Singularity Machine Learning - Classification: Uma Qiskit Function da Multiverse Computing

Nota

As Qiskit Functions são um recurso experimental disponível apenas para usuários dos planos IBM Quantum® Premium, Flex e On-Prem (via API da IBM Quantum Platform). Elas estão em status de pré-lançamento e sujeitas a alterações.

Visão geral

Com a função "Singularity Machine Learning - Classification", você pode resolver problemas reais de aprendizado de máquina em hardware quântico sem precisar de expertise em computação quântica. Essa função de aplicação, baseada em métodos de ensemble, é um classificador híbrido. Ela utiliza métodos clássicos como boosting, bagging e stacking para o treinamento inicial do ensemble. Em seguida, algoritmos quânticos como o variational quantum eigensolver (VQE) e o quantum approximate optimization algorithm (QAOA) são empregados para aprimorar a diversidade, as capacidades de generalização e a complexidade geral do ensemble treinado.

Ao contrário de outras soluções de aprendizado de máquina quântico, essa função é capaz de lidar com conjuntos de dados em larga escala, com milhões de exemplos e features, sem ser limitada pelo número de qubits no QPU alvo. O número de qubits apenas determina o tamanho do ensemble que pode ser treinado. Ela também é altamente flexível e pode ser usada para resolver problemas de classificação em uma ampla gama de domínios, incluindo finanças, saúde e segurança cibernética. Ela consegue consistentemente alta precisão em problemas classicamente desafiadores que envolvem conjuntos de dados de alta dimensionalidade, ruidosos e desbalanceados. Como funciona Ela foi construída para:

Engenheiros e cientistas de dados em empresas que buscam aprimorar suas ofertas tecnológicas integrando aprendizado de máquina quântico em seus produtos e serviços,
Pesquisadores em laboratórios de pesquisa quântica que exploram aplicações de aprendizado de máquina quântico e querem aproveitar a computação quântica para tarefas de classificação, e
Estudantes e professores em instituições educacionais em cursos como aprendizado de máquina, que buscam demonstrar as vantagens da computação quântica.

O exemplo a seguir demonstra suas diversas funcionalidades, incluindo create, list, fit e predict, e demonstra seu uso em um problema sintético composto por dois semicírculos entrelaçados, um problema notoriamente desafiador devido à sua fronteira de decisão não linear.

Descrição da função

Essa Qiskit Function permite que os usuários resolvam problemas de classificação binária usando o classificador de ensemble aprimorado quanticamente da Singularity. Por trás dos panos, ela usa uma abordagem híbrida para treinar classicamente um ensemble de classificadores no conjunto de dados rotulado e, em seguida, otimizá-lo para máxima diversidade e generalização usando o Quantum Approximate Optimization Algorithm (QAOA) nos QPUs da IBM®. Por meio de uma interface amigável, os usuários podem configurar um classificador de acordo com seus requisitos, treiná-lo no conjunto de dados de sua escolha e usá-lo para fazer previsões em um conjunto de dados nunca visto anteriormente.

Para resolver um problema genérico de classificação:

Pré-processe o conjunto de dados e divida-o em conjuntos de treinamento e teste. Opcionalmente, você pode dividir ainda mais o conjunto de treinamento em conjuntos de treinamento e validação. Isso pode ser feito usando scikit-learn.
Se o conjunto de treinamento estiver desbalanceado, você pode reamostrar para balancear as classes usando imbalanced-learn.
Faça upload dos conjuntos de treinamento, validação e teste separadamente para o armazenamento da função usando o método file_upload do catálogo, passando o caminho relevante a cada vez.
Inicialize o classificador quântico usando a ação create da função, que aceita hiperparâmetros como o número e os tipos de aprendizes, a regularização (valor lambda) e opções de otimização incluindo o número de camadas, o tipo de otimizador clássico, o backend quântico, entre outros.
Treine o classificador quântico no conjunto de treinamento usando a ação fit da função, passando o conjunto de treinamento rotulado e o conjunto de validação, se aplicável.
Faça previsões no conjunto de teste nunca visto anteriormente usando a ação predict da função.

Abordagem baseada em ações

A função usa uma abordagem baseada em ações. Você pode pensar nela como um ambiente virtual onde você usa ações para realizar tarefas ou alterar seu estado. Atualmente, ela oferece as seguintes ações: list, create, delete, fit, predict, fit_predict e create_fit_predict. O exemplo a seguir demonstra a ação create_fit_predict.

# Added by doQumentation — required packages for this notebook
!pip install -q numpy qiskit-ibm-catalog scikit-learn

# Import QiskitFunctionsCatalog to load the
# "Singularity Machine Learning - Classification" function by Multiverse Computing
from qiskit_ibm_catalog import QiskitFunctionsCatalog

# Import the make_moons and the train_test_split functions from scikit-learn
# to create a synthetic dataset and split it into training and test datasets
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

# authentication
# If you have not previously saved your credentials, follow instructions at
# /docs/guides/functions
# to authenticate with your API key.
catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# load "Singularity Machine Learning - Classification" function by Multiverse Computing
singularity = catalog.load("multiverse/singularity")

# generate the synthetic dataset
X, y = make_moons(n_samples=1000)

# split the data into training and test datasets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

job = singularity.run(
    action="create_fit_predict",
    num_learners=10,
    regularization=0.01,
    optimizer_options={"simulator": True},
    X_train=X_train,
    y_train=y_train,
    X_test=X_test,
    options={"save": False},
)

# get job status and result
status = job.status()
result = job.result()

print("Job status: ", status)
print("Action result status: ", result["status"])
print("Action result message: ", result["message"])
print("Predictions (first five results): ", result["data"]["predictions"][:5])
print(
    "Probabilities (first five results): ",
    result["data"]["probabilities"][:5],
)
print("Usage metadata: ", result["metadata"]["resource_usage"])

Job status:  QUEUED
Action result status:  ok
Action result message:  Classifier created, fitted, and predicted.
Predictions (first five results):  [1, 0, 0, 1, 0]
Probabilities (first five results):  [[0.16849563539001172, 0.8315043646099888], [0.8726393386620336, 0.12736066133796647], [0.795344837290717, 0.20465516270928288], [0.36822585748882725, 0.6317741425111725], [0.6656662698604361, 0.3343337301395641]]
Usage metadata:  {'RUNNING: MAPPING': {'CPU_TIME': 7.945035696029663}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 82.41029238700867}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 77.3459484577179}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 71.27004957199097}}

1. List

A ação list recupera todos os classificadores armazenados no formato *.pkl.tar do diretório de dados compartilhado. Você também pode acessar o conteúdo desse diretório usando o método catalog.files(). Em geral, a ação list pesquisa arquivos com a extensão *.pkl.tar no diretório de dados compartilhado e os retorna em formato de lista.

Entradas

Nome	Tipo	Descrição	Obrigatório
`action`	`str`	O nome da ação, entre `create`, `list`, `fit`, `predict`, `fit_predict`, `create_fit_predict` e `delete`.	Sim

Uso

job = singularity.run(action="list")

2. Create

A ação create cria um classificador do tipo quantum_classifier especificado usando os parâmetros fornecidos e o salva no diretório de dados compartilhado.

nota

A função atualmente suporta apenas o QuantumEnhancedEnsembleClassifier.

Entradas

Nome	Tipo	Descrição	Obrigatório	Padrão
`action`	`str`	O nome da ação, entre `create`, `list`, `fit`, `predict`, `fit_predict`, `create_fit_predict` e `delete`.	Sim	-
`name`	`str`	O nome do classificador quântico, p. ex., `spam_classifier`.	Sim	-
`instance`	`str`	Instância IBM.	Sim	-
`backend_name`	`str`	Recurso de computação IBM. O padrão é `None`, o que significa que o backend com menos jobs pendentes será usado.	Não	`None`
`quantum_classifier`	`str`	O tipo do classificador quântico, ou seja, `QuantumEnhancedEnsembleClassifier`.	Não	`QuantumEnhancedEnsembleClassifier`
`num_learners`	`integer`	O número de aprendizes no ensemble.	Não	`10`
`learners_types`	`list`	Tipos de aprendizes. Entre os tipos suportados estão: `DecisionTreeClassifier`, `GaussianNB`, `KNeighborsClassifier`, `MLPClassifier` e `LogisticRegression`. Mais detalhes sobre cada um podem ser encontrados na documentação do scikit-learn.	Não	`[DecisionTreeClassifier]`
`learners_proportions`	`list`	Proporções de cada tipo de aprendiz no ensemble.	Não	`[1.0]`
`learners_options`	`list`	Opções para cada tipo de aprendiz no ensemble. Para uma lista completa de opções correspondentes ao(s) tipo(s) de aprendiz escolhido(s), consulte a documentação do scikit-learn.	Não	`[{"max_depth": 3, "splitter": "random", "class_weight": None}]`
`regularization_type`	`str` ou `list`	Tipo(s) de regularização a ser(em) usado(s): `onsite` ou `alpha`. `onsite` controla o termo onsite onde valores mais altos levam a ensembles mais esparsos. `alpha` controla a compensação entre os termos de interação e onsite, onde valores mais baixos levam a ensembles mais esparsos. Se uma lista for fornecida, modelos serão treinados para cada tipo e o de melhor desempenho será selecionado.	Não	`onsite`
`regularization`	`str` ou `float` ou `list`	Valor de regularização. Limitado entre `0` e `+inf` se regularization_type for `onsite`. Limitado entre `0` e `1` se regularization_type for `alpha`. Se definido como `auto`, a auto-regularização é usada — o parâmetro de regularização ideal é encontrado por busca binária com a proporção desejada de classificadores selecionados para classificadores totais (`regularization_desired_ratio`) e o limite superior para o parâmetro de regularização (`regularization_upper_bound`). Se uma lista for fornecida, modelos serão treinados para cada valor e o de melhor desempenho será selecionado.	Não	`0.01`
`regularization_desired_ratio`	`float` ou `list`	Proporção(ões) desejada(s) de classificadores selecionados para classificadores totais para auto-regularização. Se uma lista for fornecida, modelos serão treinados para cada proporção e o de melhor desempenho será selecionado.	Não	`0.75`
`regularization_upper_bound`	`float` ou `list`	Limite(s) superior(es) para o parâmetro de regularização ao usar auto-regularização. Se uma lista for fornecida, modelos serão treinados para cada limite superior e o de melhor desempenho será selecionado.	Não	`200`
`weight_update_method`	`str`	Método para atualização dos pesos das amostras, entre `logarithmic` e `quadratic`.	Não	`logarithmic`
`sample_scaling`	`boolean`	Se o escalonamento de amostras deve ser aplicado.	Não	`False`
`prediction_scaling`	`float`	Fator de escalonamento para previsões.	Não	`None`
`optimizer_options`	`dictionary`	Opções do otimizador QAOA. Uma lista de opções disponíveis é apresentada mais adiante nesta documentação.	Não	...
`voting`	`str`	Usar votação por maioria (`hard`) ou média de probabilidades (`soft`) para agregar previsões/probabilidades dos aprendizes.	Não	`hard`
`prob_threshold`	`float`	Limite de probabilidade ideal.	Não	`0.5`
`random_state`	`integer`	Controlar a aleatoriedade para reprodutibilidade.	Não	`None`

Adicionalmente, as optimizer_options estão listadas como segue:

Nome	Tipo	Descrição	Obrigatório	Padrão
`num_solutions`	`integer`	O número de soluções	Não	`1024`
`reps`	`integer`	O número de repetições	Não	`4`
`sparsify`	`float`	O limiar de esparsificação	Não	`0.001`
`theta`	`float`	O valor inicial de theta, um parâmetro variacional do QAOA	Não	`None`
`simulator`	`boolean`	Se deve usar um simulador ou um QPU	Não	`False`
`classical_optimizer`	`str`	Nome do otimizador clássico para o QAOA. Todos os solvers oferecidos pelo SciPy, conforme listados aqui, são utilizáveis. Você precisará configurar `classical_optimizer_options` adequadamente	Não	`COBYLA`
`classical_optimizer_options`	`dictionary`	Opções do otimizador clássico. Para uma lista completa de opções disponíveis, consulte a documentação do SciPy	Não	`{"maxiter": 60}`
`optimization_level`	`integer`	A profundidade do Circuit QAOA	Não	`3`
`num_transpiler_runs`	`integer`	Número de execuções do Transpiler	Não	`30`
`pass_manager_options`	`dictionary`	Opções para geração do gerenciador de passes pré-definido	Não	`{"approximation_degree": 1.0}`
`estimator_options`	`dictionary`	Opções do Estimator. Para uma lista completa de opções disponíveis, consulte a documentação do Qiskit Runtime Client	Não	`None`
`sampler_options`	`dictionary`	Opções do Sampler. Para uma lista completa de opções disponíveis, consulte a documentação do Qiskit Runtime Client	Não	`None`

Os estimator_options padrão são:

Nome	Tipo	Valor
`default_shots`	`integer`	`1024`
`resilience_level`	`integer`	`2`
`twirling`	`dictionary`	`{"enable_gates": True}`
`dynamical_decoupling`	`dictionary`	`{"enable": True}`
`resilience_options`	`dictionary`	`{"zne_mitigation": False, "zne": {"amplifier": "pea", "noise_factors": [1.0, 1.3, 1.6], "extrapolator": ["linear", "polynomial_degree_2", "exponential"],}}`

Os sampler_options padrão são:

Nome	Tipo	Valor
`default_shots`	`integer`	`1024`
`resilience_level`	`integer`	`1`
`twirling`	`dictionary`	`{"enable_gates": True}`
`dynamical_decoupling`	`dictionary`	`{"enable": True}`

Uso

job = singularity.run(
    action="create",
    name="classifier_name",  # specify your custom name for the classifier here
    num_learners=10,
    regularization=0.01,
    optimizer_options={"simulator": True},
)

Validações

name:
- O nome deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Nenhum classificador com o mesmo nome deve já existir no diretório de dados compartilhado.

3. Delete

A ação delete remove um classificador do diretório de dados compartilhado.

Entradas

Nome	Tipo	Descrição	Obrigatório
`action`	`str`	O nome da ação. Deve ser `delete`.	Sim
`name`	`str`	O nome do classificador a ser excluído.	Sim

Uso

job = singularity.run(
    action="delete",
    name="classifier_name",  # specify the name of the classifier to delete here
)

Validações

name:
- O nome deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Um classificador com o mesmo nome já deve existir no diretório de dados compartilhado.

4. Fit

A ação fit treina um classificador usando os dados de treinamento fornecidos.

Entradas

Nome	Tipo	Descrição	Obrigatório
`action`	`str`	O nome da ação. Deve ser `fit`.	Sim
`name`	`str`	O nome do classificador a ser treinado.	Sim
`X`	`array` ou `list` ou `str`	Os dados de treinamento. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`y`	`array` ou `list` ou `str`	Os valores alvo de treinamento. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`fit_params`	`dictionary`	Parâmetros adicionais para passar ao método `fit` do classificador.	Não

fit_params

Nome	Tipo	Descrição	Obrigatório	Padrão
`validation_data`	`tuple`	Os dados de validação e rótulos.	Não	`None`
`pos_label`	`integer` ou `str`	O rótulo de classe a ser mapeado para 1.	Não	`None`
`optimization_data`	`str`	Conjunto de dados para otimizar o ensemble. Pode ser um de: `train`, `validation`, `both`.	Não	`train`

Uso

job = singularity.run(
    action="fit",
    name="classifier_name",  # specify the name of the classifier to train here
    X=X_train,  # or "X_train.npy" if you uploaded it in the shared data directory
    y=y_train,  # or "y_train.npy" if you uploaded it in the shared data directory
    fit_params={},  # define the fit parameters here
)

Validações

name:
- O nome deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Um classificador com o mesmo nome já deve existir no diretório de dados compartilhado.

5. Predict

A ação predict é usada para obter previsões hard e soft (probabilidades).

Entradas

Nome	Tipo	Descrição	Obrigatório
`action`	`str`	O nome da ação. Deve ser `predict`.	Sim
`name`	`str`	O nome do classificador a ser usado.	Sim
`X`	`array` ou `list` ou `str`	Os dados de teste. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`options["out"]`	`str`	O nome do arquivo JSON de saída para salvar as previsões no diretório de dados compartilhado. Se não fornecido, as previsões são retornadas no resultado do job.	Não

Uso

job = singularity.run(
    action="predict",
    name="classifier_name",  # specify the name of the classifier to use here
    X=X_test,  # or "X_test.npy" if you uploaded it to the shared data directory
    options={
        "out": "output.json",
    },
)

Validações

name:
- O nome deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Um classificador com o mesmo nome já deve existir no diretório de dados compartilhado.
options["out"]:
- O nome do arquivo deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Deve ter a extensão .json.

6. Fit-predict

A ação fit_predict treina um classificador usando os dados de treinamento e, em seguida, o usa para obter previsões hard e soft (probabilidades).

Entradas

Nome	Tipo	Descrição	Obrigatório
`action`	`str`	O nome da ação. Deve ser `fit_predict`.	Sim
`name`	`str`	O nome do classificador a ser usado.	Sim
`X_train`	`array` ou `list` ou `str`	Os dados de treinamento. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`y_train`	`array` ou `list` ou `str`	Os valores alvo de treinamento. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`X_test`	`array` ou `list` ou `str`	Os dados de teste. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`fit_params`	`dictionary`	Parâmetros adicionais para passar ao método `fit` do classificador.	Não
`options["out"]`	`str`	O nome do arquivo JSON de saída para salvar as previsões no diretório de dados compartilhado. Se não fornecido, as previsões são retornadas no resultado do job.	Não

Uso

job = singularity.run(
    action="fit_predict",
    name="classifier_name",  # specify the name of the classifier to use here
    X_train=X_train,  # or "X_train.npy" if you uploaded it in the shared data directory
    y_train=y_train,  # or "y_train.npy" if you uploaded it in the shared data directory
    X_test=X_test,  # or "X_test.npy" if you uploaded it in the shared data directory
    fit_params={},  # define the fit parameters here
    options={
        "out": "output.json",
    },
)

Validações

name:
- O nome deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Um classificador com o mesmo nome já deve existir no diretório de dados compartilhado.
options["out"]:
- O nome do arquivo deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Deve ter a extensão .json.

7. Create-fit-predict

A ação create_fit_predict cria um classificador, treina-o usando os dados de treinamento fornecidos e, em seguida, o usa para obter previsões hard e soft (probabilidades).

Entradas

Nome	Tipo	Descrição	Obrigatório
`action`	`str`	O nome da ação, entre `create`, `list`, `fit`, `predict`, `fit_predict`, `create_fit_predict` e `delete`.	Sim
`name`	`str`	O nome do classificador a ser usado.	Sim
`quantum_classifier`	`str`	O tipo do classificador, ou seja, `QuantumEnhancedEnsembleClassifier`. O padrão é `QuantumEnhancedEnsembleClassifier`.	Não
`X_train`	`array` ou `list` ou `str`	Os dados de treinamento. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`y_train`	`array` ou `list` ou `str`	Os valores alvo de treinamento. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`X_test`	`array` ou `list` ou `str`	Os dados de teste. Pode ser um array NumPy, uma lista ou uma string referenciando um nome de arquivo no diretório de dados compartilhado.	Sim
`fit_params`	`dictionary`	Parâmetros adicionais para passar ao método `fit` do classificador.	Não
`options["save"]`	`boolean`	Se deve salvar o classificador treinado no diretório de dados compartilhado. O padrão é `True`.	Não
`options["out"]`	`str`	O nome do arquivo JSON de saída para salvar as previsões no diretório de dados compartilhado. Se não fornecido, as previsões são retornadas no resultado do job.	Não

Uso

job = singularity.run(
    action="create_fit_predict",
    name="classifier_name",  # specify your custom name for the classifier here
    num_learners=10,
    regularization=0.01,
    optimizer_options={"simulator": True},
    X_train=X_train,  # or "X_train.npy" if you uploaded it in the shared data directory
    y_train=y_train,  # or "y_train.npy" if you uploaded it in the shared data directory
    X_test=X_test,  # or "X_test.npy" if you uploaded it in the shared data directory
    fit_params={},  # define the fit parameters here
    options={
        "save": True,
        "out": "output.json",
    },
)

Validações

name:
- Se options["save"] estiver definido como True:
  - O nome deve ser único, uma string de até 64 caracteres.
  - Pode conter apenas caracteres alfanuméricos e underscores.
  - Deve começar com uma letra e não pode terminar com underscore.
  - Nenhum classificador com o mesmo nome deve já existir no diretório de dados compartilhado.
options["out"]:
- O nome do arquivo deve ser único, uma string de até 64 caracteres.
- Pode conter apenas caracteres alfanuméricos e underscores.
- Deve começar com uma letra e não pode terminar com underscore.
- Deve ter a extensão .json.

Primeiros passos

Autentique-se usando sua chave de API da IBM Quantum Platform e selecione a Qiskit Function da seguinte forma:

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

# load function
singularity = catalog.load("multiverse/singularity")

Exemplo

Neste exemplo, você vai usar a função "Singularity Machine Learning - Classification" para classificar um conjunto de dados composto por dois semicírculos entrelaçados em formato de lua. O conjunto de dados é sintético, bidimensional e rotulado com rótulos binários. Ele foi criado para ser desafiador para algoritmos como clustering baseado em centróide e classificação linear. Conjunto de dados moons Ao longo deste processo, você vai aprender como criar o classificador, ajustá-lo aos dados de treinamento, usá-lo para prever nos dados de teste e excluir o classificador quando terminar. Antes de começar, você precisa instalar o scikit-learn. Instale-o usando o seguinte comando:

python3 -m pip install scikit-learn

Execute os seguintes passos:

Crie o conjunto de dados sintético usando a função make_moons do scikit-learn.
Faça upload do conjunto de dados sintético gerado para o diretório de dados compartilhado.
Crie o classificador aprimorado quanticamente usando a ação create.
Liste seus classificadores usando a ação list.
Treine o classificador nos dados de treinamento usando a ação fit.
Use o classificador treinado para prever nos dados de teste usando a ação predict.
Exclua o classificador usando a ação delete.
Limpe ao terminar. Passo 1. Importe os módulos necessários e gere o conjunto de dados sintético, depois divida-o em conjuntos de treinamento e teste.

# import the necessary modules for this example
import os
import tarfile
import numpy as np

# Import the make_moons and the train_test_split functions from scikit-learn
# to create a synthetic dataset and split it into training and test datasets
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split

# generate the synthetic dataset
X, y = make_moons(n_samples=10000)

# split the data into training and test datasets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# print the first 10 samples of the training dataset
print("Features:", X_train[:10, :])
print("Targets:", y_train[:10])

Features: [[-0.99958218  0.02890441]
 [ 0.03285169  0.24578719]
 [ 1.13127903 -0.49134546]
 [ 1.86951286  0.00608971]
 [ 0.20190413  0.97940529]
 [ 0.8831311   0.46912627]
 [-0.10819442  0.99412975]
 [-0.20005727  0.97978421]
 [-0.78775705  0.61598607]
 [ 1.82453236 -0.0658148 ]]
Targets: [0 1 1 1 0 0 0 0 0 1]

Passo 2. Salve os conjuntos de dados de treinamento e teste rotulados no seu disco local e, em seguida, faça upload deles para o diretório de dados compartilhado.

def make_tarfile(file_path, tar_file_name):
    with tarfile.open(tar_file_name, "w") as tar:
        tar.add(file_path, arcname=os.path.basename(file_path))

# save the training and test datasets on your local disk
np.save("X_train.npy", X_train)
np.save("y_train.npy", y_train)
np.save("X_test.npy", X_test)
np.save("y_test.npy", y_test)

# create tar files for the datasets
make_tarfile("X_train.npy", "X_train.npy.tar")
make_tarfile("y_train.npy", "y_train.npy.tar")
make_tarfile("X_test.npy", "X_test.npy.tar")
make_tarfile("y_test.npy", "y_test.npy.tar")

# upload the datasets to the shared data directory
catalog.file_upload("X_train.npy.tar", singularity)
catalog.file_upload("y_train.npy.tar", singularity)
catalog.file_upload("X_test.npy.tar", singularity)
catalog.file_upload("y_test.npy.tar", singularity)

# view/enlist the uploaded files in the shared data directory
print(catalog.files(singularity))

['X_test.npy.tar', 'X_train.npy.tar', 'y_test.npy.tar', 'y_train.npy.tar']

Passo 3. Crie um classificador aprimorado quanticamente usando a ação create.

job = singularity.run(
    action="create",
    name="my_classifier",
    num_learners=10,
    learners_types=[
        "DecisionTreeClassifier",
        "KNeighborsClassifier",
    ],
    learners_proportions=[0.5, 0.5],
    learners_options=[{}, {}],
    regularization=0.01,
    weight_update_method="logarithmic",
    sample_scaling=True,
    optimizer_options={"simulator": True},
    voting="soft",
    prob_threshold=0.5,
)

print(job.result())

{'status': 'ok', 'message': 'Classifier created.', 'data': {}, 'metadata': {'resource_usage': {}}}

# list available classifiers using the list action
job = singularity.run(action="list")

print(job.result())

# you can also find your classifiers in the shared data directory with a *.pkl.tar extension
print(catalog.files(singularity))

{'status': 'ok', 'message': 'Classifiers listed.', 'data': {'classifiers': ['my_classifier']}, 'metadata': {'resource_usage': {}}}
['X_test.npy.tar', 'X_train.npy.tar', 'y_test.npy.tar', 'y_train.npy.tar', 'my_classifier.pkl.tar']

Passo 4. Treine o classificador aprimorado quanticamente usando a ação fit.

job = singularity.run(
    action="fit",
    name="my_classifier",
    X="X_train.npy",  # you do not need to specify the tar extension
    y="y_train.npy",  # you do not need to specify the tar extension
)

print(job.result())

{'status': 'ok', 'message': 'Classifier fitted.', 'data': {}, 'metadata': {'resource_usage': {'RUNNING: MAPPING': {'CPU_TIME': 8.45469617843628}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 69.4949426651001}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 73.01881957054138}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 75.4787163734436}}}}

Passo 5. Obtenha previsões e probabilidades do classificador aprimorado quanticamente usando a ação predict.

job = singularity.run(
    action="predict",
    name="my_classifier",
    X="X_test.npy",  # you do not need to specify the tar extension
)

result = job.result()

print("Action result status: ", result["status"])
print("Action result message: ", result["message"])
print("Predictions (first five results):", result["data"]["predictions"][:5])
print(
    "Probabilities (first five results):", result["data"]["probabilities"][:5]
)

Action result status:  ok
Action result message:  Classifier predicted.
Predictions (first five results): [0, 1, 0, 0, 1]
Probabilities (first five results): [[1.0, 0.0], [0.0, 1.0], [1.0, 0.0], [1.0, 0.0], [0.0, 1.0]]

Passo 6. Exclua o classificador aprimorado quanticamente usando a ação delete.

job = singularity.run(
    action="delete",
    name="my_classifier",
)

# or you can delete from the shared data directory
# catalog.file_delete("my_classifier.pkl.tar", singularity)

print(job.result())

{'status': 'ok', 'message': 'Classifier deleted.', 'data': {}, 'metadata': {'resource_usage': {}}}

Passo 7. Limpe os diretórios de dados locais e compartilhados.

# delete the numpy files from your local disk
os.remove("X_train.npy")
os.remove("y_train.npy")
os.remove("X_test.npy")
os.remove("y_test.npy")

# delete the tar files from your local disk
os.remove("X_train.npy.tar")
os.remove("y_train.npy.tar")
os.remove("X_test.npy.tar")
os.remove("y_test.npy.tar")

# delete the tar files from the shared data
catalog.file_delete("X_train.npy.tar", singularity)
catalog.file_delete("y_train.npy.tar", singularity)
catalog.file_delete("X_test.npy.tar", singularity)
catalog.file_delete("y_test.npy.tar", singularity)

Benchmarks

Esses benchmarks mostram que o classificador pode alcançar precisões extremamente altas em problemas desafiadores. Eles também mostram que aumentar o número de aprendizes no ensemble (número de qubits) pode levar a maior precisão.

"Precisão clássica" refere-se à precisão obtida usando o estado da arte clássico correspondente que, neste caso, é um classificador AdaBoost baseado em um ensemble de tamanho 75. "Precisão quântica", por outro lado, refere-se à precisão obtida usando o "Singularity Machine Learning - Classification".

Problema	Tamanho do Conjunto de Dados	Tamanho do Ensemble	Número de Qubits	Precisão Clássica	Precisão Quântica	Melhoria
Estabilidade de rede	5000 exemplos, 12 features	55	55	76%	91%	15%
Estabilidade de rede	5000 exemplos, 12 features	65	65	76%	92%	16%
Estabilidade de rede	5000 exemplos, 12 features	75	75	76%	94%	18%
Estabilidade de rede	5000 exemplos, 12 features	85	85	76%	94%	18%
Estabilidade de rede	5000 exemplos, 12 features	100	100	76%	95%	19%

À medida que o hardware quântico evolui e escala, as implicações para nosso classificador quântico tornam-se cada vez mais significativas. Embora o número de qubits imponha limitações ao tamanho do ensemble que pode ser utilizado, ele não restringe o volume de dados que pode ser processado. Essa capacidade poderosa permite que o classificador lide eficientemente com conjuntos de dados contendo milhões de pontos de dados e milhares de features. É importante destacar que as restrições relacionadas ao tamanho do ensemble podem ser abordadas por meio da implementação de uma versão em larga escala do classificador. Ao aproveitar uma abordagem de loop externo iterativo, o ensemble pode ser expandido dinamicamente, melhorando a flexibilidade e o desempenho geral. No entanto, vale notar que esse recurso ainda não foi implementado na versão atual do classificador.

Changelog

4 de junho de 2025

Atualização do QuantumEnhancedEnsembleClassifier com as seguintes mudanças:
- Adicionada regularização onsite/alpha. Você pode especificar regularization_type como onsite ou alpha
- Adicionada auto-regularização. Você pode definir regularization como auto para usar a auto-regularização
- Adicionado parâmetro optimization_data ao método fit para escolher os dados de otimização para a otimização quântica. Você pode usar uma dessas opções: train, validation ou both
- Desempenho geral melhorado
Adicionado rastreamento detalhado de status para jobs em execução

20 de maio de 2025

Tratamento de erros padronizado

18 de março de 2025

Atualização do qiskit-serverless para 0.20.0 e imagem base para 0.20.1

14 de fevereiro de 2025

Atualização da imagem base para 0.19.1

6 de fevereiro de 2025

Atualização do qiskit-serverless para 0.19.0 e imagem base para 0.19.0

13 de novembro de 2024

Lançamento do Singularity Machine Learning - Classification

Obter suporte

Para qualquer dúvida, entre em contato com a Multiverse Computing.

Certifique-se de incluir as seguintes informações:

O ID do Job da Qiskit Function (job.job_id)
Uma descrição detalhada do problema
Quaisquer mensagens ou códigos de erro relevantes
Passos para reproduzir o problema

Próximos passos

Recomendações

Visão geral​

Descrição da função​

Abordagem baseada em ações​

1. List​

Entradas​

Uso​

2. Create​

Entradas​

Uso​

Validações​

3. Delete​

Entradas​

Uso​

Validações​

4. Fit​

Entradas​

fit_params​

Uso​

Validações​

5. Predict​

Entradas​

Uso​

Validações​

6. Fit-predict​

Entradas​

Uso​

Validações​

7. Create-fit-predict​

Entradas​

Uso​

Validações​

Primeiros passos​

Exemplo​

Benchmarks​

Changelog​

4 de junho de 2025​

20 de maio de 2025​

18 de março de 2025​

14 de fevereiro de 2025​

6 de fevereiro de 2025​

13 de novembro de 2024​

Obter suporte​

Próximos passos​

Visão geral

Descrição da função

Abordagem baseada em ações

1. List

Entradas

Uso

2. Create

Entradas

Uso

Validações

3. Delete

Entradas

Uso

Validações

4. Fit

Entradas

fit_params

Uso

Validações

5. Predict

Entradas

Uso

Validações

6. Fit-predict

Entradas

Uso

Validações

7. Create-fit-predict

Entradas

Uso

Validações

Primeiros passos

Exemplo

Benchmarks

Changelog

4 de junho de 2025

20 de maio de 2025

18 de março de 2025

14 de fevereiro de 2025

6 de fevereiro de 2025

13 de novembro de 2024

Obter suporte

Próximos passos