عنوان: شبکه های عصبی کوانتومی متغیر پیوسته
ما یک روش کلی برای ساخت شبکه های عصبی بر روی کامپیوترهای کوانتومی معرفی می کنیم. شبکه عصبی کوانتومی یک مدار کوانتومی متغیر ساخته شده در معماری متغیر پیوسته (CV) است که اطلاعات کوانتومی را در درجات آزادی پیوسته مانند دامنه های میدان الکترومغناطیسی رمزگذاری می کند. این مدار شامل ساختار لایهای از گیتهای پارامتری پیوسته است که برای محاسبات کوانتومی CV جهانی است. تبدیلهای افین و توابع فعالسازی غیرخطی، دو عنصر کلیدی در شبکههای عصبی، در شبکه کوانتومی به ترتیب با استفاده از دروازههای گاوسی و غیر گاوسی اعمال میشوند. دروازه های غیر گاوسی هم غیرخطی بودن و هم جهانی بودن مدل را ارائه می دهند. با توجه به ساختار مدل CV، شبکه عصبی کوانتومی CV می تواند تبدیلات بسیار غیرخطی را رمزگذاری کند در حالی که کاملاً واحد باقی می ماند. ما نشان میدهیم که چگونه یک شبکه کلاسیک میتواند در فرمالیسم کوانتومی تعبیه شود و نسخههای کوانتومی مدلهای تخصصی مختلف مانند شبکههای کانولوشنی، تکراری و باقیمانده را پیشنهاد میکنیم. در نهایت، آزمایشهای مدلسازی متعددی را ارائه میکنیم که با کتابخانه نرمافزار Strawberry Fields ساخته شدهاند. این آزمایشها، از جمله طبقهبندیکننده برای تشخیص تقلب، شبکهای که تصاویر تتریس تولید میکند، و رمزگذار خودکار ترکیبی کلاسیک کوانتومی، توانایی و سازگاری شبکههای عصبی کوانتومی CV را نشان میدهند.
الزامات
برای ساخت و بهینه سازی مدارهای کوانتومی متغیر، این اسکریپت ها و نوت بوک ها از باطن TensorFlow از Strawberry Fields استفاده می کنند. علاوه بر این، matplotlib برای تولید نمودارهای خروجی مورد نیاز است.
با توجه به ارتقاء رابط بعدی، این اسکریپت ها فقط با پیکربندی زیر کار می کنند
Strawberry Fields نسخه 0.10.0
TensorFlow نسخه 1.3
پایتون نسخه 3.5 یا 3.6
نسخه پایتون شما با اجرای python –version قابل بررسی است. نسخه های صحیح StrawberryFields و TensorFlow را می توان با اجرای pip install -r requirement.txt از دایرکتوری اصلی این مخزن نصب کرد.
فهرست
Function fitting: پوشه function_fitting حاوی اسکریپت Python function_fitting.py است که فرآیند برازش توابع کلاسیک را با استفاده از مدارهای کوانتومی متغیر پیوسته (CV) خودکار می کند. به سادگی تابعی را که میخواهید به همراه سایر فراپارامترها مطابقت دهید مشخص کنید و این اسکریپت به طور خودکار شبکه عصبی کوانتومی CV را ساخته و بهینه میکند. علاوه بر این، داده های آموزشی نیز ارائه شده است.
رمزگذار خودکار کوانتومی
تشخیص تقلب کوانتومی: پوشه fraud_detection حاوی اسکریپت پایتون fraud_detection.py است که یک مدل کلاسیک/کوانتومی ترکیبی برای تشخیص تقلب میسازد و آموزش میدهد. اسکریپت های اضافی برای تجسم نتایج ارائه شده است.
یادگیری Tetrominos
پوشه tetrominos_learning حاوی اسکریپت پایتون tetrominos_learning.py است که یک شبکه عصبی کوانتومی با متغیر پیوسته (CV) را آموزش میدهد. وظیفه شبکه کدگذاری 7 تصویر مختلف 4X4 است که نشان دهنده تترامینوهای (L,O,T,I,S,J,Z) در توزیع عدد فوتون در دو حالت نوری است. پس از اتمام مرحله آموزش، اسکریپت plot_images.py را می توان اجرا کرد تا یک شکل .png که نتایج نهایی را نشان می دهد تولید شود.
استفاده از اسکریپت ها
برای استفاده از اسکریپت ها، به سادگی داده های ورودی، داده های خروجی و هایپرپارامترها را با تغییر مستقیم اسکریپت ها تنظیم کنید – و سپس وارد زیر شاخه شده و اسکریپت را با استفاده از Python 3 اجرا کنید:
python3 script_name.py
خروجی های شبیه سازی ها در زیر شاخه ذخیره می شوند.
برای دسترسی به هر داده ذخیره شده، فایل را می توان با استفاده از NumPy بارگیری کرد:
results = np.load('simulation_results.npz')
این پروژه شامل مقاله اصلی (2018) و فایل شبیه سازی است.
پروژه مشابه دارید؟
برای ثبت سفارش در سیمیا می توانید از طریق اپلیکیشن سیمیا، یا فرم ثبت سفارش در سایت اقدام کرده و یا از طریق ایمیل، واتساپ، تلگرام و اینستاگرام اقدام نمایید.
اپلیکیشن سیمیا را از بازار و مایکت دانلود کنید.
سریع ترین راه پاسخگویی سیمیا، واتساپ می باشد. لینک واتساپ، اینستاگرام و تلگرام در پایین سایت وجود دارد.
نشانی ایمیل سیمیا simiya_ht@yahoo.com می باشد.
از برقراری تماس برای هماهنگی پروژه خودداری کنید، حجم بالای سفارشات به ما اجازه نمی دهد تا از طریق تلفن پاسخگوی شما عزیزان باشیم، حتما درخواست خود را به صورت مکتوب و از طریق یکی از راه های ذکر شده فوق ارسال نمایید، درخواست خود را به طور کامل و با تمام فایل ها و توضیحات لازم ارسال نمایید تا مدت زمان بررسی آن به حداقل برسد. پس از تعیین کارشناس، در اسرع وقت به شما پاسخ می دهیم.
نقد و بررسیها
هیچ دیدگاهی برای این محصول نوشته نشده است.