IBM發布量子電腦開源框架Qiskit的機器學習模組,這個新的應用模組在Qiskit基礎上,加入了基礎運算建置模塊,像是量子核心(Quantum Kernels)和量子神經網路(Quantum Neural Networks),供用戶即便沒有專業量子運算知識,也可以快速建立機器學習模型雛形。

隨著機器學習的發展,該技術已經深入商業、科學和私人領域,機器學習的主要目標,是訓練電腦使其能夠理解日益龐大的資料,不過,底層的深度神經網路模型,也變得越來越複雜,訓練成本也更加高昂,IBM表示,訓練複雜模型需要耗費很長的時間,而且還會有過適(Overfitting)的風險存在,導致通用性不足,也就是說,模型必須要有意義地理解資料,而非只是記住看過的內容。

量子運算提供另一個途徑來增加機器學習的能力,量子機器學習(QML)提出了新型模型,藉由量子電腦特殊的功能,像是可在高維度特徵空間中處理資料,藉以提高模型的精確性。現在IBM發布Qiskit機器學習,透過結合量子運算以及機器學習技術,來擴展機器學習應用。

Qiskit機器學習是一個建立在Qiskit現有功能上的應用模組,Qiskit是一個量子電腦開源框架,其提供了用來創建和操作量子應用程式的工具,使量子程式可以在IBM的量子設備,或是本地端模擬器上運作,由於Qiskit遵循通用量子運算的電路模型,因此可以支援所有遵循該模型的量子硬體。

Qiskit機器學習加入了基本的運算建置模塊,包括量子核心和量子神經網路,這兩個模塊分別針對像是分類或是回歸等不同的應用程式,Qiskit機器學習和其他應用程式模組一樣,都是開源函式庫,可供所有人免費下載使用。

IBM提到,Qiskit機器學習的設計簡單易用,可以讓開發者在沒有具備深入的量子運算知識下,能夠快速建立出第一個模型雛形,而且Qiskit機器學習也足夠靈活,開發者可以簡單地擴展,以支援最新的量子機器學習研究。

開發者可以直接使用Qiskit機器學習中提供的模型之外,由於Qiskit加入了Torch連接器,因此也可以將量子神經網路,直接整合到PyTorch開源機器學習函式庫,同時,Qiskit機器學習的靈活設計,還允許將來開發者自己建構其他套件的連接器。IBM提供豐富的Qiskit機器學習教學範例,介紹這一系列新功能。


熱門新聞

Advertisement