EITC/AI/TFQML TensorFlow Quantum Machine Learning ir Eiropas IT sertifikācijas programma par Google TensorFlow Quantum bibliotēkas izmantošanu mašīnmācīšanās ieviešanai Google Quantum Processor Sycamore arhitektūrā.
EITC/AI/TFQML TensorFlow Quantum Machine Learning mācību programma koncentrējas uz teorētiskām zināšanām un praktiskām iemaņām, izmantojot Google TensorFlow Quantum bibliotēku, lai uzlabotu uz kvantu skaitļošanas modeļiem balstītu mašīnmācīšanos Google Quantum Processor Sycamore arhitektūrā, kas organizēta šādā struktūrā, aptverot visaptverošu video. didaktiskais saturs kā atsauce uz šo EITC sertifikātu.
TensorFlow Quantum (TFQ) ir kvantu mašīnu mācību bibliotēka ātrai hibrīdu kvantu-klasisko ML modeļu prototipēšanai. Pētījumi par kvantu algoritmiem un lietojumprogrammām var izmantot Google kvantu skaitļošanas ietvarus, izmantojot TensorFlow.
TensorFlow Quantum koncentrējas uz kvantu datiem un hibrīdu kvantu-klasisko modeļu izveidi. Tas integrē Cirq projektētos kvantu skaitļošanas algoritmus un loģiku (kvantu programmēšanas ietvars, kas balstīts uz kvantu shēmu modeli), un nodrošina kvantu skaitļošanas primitīvus, kas ir saderīgi ar esošajiem TensorFlow API, kā arī augstas veiktspējas kvantu shēmu simulatorus. Lasiet vairāk TensorFlow Quantum baltajā grāmatā.
Kvantu skaitļošana ir tādu kvantu parādību kā superpozīcija un sapīšanās izmantošana skaitļošanas veikšanai. Datorus, kas veic kvantu aprēķinus, sauc par kvantu datoriem. Tiek uzskatīts, ka kvantu datori spēj daudz ātrāk atrisināt noteiktas skaitļošanas problēmas, piemēram, veselu skaitļu faktorizāciju (kas ir RSA šifrēšanas pamatā), salīdzinot ar klasiskajiem datoriem. Kvantu skaitļošanas izpēte ir kvantu informācijas zinātnes apakšnozare.
Kvantu skaitļošana sākās 1980. gadu sākumā, kad fiziķis Pols Beniofs ierosināja Turingas mašīnas kvantu mehānisko modeli. Ričards Fainmans un Jurijs Manins vēlāk ieteica, ka kvantu dators var simulēt lietas, ko klasiskais dators nespēj. 1994. gadā Pīters Šors izstrādāja kvantu algoritmu veselu skaitļu faktorēšanai, kas varēja atšifrēt RSA šifrētus sakarus. Neskatoties uz nepārtrauktu eksperimentālo progresu kopš 1990. gadu beigām, lielākā daļa pētnieku uzskata, ka “kļūdu toleranta kvantu skaitļošana joprojām ir diezgan tāls sapnis”. Pēdējos gados ieguldījumi kvantu skaitļošanas pētījumos ir palielinājušies gan publiskajā, gan privātajā sektorā. 23. gada 2019. oktobrī Google AI sadarbībā ar ASV Nacionālo aeronautikas un kosmosa pārvaldi (NASA) apgalvoja, ka ir veicis kvantu aprēķinu, kas nav iespējams jebkurā klasiskā datorā (tā sauktais kvantu pārākuma rezultāts).
Ir vairāki kvantu datoru (vai drīzāk, kvantu skaitļošanas sistēmu) modeļi, ieskaitot kvantu ķēdes modeli, kvantu Turinga mašīnu, adiabātisko kvantu datoru, vienvirziena kvantu datoru un dažādus kvantu šūnu automatus. Visplašāk izmantotais modelis ir kvantu ķēde. Kvantu shēmas ir balstītas uz kvantu bitu jeb “qubit”, kas ir nedaudz analogs bitam klasiskajā aprēķinā. Kvīti var būt 1 vai 0 kvantu stāvoklī, vai arī 1 un 0 stāvokļu superpozīcijā. Tomēr, mērot kubitus, mērījuma rezultāts vienmēr ir vai nu 0, vai 1; šo divu rezultātu varbūtība ir atkarīga no kvantu stāvokļa, kurā kvīti atradās tieši pirms mērīšanas.
Virzība uz fiziskā kvantu datora izveidi ir vērsta uz tādām tehnoloģijām kā transmoni, jonu slazdi un topoloģiskie kvantu datori, kuru mērķis ir radīt augstas kvalitātes kvitus. Šie kvīti var tikt veidoti atšķirīgi, atkarībā no visa kvantu datora skaitļošanas modeļa, neatkarīgi no tā, vai tie ir kvantu loģiskie vārti, kvantu atlaidināšana vai adiabātiskā kvantu aprēķināšana. Pašlaik noderīgu kvantu datoru konstruēšanā ir vairāki būtiski šķēršļi. Jo īpaši ir grūti uzturēt kvītu kvantu stāvokļus, jo tie cieš no kvantu dekoherences un stāvokļa uzticības. Tāpēc kvantu datoriem nepieciešama kļūdu labošana. Jebkuru skaitļošanas problēmu, kuru var atrisināt ar klasisko datoru, var atrisināt arī ar kvantu datoru. Un otrādi, jebkuru problēmu, ko var atrisināt ar kvantu datoru, var atrisināt arī klasiskais dators, vismaz principā dodot pietiekami daudz laika. Citiem vārdiem sakot, kvantu datori pakļaujas Baznīcas – Turinga tēzei. Lai gan tas nozīmē, ka kvantu datori nesniedz papildu priekšrocības salīdzinājumā ar klasiskajiem datoriem aprēķināmības ziņā, dažu problēmu kvantu algoritmiem ir ievērojami zemāka laika sarežģītība nekā atbilstošajiem zināmajiem klasiskajiem algoritmiem. Konkrēti, tiek uzskatīts, ka kvantu datori spēj ātri atrisināt noteiktas problēmas, kuras neviens klasisks dators nevarētu atrisināt iespējami īsā laikā - varoņdarbs, kas pazīstams kā “kvantu pārākums”. Problēmu skaitļošanas sarežģītības izpēte attiecībā uz kvantu datoriem ir pazīstama kā kvantu sarežģītības teorija.
Google Sycamore ir kvantu procesors, ko izveidojusi Google Inc. mākslīgā intelekta nodaļa. Tajā ir 53 kubi.
2019. gadā Sycamore veica uzdevumu 200 sekundēs, un Google apgalvoja, ka rakstā Nature tas prasīs vismodernāko superdatoru 10,000 2.5 gadu laikā. Tādējādi Google apgalvoja, ka ir sasniegusi kvantu pārākumu. Lai novērtētu laiku, kas būtu vajadzīgs klasiskajam superdatoram, Google vadīja kvantu shēmas simulācijas daļas virsotnē Summit - visspēcīgākajā klasiskajā datorā pasaulē. Vēlāk IBM izvirzīja pretargumentu, apgalvojot, ka klasiskajā sistēmā, piemēram, Summit, uzdevums prasīs tikai XNUMX dienas. Ja Google prasības tiks apmierinātas, tas nozīmētu eksponenciālu skaitļošanas jaudas lēcienu.
2020. gada augustā uzņēmumā Google strādājošie kvantu inženieri ziņoja par kvantu datora lielāko ķīmisko simulāciju - Hartree-Fock aproksimāciju ar Sycamore pārī ar klasisko datoru, kas analizēja rezultātus, lai nodrošinātu jaunus parametrus 12-qubit sistēmai.
2020. gada decembrī Ķīnas fotonu bāzes Jiuzhang procesors, ko izstrādājis USTC, sasniedza 76 kubitu apstrādes jaudu un bija 10 miljardus reižu ātrāks nekā Sycamore, padarot to par otro datoru, kas sasniedzis kvantu pārākumu.
Kvantu mākslīgā intelekta laboratorija (saukta arī par Quantum AI Lab vai QuAIL) ir NASA, Universitāšu Kosmosa pētījumu asociācijas un Google (konkrēti, Google Research) kopīga iniciatīva, kuras mērķis ir uzsākt pētījumus par to, kā kvantu skaitļošana varētu palīdzēt mašīnmācībās un citas sarežģītas datorzinātņu problēmas. Laboratorija atrodas NASA Ames pētījumu centrā.
Par Quantum AI Lab paziņoja Google Research emuāra ziņā 16. gada 2013. maijā. Uzsākšanas laikā laboratorija izmantoja vismodernāko komerciāli pieejamo kvantu datoru D-Wave Two no D-Wave Systems.
20. gada 2013. maijā tika paziņots, ka cilvēki var pieteikties izmantot laiku D-Wave Two laboratorijā. 10. gada 2013. oktobrī Google izlaida īsfilmu, kurā aprakstīts Quantum AI laboratorijas pašreizējais stāvoklis. 18. gada 2013. oktobrī Google paziņoja, ka ir iekļāvis kvantu fiziku Minecraft.
2014. gada janvārī Google ziņoja par rezultātiem, kas salīdzināja laboratorijas D-Wave Two veiktspēju ar klasisko datoru veiktspēju. Rezultāti bija neskaidri un izraisīja karstas diskusijas internetā. 2. gada 2014. septembrī tika paziņots, ka Quantum AI Lab sadarbībā ar UC Santa Barbara uzsāks iniciatīvu, lai izveidotu kvantu informācijas procesorus, kuru pamatā ir supravadoša elektronika.
23. gada 2019. oktobrī Quantum AI Lab rakstā paziņoja, ka ir sasniegusi kvantu pārākumu.
Google AI Quantum veicina kvantu skaitļošanu, izstrādājot kvantu procesorus un jaunus kvantu algoritmus, lai palīdzētu pētniekiem un izstrādātājiem tuvākajā laikā atrisināt gan teorētiskas, gan praktiskas problēmas.
Tiek uzskatīts, ka kvantu skaitļošana palīdz attīstīt nākotnes inovācijas, tostarp AI. Tāpēc Google piešķir ievērojamus resursus, lai izveidotu īpašu kvantu aparatūru un programmatūru.
Kvantu skaitļošana ir jauna paradigma, kurai būs liela loma AI uzdevumu paātrināšanā. Google mērķis ir piedāvāt pētniekiem un izstrādātājiem piekļuvi atvērtā koda sistēmām un skaitļošanas jaudai, kas var darboties ārpus klasiskajām skaitļošanas iespējām.
Google AI Quantum galvenās uzmanības jomas ir
- Supravadoši kubītu procesori: supravadoši kubi ar mikroshēmu balstītu mērogojamu arhitektūru, kas vērsta uz divu kvotu vārtu kļūdu <0.5%.
- Qubit metroloģija: kļūdu labošanai ir kritiski svarīgi samazināt divu kubitu zudumu zem 0.2%. Mēs strādājam pie kvantu pārākuma eksperimenta, lai aptuveni atlasītu kvantu ķēdi, kas pārsniedz mūsdienīgu klasisko datoru un algoritmu iespējas.
- Kvantu simulācija: Fizisko sistēmu simulācija ir viena no gaidītākajām kvantu skaitļošanas lietojumprogrammām. Mēs īpaši koncentrējamies uz kvantu algoritmiem mijiedarbojošos elektronu sistēmu modelēšanai ar pielietojumu ķīmijā un materiālu zinātnē.
- Kvantu atbalstīta optimizācija: aptuvenai optimizācijai mēs izstrādājam hibrīda kvantu-klasisko risinātājus. Termiskos lēcienus klasiskajos algoritmos, lai pārvarētu enerģijas barjeras, varētu uzlabot, izmantojot kvantu atjauninājumus. Mūs jo īpaši interesē saskaņota iedzīvotāju pārvietošana.
- Kvantu neironu tīkli: mēs izstrādājam sistēmu kvantu neironu tīkla ieviešanai tuvākajā laika procesoros. Mēs esam ieinteresēti saprast, kādas priekšrocības var rasties, radot masveida superpozīcijas stāvokļus tīkla darbības laikā.
Galvenie rīki, ko izstrādājis Google AI Quantum, ir atvērtā koda ietvari, kas īpaši izstrādāti jaunu kvantu algoritmu izstrādei, lai palīdzētu risināt īstermiņa lietojumus praktiskām problēmām. Tie ietver:
- Cirq: atvērtā koda kvantu ietvars trokšņainu vidēja mēroga kvantu (NISQ) algoritmu veidošanai un eksperimentēšanai uz īstermiņa kvantu procesoriem
- OpenFermion: atvērtā koda platforma ķīmijas un materiālu zinātnes problēmu tulkošanai kvantu ķēdēs, kuras var izpildīt esošajās platformās
Google AI Quantum īslaicīgas lietojumprogrammas ietver:
Kvantu simulācija
Jaunu materiālu izstrāde un sarežģītas fizikas noskaidrošana, izmantojot precīzas ķīmijas un kondensēto vielu modeļu simulācijas, ir vieni no daudzsološākajiem kvantu skaitļošanas pielietojumiem.
Kļūdu mazināšanas paņēmieni
Mēs strādājam, lai izstrādātu metodes ceļā uz pilnīgu kvantu kļūdu korekciju, kas spēj dramatiski samazināt troksni pašreizējās ierīcēs. Kaut arī pilna mēroga kļūdu toleranta kvantu skaitļošana var prasīt ievērojamu attīstību, mēs esam izstrādājuši kvantu apakštelpas paplašināšanas tehniku, lai palīdzētu izmantot kvantu kļūdu korekcijas paņēmienus, lai uzlabotu lietojumprogrammu darbību īslaicīgās ierīcēs. Turklāt šie paņēmieni atvieglo sarežģītu kvantu kodu testēšanu uz īslaicīgām ierīcēm. Mēs aktīvi virzām šīs metodes uz jaunām jomām un izmantojam tās kā pamatu tuvāka termiņa eksperimentu izstrādei.
Kvantu mašīnmācība
Mēs izstrādājam hibrīdu kvantu-klasisko mašīnmācīšanās paņēmienus tuvākajā laika kvantu ierīcēs. Mēs pētām universālu kvantu ķēdes mācīšanos, lai klasificētu un klasterizētu kvantu un klasiskos datus. Mūs interesē arī ģeneratīvie un diskriminējošie kvantu neironu tīkli, kurus varētu izmantot kā kvantu atkārtotājus un stāvokļa attīrīšanas vienības kvantu sakaru tīklos vai citu kvantu ķēžu pārbaudei.
Kvantu optimizācija
Diskrētas aviācijas, automobiļu un citu nozaru optimizācijas var gūt labumu no hibrīda kvantu-klasiskās optimizācijas, piemēram, simulēta atlaidināšana, kvantu atbalstītas optimizācijas algoritms (QAOA) un kvantu uzlabota populācijas pārnešana var būt noderīga mūsdienu procesoriem.
Lai detalizēti iepazītos ar sertifikācijas mācību programmu, varat paplašināt un analizēt zemāk esošo tabulu.
EITC/AI/TFQML TensorFlow kvantu mašīnmācīšanās sertifikācijas mācību programmā ir atsauces uz brīvpiekļuves didaktiskajiem materiāliem video formātā. Mācību process ir sadalīts pakāpeniskā struktūrā (programmas -> nodarbības -> tēmas), kas aptver attiecīgās mācību programmas daļas. Tiek nodrošinātas arī neierobežotas konsultācijas ar domēna ekspertiem.
Lai iegūtu sīkāku informāciju par sertifikācijas procedūru, pārbaudiet Kā tas darbojas.
Mācību programmu atsauces resursi
TensorFlow Quantum (TFQ) ir kvantu mašīnu mācību bibliotēka ātrai hibrīdu kvantu-klasisko ML modeļu prototipēšanai. Pētījumi par kvantu algoritmiem un lietojumprogrammām var izmantot Google kvantu skaitļošanas ietvarus, izmantojot TensorFlow. TensorFlow Quantum koncentrējas uz kvantu datiem un hibrīdu kvantu-klasisko modeļu izveidi. Tas integrē Cirq projektētos kvantu skaitļošanas algoritmus un loģiku, kā arī nodrošina kvantu skaitļošanas primitīvus, kas ir saderīgi ar esošajiem TensorFlow API, kā arī augstas veiktspējas kvantu shēmu simulatorus. Lasiet vairāk TensorFlow Quantum baltajā grāmatā. Kā papildu atsauci varat apskatīt pārskatu un palaist piezīmjdatora apmācības.
https://www.tensorflow.org/quantum
Cirks
Cirq ir atvērtā koda sistēma Noisy Intermediate Scale Quantum (NISQ) datoriem. To izstrādāja Google AI Quantum komanda, un publiskā alfa tika paziņota starptautiskajā seminārā par kvantu programmatūru un kvantu mašīnmācīšanos 18. gada 2018. jūlijā. QC Ware demonstrācija parādīja QAOA ieviešanu, risinot maksimālā samazinājuma piemēru. problēma tiek atrisināta Cirq simulatorā. Kvantu programmas Cirq attēlo "Circuit" un "Schedule", kur "Circuit" apzīmē Quantum shēmu un "Schedule" apzīmē Quantum shēmu ar laika informāciju. Programmas var izpildīt vietējos simulatoros. Šis piemērs parāda, kā izveidot un izmērīt zvana stāvokli Cirq.
importēt apm
# Izvēlieties kubitus
qubit0 = apm.GridQubit(0, 0)
qubit1 = apm.GridQubit(0, 1)
# Izveidojiet ķēdi
circuit = apm.Circuit.from_ops(
apm.H(qubit0),
apm.NAV(qubit0, qubit1),
apm.pasākums(qubit0, taustiņš=“m0”),
apm.pasākums(qubit1, taustiņš=“m1”)
)
Drukājot ķēdi, tiek parādīta tā shēma
drukāt(circuit)
# izdrukas
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Ķēdes simulēšana atkārtoti parāda, ka kvītu mērījumi ir savstarpēji saistīti.
simulators = apm.Simulators()
radīt = simulators.vadīt(circuit, mēģinājumi=5)
drukāt(radīt)
# izdrukas
# m0 = 11010
# m1 = 11010
Lejupielādējiet pilnus bezsaistes pašmācības sagatavošanas materiālus EITC/AI/TFQML TensorFlow Quantum Machine Learning programmai PDF failā
EITC/AI/TFQML sagatavošanas materiāli – standarta versija
EITC/AI/TFQML sagatavošanas materiāli – paplašinātā versija ar pārskata jautājumiem