Chribit / Quantum-Gaussian-Processes

Quantum-Gaussian-Processes

Building gaussian process kernels using quantum computers to predict financial time series data. Work performed for university.

Für Jonathan ❤️ oder andere Lehrstuhl Mitarbeiter die diesen Code anschauen dürfen oder müssen

Alle Skripte mit main_*.py beinhalten routinen für z.B. die Auswertungen in meinem Report. Alle anderen *.py Skripte sind Module die spezifische Funktionalität beinhalten.

• data.py: Daten-Generierung und -Formatierung
• evaluation.py: Fitness Funktionen
• evolution.py: Genetischer Algorithmus und Bestandteile
• kernel.py: Klassische Kernel Unterfunktionen und Kombinierte Funktionen
• model.py: Gaußscher Prozess Klasse
• plot.py: Vorgefertigte plotting Funktionen

Alle main_*.py Skripte sollten mit einem run_*.sh Skript mit gleichem Suffix ausgeführt werden um die richtigen Environment Variablen zu setzen. Alle Skripte die Datensets generieren brauchen die Environment Variable PYTHONHASHSEED mit einem festen Wert wie z.b. 42069. Die Seed Strings für die Datensets produzieren sonst nicht die gleichen Ergebnisse. Alle Skripte die den genetischen Algorithmus benutzen brauchen die Environment Variable OMP_NUM_THREADS um die Anzahl der Verfügbaren Threads zu setzen. Mehr Threads erlaubt für schnellere Durchläufe bei der Evaluierung der Individuen einer Generation.

Nochmal eine spezifische Erklärung der Parameter für die evolve() Funktion:

evolve (
    model,
    gene_reader,
    gene_count,
    fitness_granularity,
    fitness_threshold,
    cycles,
    population_size,
    mutation_probability,
    crossover_probability,
    logging = False,
    plotting = False,
    filename = "evolution_timeline"
) => (best_genes, cycle_count)

• model -> Gaußscher Prozess Objekt,
• gene_reader -> Interpretier Funktion die Gene zu z.B. model Parameter umwandelt,
• gene_count -> Gen Anzahl pro Individuum z.B. Anzahl der Kernel Parameter,
• fitness_granularity -> Anzahl der Unterteilungen für die AUC Approximation,
• fitness_threshold -> Ziel Fitness die den Prozess frühzeitig abbricht,
• cycles -> Maximale Generations-Anzahl,
• population_size -> Anzahl der Individuen pro Population einer Generation,
• mutation_probability -> Wahrscheinlichkeit einer Mutations Events,
• crossover_probability -> Wahrscheinlichkeit eines Crossover Events,
• logging -> Ob in der Konsole der Fortschritt beschrieben werden soll,
• plotting -> Ob ein Evolutions Verlauf Plot erstellt werden soll,
• filename -> Dateiname relativ zu einem images/ Ordner für den Plot (ohne .png)

Die Funktion gibt ein Tuple aus, welches an erster Stelle ein Array der besten Gene enthält und an zweiter Stelle die Anzahl an Zyklen / Generationen die gebraucht wurden um diese Gene zu entwickeln.