EITC/AI/TFQML TensorFlow Quantum Machine Learning je evropski program IT certificiranja za upotrebu Google TensorFlow Quantum biblioteke za implementaciju mašinskog učenja na arhitekturi Google Quantum Processor Sycamore.
Nastavni plan i program EITC/AI/TFQML kvantnog mašinskog učenja TensorFlow fokusiran je na teorijsko znanje i praktične vještine u korištenju Googleove biblioteke TensorFlow Quantum za napredno mašinsko učenje zasnovano na kvantnim računalnim modelima na arhitekturi Google Quantum Processor Sycamore, organizirano u sljedećoj strukturi, obuhvaćajući sveobuhvatan video didaktički sadržaj kao referenca za ovu EITC certifikaciju.
TensorFlow Quantum (TFQ) je biblioteka kvantnog mašinskog učenja za brzo prototipiranje hibridnih kvantno-klasičnih ML modela. Istraživanje kvantnih algoritama i aplikacija može iskoristiti Googleove kvantne računske okvire, sve unutar TensorFlow-a.
TensorFlow Quantum se fokusira na kvantne podatke i izgradnju hibridnih kvantno-klasičnih modela. Integrira algoritme kvantnog računanja i logiku dizajnirane u Cirq-u (okvir kvantnog programiranja zasnovan na modelu kvantnih krugova), te pruža primitivne primjene kvantnog računanja kompatibilne sa postojećim TensorFlow API-ima, zajedno sa simulatorima kvantnih kola visokih performansi. Pročitajte više u bijelom papiru TensorFlow Quantum.
Kvantno računanje je upotreba kvantnih fenomena kao što su superpozicija i zapletanje za obavljanje proračuna. Računari koji izvode kvantna računanja poznati su kao kvantni računari. Vjeruje se da su kvantni računari sposobni riješiti određene računske probleme, poput cjelovite faktorizacije (koja je osnova RSA enkripcije), znatno brže od klasičnih računara. Proučavanje kvantnog računanja je potpolje kvantne informatičke nauke.
Kvantno računanje započelo je ranih 1980-ih, kada je fizičar Paul Benioff predložio kvantno-mehanički model Turingove mašine. Richard Feynman i Yuri Manin su kasnije sugerirali da kvantni računar može da simulira stvari koje klasični računari nisu mogli. Godine 1994. Peter Shor razvio je kvantni algoritam za računanje cijelih brojeva koji su mogli dešifrirati RSA-šifriranu komunikaciju. Uprkos stalnom eksperimentalnom napretku od kasnih 1990-ih, većina istraživača vjeruje da je „kvantno računanje tolerantno na kvarove još uvijek prilično dalek san“. Posljednjih godina povećala su se ulaganja u istraživanje kvantnih računara i u javnom i u privatnom sektoru. 23. oktobra 2019. Google AI, u partnerstvu s američkom Nacionalnom upravom za aeronautiku i svemir (NASA), tvrdio je da je izvršio kvantno računanje koje je neizvedivo na bilo kojem klasičnom računaru (takozvani rezultat kvantne nadmoći).
Postoji nekoliko modela kvantnih računara (tačnije, kvantni računski sistemi), uključujući model kvantnih kola, kvantni Turingov stroj, adijabatski kvantni računar, jednosmjerni kvantni računar i razne kvantne ćelijske automate. Najrasprostranjeniji model je kvantni krug. Kvantni krugovi se temelje na kvantnom bitu, ili “qubit”, što je donekle analogno bitu u klasičnom računanju. Qubiti mogu biti u 1 ili 0 kvantnom stanju, ili mogu biti u superpoziciji 1 i 0 stanja. Međutim, kada se mjere kubiti, rezultat mjerenja je uvijek 0 ili 1; vjerovatnoće ova dva ishoda ovise o kvantnom stanju u kojem su bili kubiti neposredno prije mjerenja.
Napredak u izgradnji fizičkog kvantnog računara fokusira se na tehnologije poput transmona, jonskih zamki i topoloških kvantnih računara, koje imaju za cilj stvaranje visokokvalitetnih kubita. Ovi kubiti mogu biti dizajnirani različito, ovisno o računarskom modelu punog kvantnog računara, bilo da su kvantna logička vrata, kvantno žarenje ili adijabatsko kvantno računanje. Trenutno postoji niz značajnih prepreka na putu stvaranja korisnih kvantnih računara. Naročito je teško održavati kvantna stanja kubita jer pate od kvantne dekoherencije i vjernosti stanja. Kvantni računari stoga zahtevaju korekciju grešaka. Bilo koji računski problem koji se može riješiti klasičnim računarom može se riješiti i kvantnim računarom. Suprotno tome, svaki problem koji se može riješiti kvantnim računarom može se riješiti i klasičnim računarom, barem u principu s obzirom na dovoljno vremena. Drugim riječima, kvantni računari se pokoravaju Church-Turingovoj tezi. Iako to znači da kvantni računari ne pružaju dodatne prednosti u odnosu na klasične računare u pogledu izračunljivosti, kvantni algoritmi za određene probleme imaju značajno nižu vremensku složenost od odgovarajućih poznatih klasičnih algoritama. Značajno je da se vjeruje da su kvantni računari u stanju da brzo riješe određene probleme koje nijedno klasično računalo ne bi moglo riješiti u bilo kojem izvodljivom vremenu - podvig poznat kao „kvantna nadmoć“. Proučavanje računske složenosti problema s obzirom na kvantne računare poznato je kao kvantna teorija složenosti.
Google Sycamore je kvantni procesor koji je kreirao odjel za umjetnu inteligenciju kompanije Google Inc. Sadrži 53 kubita.
2019. godine Sycamore je za 200 sekundi izvršio zadatak za koji je Google tvrdio da će, u časopisu Nature, trebati najmodernijem superračunaru da ga dovrši 10,000 2.5 godina. Stoga je Google tvrdio da je postigao kvantnu nadmoć. Da bi procijenio vrijeme koje bi trebalo klasičnom superračunaru, Google je pokrenuo dijelove simulacije kvantnog kruga na Summitu, najmoćnijem klasičnom računaru na svijetu. Kasnije je IBM iznio kontraargument tvrdeći da će za klasični sistem poput Summita zadatak trajati samo XNUMX dana. Ako se prihvate Googleove tvrdnje, to bi predstavljalo eksponencijalni skok u računarskoj snazi.
U avgustu 2020. godine kvantni inženjeri koji rade za Google prijavili su najveću hemijsku simulaciju na kvantnom računaru - Hartree-Fockovu aproksimaciju sa Sycamoreom uparenu sa klasičnim računarom koji je analizirao rezultate kako bi pružio nove parametre za 12-kubitni sistem.
U decembru 2020. godine, kineski procesor Jiuzhang zasnovan na fotonima, koji je razvio USTC, postigao je procesorsku snagu od 76 kubita i bio je 10 milijardi puta brži od Sycamorea, što ga čini drugim računarom koji je postigao kvantnu nadmoć.
Laboratorija kvantne umjetne inteligencije (koja se naziva i Quantum AI Lab ili QuAIL) zajednička je inicijativa NASA-e, Univerzitetskog udruženja za svemirska istraživanja i Googlea (posebno Google Research) čiji je cilj pionirsko istraživanje o tome kako kvantno računanje može pomoći u mašinskom učenju i drugi teški problemi računarske nauke. Laboratorij je domaćin NASA-inom istraživačkom centru Ames.
Quantum AI Lab najavio je Google Research u objavi na blogu 16. maja 2013. U trenutku pokretanja, Lab je koristio najnaprednije komercijalno dostupno kvantno računalo, D-Wave Two iz D-Wave Systems.
20. maja 2013. objavljeno je da se ljudi mogu prijaviti za korištenje vremena na D-Wave Two u laboratoriju. 10. oktobra 2013. Google je objavio kratki film koji opisuje trenutno stanje Quantum AI Lab. 18. oktobra 2013. Google je objavio da je kvantnu fiziku ugradio u Minecraft.
U januaru 2014. Google je izvijestio o rezultatima uspoređujući performanse D-Wave Two u laboratoriji i klasičnih računara. Rezultati su bili dvosmisleni i izazvali su burnu raspravu na Internetu. Dana 2. septembra 2014. godine objavljeno je da će Quantum AI Lab, u partnerstvu sa UC Santa Barbara, pokrenuti inicijativu za stvaranje kvantnih procesora informacija zasnovanih na superprovodljivoj elektronici.
23. oktobra 2019. Quantum AI Lab objavio je u svom radu da je postigao kvantnu nadmoć.
Google AI Quantum unapređuje kvantno računanje razvojem kvantnih procesora i novih kvantnih algoritama koji pomažu istraživačima i programerima u rješavanju kratkoročnih problema, kako teorijskih tako i praktičnih.
Smatra se da kvantno računanje pomaže u razvoju inovacija sutrašnjice, uključujući AI. Zbog toga Google posvećuje značajne resurse za izgradnju namjenskog kvantnog hardvera i softvera.
Kvantno računanje je nova paradigma koja će igrati veliku ulogu u ubrzavanju zadataka za AI. Google želi ponuditi istraživačima i programerima pristup okvirima otvorenog koda i računarskoj snazi koja može raditi izvan klasičnih mogućnosti računanja.
Glavna područja fokusa Google AI Quantuma su
- Superprovodljivi kubitni procesori: Superprovodljivi kubiti sa skalabilnom arhitekturom zasnovanom na čipu i ciljaju grešku dva kubitna vrata <0.5%.
- Qubit mjeriteljstvo: Smanjenje gubitka od dva kubita ispod 0.2% kritično je za ispravljanje grešaka. Radimo na eksperimentu kvantne nadmoći, kako bismo približno uzorkovali kvantni krug izvan mogućnosti najsavremenijih klasičnih računara i algoritama.
- Kvantna simulacija: Simulacija fizičkih sistema jedna je od najočekivanijih primena kvantnog računanja. Posebno se fokusiramo na kvantne algoritme za modeliranje sistema interaktivnih elektrona sa aplikacijama u hemiji i nauci o materijalima.
- Kvantno potpomognuta optimizacija: Razvijamo hibridne kvantno-klasične rješavače za približnu optimizaciju. Termički skokovi u klasičnim algoritmima za prevladavanje energetskih barijera mogu se poboljšati pozivanjem na kvantna ažuriranja. Posebno smo zainteresirani za koherentni transfer stanovništva.
- Kvantne neuronske mreže: Razvijamo okvir za implementaciju kvantne neuronske mreže na kratkoročnim procesorima. Zanima nas da shvatimo koje prednosti mogu nastati generiranjem masivnih stanja superpozicije tokom rada mreže.
Glavni alati koje je razvio Google AI Quantum su okviri otvorenog koda posebno dizajnirani za razvoj novih kvantnih algoritama koji pomažu u rješavanju kratkoročnih aplikacija za praktične probleme. Oni uključuju:
- Cirq: kvantni okvir otvorenog koda za izgradnju i eksperimentiranje s bučnim algoritmima srednje veličine (NISQ) na kratkotrajnim kvantnim procesorima
- OpenFermion: platforma otvorenog koda za prevođenje problema u hemiji i nauci o materijalima u kvantne sklopove koji se mogu izvršiti na postojećim platformama
Kratkoročne aplikacije Google AI Quantum uključuju:
Kvantna simulacija
Dizajn novih materijala i objašnjenje složene fizike kroz precizne simulacije hemije i modela kondenzovane materije spadaju u najperspektivnije primene kvantnog računanja.
Tehnike ublažavanja grešaka
Radimo na razvoju metoda na putu do potpune kvantne korekcije grešaka koje imaju sposobnost dramatičnog smanjenja šuma u trenutnim uređajima. Iako kvantno računanje tolerantno na kvarove može zahtijevati znatan razvoj, razvili smo tehniku kvantnog proširenja podsprostora kako bismo pomogli u korištenju tehnika iz kvantne korekcije grešaka kako bismo poboljšali performanse aplikacija na kratkoročnim uređajima. Štaviše, ove tehnike olakšavaju testiranje složenih kvantnih kodova na kratkoročnim uređajima. Aktivno guramo ove tehnike u nova područja i koristimo ih kao osnovu za dizajn kratkoročnih eksperimenata.
Kvantno mašinsko učenje
Razvijamo hibridne kvantno-klasične tehnike mašinskog učenja na kratkotrajnim kvantnim uređajima. Proučavamo učenje univerzalnog kvantnog kruga za klasifikaciju i klasteriranje kvantnih i klasičnih podataka. Zanimaju nas i generativne i diskriminativne kvantne neuronske mreže, koje bi se mogle koristiti kao kvantni repetitori i jedinice za pročišćavanje stanja u kvantnim komunikacijskim mrežama, ili za provjeru drugih kvantnih krugova.
Kvantna optimizacija
Diskretne optimizacije u zrakoplovnoj, automobilskoj i drugim industrijama mogu imati koristi od hibridne kvantno-klasične optimizacije, na primjer simulirano žarenje, algoritam kvantno potpomognute optimizacije (QAOA) i kvantno poboljšani prijenos stanovništva mogu biti korisni za današnje procesore.
Da biste se detaljno upoznali sa nastavnim planom i programom sertifikacije, možete proširiti i analizirati tabelu ispod.
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum referencira didaktičke materijale otvorenog pristupa u video obliku. Proces učenja je podijeljen u strukturu korak po korak (programi -> lekcije -> teme) koja pokriva relevantne dijelove kurikuluma. Takođe su obezbeđene neograničene konsultacije sa stručnjacima iz domena.
Za detalje o proceduri certifikacije provjerite Kako funkcionira.
Referentni resursi za kurikulum
TensorFlow Quantum (TFQ) je biblioteka kvantnog mašinskog učenja za brzo prototipiranje hibridnih kvantno-klasičnih ML modela. Istraživanje kvantnih algoritama i aplikacija može iskoristiti Googleove kvantne računske okvire, sve unutar TensorFlow-a. TensorFlow Quantum se fokusira na kvantne podatke i izgradnju hibridnih kvantno-klasičnih modela. Integrira algoritme i logiku kvantnog računanja dizajnirane u Cirq-u i pruža primitive kvantnog računanja kompatibilne sa postojećim TensorFlow API-ima, zajedno sa simulatorima kvantnih kola visokih performansi. Pročitajte više u bijelom papiru TensorFlow Quantum. Kao dodatnu referencu možete pogledati pregled i pokrenuti vodiče za prijenosnike.
https://www.tensorflow.org/quantum
Circq
Cirq je okvir otvorenog koda za računare Noisy Intermediate Scale Quantum (NISQ). Razvio ga je Google AI Quantum tim, a javno objavljivanje objavljeno je na međunarodnoj radionici o kvantnom softveru i kvantnom mašinskom učenju 18. jula 2018. Demonstracija QC Ware pokazala je primjenu QAOA rješavanja primjera maksimalnog rezanja problem koji se rješava na Cirq simulatoru. Kvantni programi u Cirqu predstavljeni su "Circuit" i "Schedule", pri čemu "Circuit" predstavlja kvantni krug, a "Schedule" predstavlja kvantni krug sa informacijama o vremenu. Programi se mogu izvoditi na lokalnim simulatorima. Sljedeći primjer pokazuje kako stvoriti i izmjeriti stanje zvona u Cirqu.
uvoz cirq
# Izaberite qubite
qubit0 = cirq.GridQubit(0, 0)
qubit1 = cirq.GridQubit(0, 1)
# Stvorite sklop
Krug = cirq.strujno kolo.from_ops(
cirq.H(qubit0),
cirq.CNOT(qubit0, qubit1),
cirq.mjeru(qubit0, ključ='m0'),
cirq.mjeru(qubit1, ključ='m1')
)
Ispis kruga prikazuje njegov dijagram
štampa(Krug)
# otisci
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Uzastopno simuliranje kola pokazuje da su mjerenja kubita korelirana.
simulator = cirq.simulator()
rezultat = simulator.Trči(Krug, probe=5)
štampa(rezultat)
# otisci
# m0 = 11010
# m1 = 11010
Preuzmite kompletne pripremne materijale za samoučenje van mreže za program EITC/AI/TFQML TensorFlow Quantum Machine Learning u PDF datoteci
EITC/AI/TFQML pripremni materijali – standardna verzija
EITC/AI/TFQML pripremni materijali – proširena verzija sa pitanjima za pregled