည်။- ကန့်သတ်ဘောင်ပြောင်းခြင်းစည်းမျဉ်းသည် ပြောင်းလဲထားသော ပါရာမီတာတန်ဖိုးများတွင် မျှော်လင့်ချက်တန်ဖိုးများကိုသာ တိုင်းတာနိုင်သောကြောင့် ၎င်းသည် လက်ရှိ ကွမ်တမ် ဟာ့ဒ်ဝဲနှင့် သဟဇာတဖြစ်သည်။
 3. Classical Frameworks နှင့် ပေါင်းစပ်ခြင်း။: ၎င်းသည် TensorFlow ကဲ့သို့ ဂန္တဝင်စက်သင်ယူမှုဘောင်များနှင့် ချောမွေ့စွာပေါင်းစည်းနိုင်စေကာ ဟိုက်ဘရစ်ကွမ်တမ်-ဂန္ထဝင်မော်ဒယ်များကို အသုံးပြုကာ လက်ရှိစက်သင်ယူမှုအခြေခံအဆောက်အအုံကို အသုံးချကာ ပေါင်းစပ်ခွင့်ပြုသည်။
စိန်ခေါ်မှုများနှင့် ထည့်သွင်းစဉ်းစားမှုများ
၎င်း၏အားသာချက်များရှိသော်လည်း၊ လေ့ကျင့်ရေးကွမ်တမ်မော်ဒယ်များအတွက် ကန့်သတ်ချက်ပြောင်းလဲမှုစည်းမျဉ်းကို အသုံးပြုသည့်အခါ စိန်ခေါ်မှုအချို့နှင့် ထည့်သွင်းစဉ်းစားမှုများရှိပါသည်-
1. အရင်းအမြစ် ပြင်းထန်မှု: ပါရာမီတာပြောင်းခြင်းစည်းမျဉ်းသည် တစ်ခုတည်းသော gradient တစ်ခုကိုတွက်ချက်ရန် ကွမ်တမ်ဆားကစ်၏ အများအပြားအကဲဖြတ်မှုများစွာလိုအပ်သည်၊ အထူးသဖြင့် ကွမ်တမ်ဆားကစ်ကြီးများအတွက် အရင်းအမြစ်-အလေးအနက်ထားနိုင်သည့် gradient တစ်ခုတည်းကိုတွက်ချက်ရန် လိုအပ်သည်။
 2. Noise Sensitivity: ကွမ်တမ် ဟာ့ဒ်ဝဲသည် လောလောဆယ်တွင် ဆူညံနေပြီး၊ ကန့်သတ်ချက်ပြောင်းမှုစည်းမျဉ်းကို အသုံးပြု၍ တွက်ချက်ထားသော gradient များ၏ တိကျမှုသည် ကွမ်တမ်တိုင်းတာမှုများတွင် ဆူညံသံကြောင့် ထိခိုက်နိုင်သည်။
 3. အပေါ်တွင်ကျွမ်းကျင်ပိုင်နိုင်မှု: ကွမ်တမ်ဆားကစ်ရှိ ကန့်သတ်ချက်များ အရေအတွက် တိုးလာသည်နှင့်အမျှ လိုအပ်သော ပတ်လမ်းအကဲဖြတ်မှု အရေအတွက် တိုးလာကာ ချဉ်းကပ်မှု၏ ချဲ့ထွင်နိုင်မှုကို သက်ရောက်မှုရှိနိုင်သည်။
ကောက်ချက်
parameter shift differentiator သည် TensorFlow Quantum framework အတွင်း ကွမ်တမ် စက်သင်ယူမှု မော်ဒယ်များကို လေ့ကျင့်သင်ကြားနိုင်စေသည့် အစွမ်းထက်သော နည်းပညာတစ်ခု ဖြစ်သည်။ ကွန်ပြူတာ gradients များအတွက် ခွဲခြမ်းစိတ်ဖြာနည်းကို ပံ့ပိုးပေးခြင်းဖြင့်၊ ၎င်းသည် ရှုပ်ထွေးသော မော်ဒယ်များကို လေ့ကျင့်ရန်အတွက် မရှိမဖြစ်လိုအပ်သော gradient-based optimization algorithms များကို အသုံးပြုရာတွင် အဆင်ပြေချောမွေ့စေပါသည်။ အရင်းအမြစ် ပြင်းထန်မှု၊ ဆူညံသံ အာရုံခံနိုင်စွမ်းနှင့် အရွယ်အစား ချဲ့ထွင်နိုင်မှုတို့နှင့် ဆက်စပ်သည့် စိန်ခေါ်မှုများ ရှိနေသော်လည်း၊ ကန့်သတ်ချက် စည်းမျဉ်းသည် ကွမ်တမ် စက်သင်ယူမှုနယ်ပယ်ကို မြှင့်တင်ရန်နှင့် ရှေးရိုးစက် သင်ယူမှု အခြေခံအဆောက်အအုံနှင့် ကွမ်တမ်မော်ဒယ်များကို ပေါင်းစည်းရန်အတွက် အရေးကြီးသော ကိရိယာတစ်ခုအဖြစ် ရှိနေပါသည်။
အခြား လတ်တလောမေးခွန်းများနှင့် အဖြေများ EITC/AI/TFQML TensorFlow Quantum Machine Learning:
ရှေးရိုးနှင့် ကွမ်တမ် အာရုံကြောကွန်ရက်များကြား အဓိက ကွာခြားချက်များကား အဘယ်နည်း။
ကွမ်တမ် ထိပ်တန်းအောင်မြင်မှုတွင် မည်သည့်ပြဿနာကို အတိအကျဖြေရှင်းခဲ့သနည်း။
Quantum Supremacy အောင်မြင်မှုရဲ့ အကျိုးဆက်တွေက ဘာတွေလဲ။
အထူးသဖြင့် VQE ၏အခြေအနေတွင် Rotosolve algorithm ကိုအသုံးပြုခြင်း၏ အားသာချက်များမှာ SPSA ကဲ့သို့ အခြားသော optimization method များထက်၊
Rotosolve algorithm သည် VQE ရှိ ဘောင်များ ( θ ) ကို မည်သို့ optimize လုပ်သနည်း၊ ဤ optimization လုပ်ငန်းစဉ်တွင် အဓိကကျသော အဆင့်များကား အဘယ်နည်း။
VQE တွင် parameterized rotation gates ( U(θ) ) ၏ အဓိပ္ပါယ်မှာ အဘယ်နည်း၊ ၎င်းတို့ကို trigonometric functions များနှင့် generator များ၏ သတ်မှတ်ချက်များတွင် မည်သို့ဖော်ပြသနည်း။
(ρ) ဖြင့် ဖော်ပြထားသော ကွမ်တမ်အခြေအနေရှိ အော်ပရေတာတစ်ခု၏ မျှော်လင့်ချက်တန်ဖိုးကို မည်သို့တွက်ချက်သနည်း၊ ဤဖော်မြူလာသည် အဘယ်ကြောင့် VQE အတွက် အရေးကြီးသနည်း။
ကွမ်တမ်ပြည်နယ်များ၏ အခြေအနေတွင် density matrix ( ρ ) ၏ အခန်းကဏ္ဍက အဘယ်နည်း၊ စင်စစ်နှင့် ရောနှောထားသော ပြည်နယ်များအတွက် မည်သို့ကွာခြားသနည်း။
TensorFlow Quantum ရှိ two-quit Hamiltonian အတွက် ကွမ်တမ်ပတ်လမ်းကို တည်ဆောက်ရာတွင် ပါဝင်သော အဓိကကျသော ခြေလှမ်းများကား အဘယ်နည်း၊ ဤအဆင့်များသည် ကွမ်တမ်စနစ်၏ တိကျသော သရုပ်ဖော်မှုကို မည်သို့သေချာစေသနည်း။
မတူညီသော Pauli ဝေါဟာရများအတွက် တိုင်းတာမှုများကို Z အခြေခံအဖြစ် မည်သို့ပြောင်းလဲသနည်း၊ VQE ၏အခြေအနေတွင် ဤပြောင်းလဲမှုသည် အဘယ်ကြောင့် လိုအပ်သနည်း။
EITC/AI/TFQML TensorFlow Quantum Machine Learning တွင် နောက်ထပ်မေးခွန်းများနှင့် အဖြေများကို ကြည့်ပါ။
နောက်ထပ်မေးခွန်းများနှင့် အဖြေများ-
field: ဉာဏ်ရည်တု
ပရိုဂရမျ: EITC/AI/TFQML TensorFlow Quantum Machine Learning (လက်မှတ်အစီအစဉ်ကိုသွားပါ။)
သင်ခန်းစာကို: လက်တွေ့ TensorFlow Quantum - binary Classifier
Topic: Tensorflow Quantum ကိုရိုးရှင်းသောကွမ်တမ် binary ခွဲခြားရန်အသုံးပြုသည် (သက်ဆိုင်ရာ အကြောင်းအရာကို သွားပါ။)
စာမေးပွဲသုံးသပ်ချက်

အောက်တွင် tag လုပ်ခဲ့သည် ဉာဏ်ရည်တု, GradientDescent, ParameterShiftRule, QuantumComputing, QuantumMachineLearning, TensorFlowQuantum

EITCA အကယ်ဒမီ

Parameter Shift Differentiator ကို နားလည်ခြင်း။