Fail-closed N/M QML sayısal çekirdeği
Sonlu girdiler, exact evaluation muhasebesi, deterministik yüzey parity'si ve açık sayısal hata kodlarıyla sürümlü training, loss, SPSA ve adjoint sözleşmelerini kullanın.
QML sayısal çekirdek 0.1 sözleşmeleri
Training, binary loss, SPSA, adjoint gradient ve QNG ayrı sürümlü sözleşmeler yayımlar. Geçersiz public API girdileri circuit yürütmeden veya parametre değiştirmeden önce fail-closed kalır; geçerli eski sayısal çağrıların sonuçları değişmez.
Sonlu girdi politikası
NaN, Infinity, aralık dışı prediction veya label, geçersiz gain schedule, bilinmeyen parametre ve sonlu olmayan state ya da optimizer güncellemesi kararlı fail-closed kanıt döndürür.
Exact evaluation muhasebesi
SPSA parametre sayısından bağımsız olarak adım başına tam iki objective evaluation kullanır. En yüksek 100-adım sözleşmesi bu nedenle tam 200 circuit evaluation kaydeder.
Core, CLI ve Worker parity
Aynı seeded N/M kaynağı installed Core, CLI JSON ve Quantum AI Studio'nun kullandığı runtime Worker üzerinden aynı cost history, final parametre ve gradient yöntemini üretir.
Worker cancellation sınırı
Browser iptali train-cancel gönderir, etkin worker'ı sonlandırır, bekleyen sonucu NMRuntimeCancelledError ile reddeder ve eski tamamlanmanın UI durumunu değiştirmesini önler.
Açık metrik regularization
QNG ham fidelity metriğini, regularized diagonal'ı, condition sayısını, singular parametreleri ve exact evaluation sayısını kaydeder. Varsayılan shift 0.01, Tikhonov tabanı 0.001; çağıran isterse singular metriği reddedebilir.
Dondurulmuş yerel workload sınırları
Kararlı sayısal tanılar
Training, loss, SPSA, adjoint ve QNG hataları localized hata metni yerine ayrı input, evaluation, singularity ve invariant kodları kullanır.
NM-QML-TRAIN-001NM-QML-TRAIN-002NM-QML-TRAIN-003NM-QML-TRAIN-004NM-QML-TRAIN-005NM-QML-TRAIN-006NM-QML-LOSS-001NM-QML-LOSS-002NM-QML-LOSS-003NM-QML-SPSA-001NM-QML-SPSA-002NM-QML-SPSA-003NM-QML-SPSA-004NM-QML-SPSA-005NM-QML-ADJOINT-001NM-QML-ADJOINT-002NM-QML-ADJOINT-003NM-QNG-001NM-QNG-002NM-QNG-003NM-QNG-004Deterministik yerel optimizer yakınsama, genelleme, quantum advantage veya donanım fidelity'sini garanti etmez. Dataset split/version, model migration ve uzak Windows/Linux performans kapıları ayrı terfi gereksinimleridir.
Analitik loss tabloları ve finite difference, seeded SPSA, adjoint/parameter-shift çapraz kontrolü, hostile sayısal girdiler, exact Core/CLI/Worker parity, temiz tarball tüketimi ve ayrı 100.000-loss ile sekiz-parametre/100-adım QNG performans ratchet'leri otomatikleştirilmiştir.