Singularity Machine Learning - Classification：Multiverse Computing による Qiskit Function

API リファレンスを参照してください

パッケージのバージョン

このページのコードは以下の要件を使用して開発されました。 これらのバージョン以降の使用を推奨します。

scikit-learn~=1.8.0

注記

• Qiskit Functions は、IBM Quantum® Premium Plan・Flex Plan・On-Prem（IBM Quantum Platform API 経由）プランのユーザーのみが利用できる実験的機能です。現在プレビュー リリースの段階にあり、変更される場合があります。

概要

「Singularity Machine Learning - Classification」関数を使用すると、量子の専門知識を必要とせずに、実世界の機械学習問題を量子ハードウェア上で解くことができます。アンサンブル手法をベースにしたこの Application 関数は、ハイブリッド分類器です。初期のアンサンブル学習にはブースティング・バギング・スタッキングといった古典的な手法を活用し、その後、変分量子固有値ソルバー（VQE）や量子近似最適化アルゴリズム（QAOA）などの量子アルゴリズムを用いて、学習済みアンサンブルの多様性・汎化能力・全体的な複雑さを向上させます。

他の量子機械学習ソリューションとは異なり、この関数は QPU の量子ビット数に制限されることなく、数百万のサンプルと特徴量を持つ大規模データセットを処理できます。量子ビット数は学習できるアンサンブルのサイズのみを決定します。また、高い柔軟性を持ち、金融・医療・サイバーセキュリティなど幅広い分野の分類問題に適用可能です。 高次元・ノイズが多い・クラス不均衡といった古典的に困難な問題においても、一貫して高い精度を達成します。 この関数は、以下のような方々のために構築されています。

1. 量子機械学習を自社の製品やサービスに統合することで技術力強化を図る企業のエンジニアおよびデータサイエンティスト、
2. 量子機械学習の応用を探求し、分類タスクに量子コンピューティングを活用しようとしている量子研究所の研究者、
3. 機械学習などの講義で量子コンピューティングの優位性を示したい教育機関の学生および教員。

以下の例では、create・list・fit・predict などのさまざまな機能を紹介するとともに、非線形な決定境界のために特に困難とされる問題である、2 つの交差する半円からなる合成問題への使用方法を示します。

関数の説明

この Qiskit Function を使用すると、Singularity の量子強化アンサンブル分類器を使って 2 値分類問題を解くことができます。内部では、ラベル付きデータセット上でアンサンブル分類器を古典的に学習するハイブリッドアプローチを採用し、その後 IBM® QPU 上の量子近似最適化アルゴリズム（QAOA）を用いて最大の多様性と汎化性能が得られるよう最適化します。ユーザーフレンドリーなインターフェースを通じて、要件に合わせて分類器を設定し、任意のデータセットで学習させ、未知のデータセットに対して予測を行えます。

汎用的な分類問題を解くには、以下の手順を実施してください。

1. データセットを前処理し、学習セットとテストセットに分割します。必要に応じて、学習セットをさらに学習セットと検証セットに分割できます。これには scikit-learn を使用できます。
2. 学習セットがクラス不均衡の場合は、imbalanced-learn を使用してクラスを均衡化するためにリサンプリングできます。
3. カタログの file_upload メソッドに都度関連するパスを渡して、学習・検証・テストセットをそれぞれ関数のストレージにアップロードします。
4. 関数の create アクションを使用して量子分類器を初期化します。このアクションは、学習器の数と種類・正則化（ラムダ値）・レイヤー数・古典オプティマイザーの種類・量子バックエンドなどの最適化オプションといったハイパーパラメータを受け付けます。
5. 関数の fit アクションを使用して、ラベル付き学習セット（および該当する場合は検証セット）を渡し、量子分類器を学習セットで学習します。
6. 関数の predict アクションを使用して、未知のテストセットに対して予測を行います。

---

はじめに

IBM Quantum Platform API キーを使用して認証し、以下のように Qiskit Function を選択してください。

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

from qiskit_ibm_catalog import QiskitFunctionsCatalog

catalog = QiskitFunctionsCatalog(channel="ibm_quantum_platform")

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

使用例

データセットを分類する

この例では、「Singularity Machine Learning - Classification」関数を使用して、2 つの交差する三日月形の半円からなるデータセットを分類します。このデータセットは合成的かつ 2 次元であり、バイナリラベルが付与されています。重心ベースのクラスタリングや線形分類などのアルゴリズムに対して困難なデータセットとして作成されています。 このプロセスを通じて、分類器の作成・学習データへのフィット・テストデータへの予測・終了後の分類器の削除方法を学びます。 開始前に、scikit-learn をインストールしてください。以下のコマンドを使用してインストールできます。

python3 -m pip install scikit-learn

以下の手順を実行してください。

1. scikit-learn の make_moons 関数を使用して合成データセットを作成します。
2. 生成した合成データセットを共有データディレクトリにアップロードします。
3. create アクションを使用して量子強化分類器を作成します。
4. list アクションを使用して分類器の一覧を表示します。
5. fit アクションを使用して、学習データで分類器を学習させます。
6. predict アクションを使用して、学習済み分類器でテストデータを予測します。
7. delete アクションを使用して分類器を削除します。
8. 完了後にクリーンアップを行います。 ステップ 1. 必要なモジュールをインポートして合成データセットを生成し、学習データセットとテストデータセットに分割します。

# 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: [[ 0.84757037 -0.48831433]
 [ 0.98132552  0.19235443]
 [-0.71626723  0.6978261 ]
 [ 1.18957848 -0.48186557]
 [ 0.52118982 -0.37791846]
 [ 0.81115408  0.58483251]
 [ 0.48706462  0.87336593]
 [-0.81880144  0.57407682]
 [ 1.67335408 -0.23932015]
 [ 0.50181306  0.8649761 ]]
Targets: [1 0 0 1 1 0 0 0 1 0]

ステップ 2. ラベル付きの学習データセットとテストデータセットをローカルディスクに保存し、共有データディレクトリにアップロードします。

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']

ステップ 3. create アクションを使用して量子強化分類器を作成します。

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', 'my_classifier.pkl.tar', 'y_test.npy.tar', 'y_train.npy.tar']

ステップ 4. fit アクションを使用して量子強化分類器を学習させます。

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': 13.655871629714966}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 54.688621282577515}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 56.92286920547485}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 57.92738223075867}}}}

ステップ 5. predict アクションを使用して、量子強化分類器から予測値と確率を取得します。

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, 0, 1, 0, 1]
Probabilities (first five results): [[1.0, 0.0], [1.0, 0.0], [0.0, 1.0], [1.0, 0.0], [0.0, 1.0]]

ステップ 6. delete アクションを使用して量子強化分類器を削除します。

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': {}}}

ステップ 7. ローカルおよび共有データディレクトリをクリーンアップします。

# 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)

'Requested file was deleted.'

create_fit_predict の例

以下の例では、create_fit_predict アクションを示します。

# 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):  [0, 0, 1, 0, 0]
Probabilities (first five results):  [[0.87119766531518, 0.1288023346848197], [0.87119766531518, 0.1288023346848197], [0.24470328446479797, 0.7552967155352032], [0.820524432250189, 0.17947556774981072], [0.6847610293419495, 0.31523897065805173]]
Usage metadata:  {'RUNNING: MAPPING': {'CPU_TIME': 10.967791318893433}, 'RUNNING: WAITING_QPU': {'CPU_TIME': 59.91712307929993}, 'RUNNING: POST_PROCESSING': {'CPU_TIME': 59.097386837005615}, 'RUNNING: EXECUTING_QPU': {'QPU_TIME': 56.93338203430176}}

ベンチマーク

これらのベンチマークは、この分類器が難しい問題に対して非常に高い精度を達成できることを示しています。また、アンサンブル内の学習器の数（量子ビット数）を増やすことで、精度の向上につながることも示されています。

「古典的精度」とは、対応する古典的な最先端手法（この場合はサイズ 75 のアンサンブルに基づく AdaBoost 分類器）を使用して得られた精度を指します。一方「量子精度」とは、「Singularity Machine Learning - Classification」を使用して得られた精度を指します。

問題	データセットサイズ	アンサンブルサイズ	量子ビット数	古典的精度	量子精度	改善幅
グリッド安定性	5000 サンプル、12 特徴量	55	55	76%	91%	15%
グリッド安定性	5000 サンプル、12 特徴量	65	65	76%	92%	16%
グリッド安定性	5000 サンプル、12 特徴量	75	75	76%	94%	18%
グリッド安定性	5000 サンプル、12 特徴量	85	85	76%	94%	18%
グリッド安定性	5000 サンプル、12 特徴量	100	100	76%	95%	19%

---

量子ハードウェアが進化・拡張するにつれて、量子分類器への影響はますます重要なものとなっています。量子ビット数はアンサンブルのサイズに制限を課しますが、処理できるデータ量を制限するものではありません。この強力な能力により、分類器は数百万のデータポイントと数千の特徴量を含むデータセットを効率的に処理することができます。アンサンブルサイズに関する制約は、分類器の大規模バージョンの実装によって対処できます。反復的な外部ループアプローチを活用することで、アンサンブルを動的に拡張し、柔軟性と全体的なパフォーマンスを向上させることができます。ただし、この機能は現在のバージョンの分類器にはまだ実装されていない点にご注意ください。

変更履歴

2025年6月4日

• QuantumEnhancedEnsembleClassifier を以下の更新内容でアップグレードしました。
  • オンサイト/アルファ正則化を追加しました。regularization_type に onsite または alpha を指定できます。
  • 自動正則化を追加しました。regularization を auto に設定することで自動正則化を使用できます。
  • 量子最適化に使用する最適化データを選択するための optimization_data パラメーターを fit メソッドに追加しました。train・validation・both のいずれかのオプションを使用できます。
  • 全体的なパフォーマンスを改善しました。
• 実行中のジョブに対する詳細なステータス・トラッキングを追加しました。

2025年5月20日

• エラー処理を標準化しました。

2025年3月18日

• qiskit-serverless を 0.20.0 に、ベースイメージを 0.20.1 にアップグレードしました。

2025年2月14日

• ベースイメージを 0.19.1 にアップグレードしました。

2025年2月6日

• qiskit-serverless を 0.19.0 に、ベースイメージを 0.19.0 にアップグレードしました。

2024年11月13日

• Singularity Machine Learning - Classification をリリースしました。

サポートを受ける

ご質問がある場合は、Multiverse Computing へお問い合わせください。

お問い合わせの際は、以下の情報をご記載ください。

• Qiskit Function ジョブ ID（job.job_id）
• 問題の詳細な説明
• 関連するエラーメッセージやエラーコード
• 問題を再現する手順

次のステップ

推奨事項

• Multiverse Computing の Singularity Machine Learning Classification 関数へのアクセスをリクエストしてください。
• この Qiskit Function の API リファレンスを参照してください。
• Leclerc, L., et al. (2023). Financial risk management on a neutral atom quantum processor. Physical Review Research, 5, 043117 をご覧ください。