Kararlı QML Training Studio sözleşmeleri
Sürümlü yaşam döngüsü, sayısal, zamanlama ve evaluation kanıtıyla iptal edilebilir eğitim, sınırlı trainability tanıları ve adil optimizer benchmark'ları çalıştırın.
Klasik ve kuantum model karşılaştırması
Dört sabit model ailesini aynı ayrılmış veri üzerinde karşılaştırın: çoğunluk referansı, lojistik regresyon, RBF kernel ridge ve varyasyonel kuantum sınıflandırıcı. Bu deney editördeki devreyi değil, seçilen veri setini kullanır.
Eğitim, doğrulama ve test satırları birbirinden ayrıdır. Ölçekleme yalnız eğitim satırlarından öğrenilir. Hiperparametreler doğrulamayla seçilir; test bölümü son raporlama için kullanılır.
Doğruluk, doğru etiketlerin oranıdır. Dengeli doğruluk iki sınıfın duyarlılık ortalamasıdır. İşaretli puan MSE, tüm modellerin puanını aynı −1/+1 hedefiyle karşılaştırır; düşük değer daha iyidir ve olasılık kalibrasyonu anlamına gelmez.
Deterministik referanslar aynı uyumu tekrarlar; aynı puanların tekrarı düşük varyans için bağımsız kanıt değildir. Her tohum ve çalışma JSON kanıtında korunur. Adım bütçesi yinelemeli modellere uygulanır; çoğunluk ve kernel ridge uyumları gradyan adımı kullanmaz.
Quantum AI sayfasında karşılaştırmayı yükleyin; circles_2d, spiral_2d, blobs_3f veya parity_3bit seçin. Varsayılan bütçe 16 adım ve 1 tekrardır; en fazla 60 adım ve 3 tekrar kullanılır. Her modelin eğitim, doğrulama ve test ölçütlerini, karışıklık matrislerini, doğrulamayla seçilen ayarlarını ve ayrı kaynak sayılarını inceleyin. Başarılı deneyin JSON dosyası her tekrarı, adayları, tahminleri, veri bölümlerini ve ölçekleme bilgisini içerir. Ayar veya kaynak değişikliği eski sonucu geçersiz kılar; hata ve iptal kısmi indirilebilir kanıt üretmez.
Bunlar küçük, deterministik öğretim veri setleridir. Puanlar kuantum üstünlüğünü veya gerçek veriye genellenebilirliği kanıtlamaz. Kaynak sayıları farklı işleri ölçer; eşdeğer işlemler gibi karşılaştırılamaz.
Model karşılaştırmasını yükleTraining Studio, trainability ve sürümlü benchmark sözleşmeleri
Tarayıcıya dönük bu QML yüzeyleri artık sınırlı girdileri, structured tanıları, deterministik kanıtı, açık evaluation muhasebesini ve fail-closed eşzamansız yaşam döngüsü kurallarını paylaşır.
İstek kapsamlı Training Studio
Her workload tek bir güncel request id taşır. Yeni çalışma eskisini geçersiz kılar, eski progress veya settlement arayüzü değiştiremez, iptal terminaldir ve consumer callback hatası Worker'ı reddedip sonlandırır.
const run = client.train({ code, options: { steps: 40, learningRate: 0.2 } }, {
onProgress: ({ step, cost }) => render(step, cost)
});
run.cancel(); // train-cancel + terminal rejectionChecked trainability profili
Seeded parameter-shift örnekleri sonlu gradient variance ile exact başarılı örnek ve circuit evaluation sayılarını yayımlar. Evaluation exception ve sonlu olmayan değer fail-closed sonuçlanır.
En fazla 14 qubit, 8-400 örnek ve 4 layer.
Adil optimizer benchmark'ı
Her optimizer aynı parse edilmiş kaynak, seed, step bütçesi, learning rate, objective ve başlangıç parametrelerini alır. 0.2 sözleşmesi frozen supervised train/validation/test kanıtı, süre dışı reproducibility hash'i ve sürümlü JSON/CSV export ekler.
En fazla 5 optimizer, 100 adım, 5 tekrar ve 25 workload.
Yarışa dayanıklı yaşam döngüsü
Yalnızca güncel istek progress ekleyebilir, sonuç yayımlayabilir, hata bildirebilir veya running durumunu temizleyebilir. Eski Promise settlement'ları zararsızdır.
Exact evaluation kanıtı
Studio sonucu istenen adımları, kabul edilen progress event'lerini, terminal durumu ve circuit evaluation sayısını taşır. Trainability tam olarak qubits×samples×2 evaluation kullanır.
Savunmacı zaman ölçümü
Benchmark saatleri sonlu, monoton ve negatif olmayan değer üretmelidir. Hata atan clock, trainer, warmup veya progress consumer structured failure döndürür.
Core, Worker ve docs eşliği
Core, CLI, Worker, dashboard indirmeleri ve temiz paket export'ları aynı benchmark 0.2 kanıtını paylaşır. Experimental NM-RFC-0009 exact-GD checkpoint'leri ayrı sürümlü artefakt olarak kalır.
Kararlı QML ürün tanıları
NM-QML-STUDIO-001NM-QML-STUDIO-002NM-QML-STUDIO-003NM-QML-STUDIO-004NM-QML-STUDIO-005NM-QML-301NM-QML-TRAINABILITY-001NM-QML-TRAINABILITY-002NM-QML-TRAINABILITY-003NM-QML-BENCH-001NM-QML-BENCH-002NM-QML-BENCH-003NM-QML-BENCH-004Trainability eşikleri sezgisel sinyallerdir, benchmark süreleri ortama bağlıdır ve yerel simulator sonuçları donanım performansı veya quantum advantage kanıtlamaz.
Hostile girdi, NaN/Infinity, callback hatası, iptal, eski settlement, exact Worker kanıtı, seeded profil, adil optimizer matrisi, temiz paket kullanımı ve sınırlı performans otomatik terfi kanıtıdır.