EITC/AI/TFQML TensorFlow Quantum Machine Learning je európsky program certifikácie IT využívajúci knižnicu Google TensorFlow Quantum na implementáciu strojového učenia na architektúre Google Quantum Processor Sycamore.
Učebné osnovy kvantového strojového učenia EITC/AI/TFQML TensorFlow sa zameriavajú na teoretické vedomosti a praktické zručnosti pri používaní knižnice TensorFlow Quantum spoločnosti Google pre pokročilé strojové učenie založené na kvantovom výpočtovom modeli založené na architektúre Google Quantum Processor Sycamore organizované v nasledujúcej štruktúre, ktorá zahŕňa komplexné video didaktický obsah ako referencia pre túto certifikáciu EITC.
TensorFlow Quantum (TFQ) je knižnica kvantového strojového učenia pre rýchle prototypovanie hybridných kvantovo-klasických ML modelov. Výskum kvantových algoritmov a aplikácií môže využiť rámce kvantového výpočtu spoločnosti Google, a to všetko v rámci TensorFlow.
TensorFlow Quantum sa zameriava na kvantové dáta a budovanie hybridných kvantovo-klasických modelov. Integruje kvantové výpočtové algoritmy a logiku navrhnuté v Cirq (rámec kvantového programovania založený na modeli kvantových obvodov) a poskytuje primitívne kvantové výpočty kompatibilné s existujúcimi API TensorFlow spolu s vysoko výkonnými simulátormi kvantových obvodov. Prečítajte si viac v bielej knihe TensorFlow Quantum.
Kvantové počítanie je použitie kvantových javov, ako je superpozícia a zapletenie, do vykonania výpočtu. Počítače, ktoré vykonávajú kvantové výpočty, sú známe ako kvantové počítače. Predpokladá sa, že kvantové počítače sú schopné vyriešiť určité výpočtové problémy, ako je napríklad celočíselná faktorizácia (ktorá je základom šifrovania RSA), podstatne rýchlejšie ako klasické počítače. Štúdium kvantovej výpočtovej techniky je podoborom kvantovej informačnej vedy.
Kvantové výpočty sa začali na začiatku 1980. rokov, keď fyzik Paul Benioff navrhol kvantovo mechanický model Turingovho stroja. Richard Feynman a Yuri Manin neskôr navrhli, že kvantový počítač má potenciál simulovať veci, ktoré klasický počítač nedokázal. V roku 1994 Peter Shor vyvinul kvantový algoritmus pre factoring celých čísel, ktorý mal potenciál dešifrovať komunikáciu šifrovanú RSA. Napriek pokračujúcemu experimentálnemu pokroku od konca 1990. rokov sa väčšina vedcov domnieva, že „kvantový počítač odolný voči chybám je stále dosť vzdialeným snom“. V posledných rokoch sa zvýšili investície do výskumu kvantovej výpočtovej techniky vo verejnom aj súkromnom sektore. Dňa 23. októbra 2019 spoločnosť Google AI v spolupráci s Národným úradom pre letectvo a vesmír (NASA) USA vykonala kvantový výpočet, ktorý je na akomkoľvek klasickom počítači nemožné (takzvaný výsledok kvantovej nadradenosti).
Existuje niekoľko modelov kvantových počítačov (alebo skôr kvantových výpočtových systémov), vrátane modelu kvantových obvodov, kvantového Turingovho stroja, adiabatického kvantového počítača, jednosmerného kvantového počítača a rôznych kvantových bunkových automatov. Najpoužívanejším modelom je kvantový obvod. Kvantové obvody sú založené na kvantovom bite alebo „qubite“, ktorý je trochu analogický s bitom v klasickom výpočte. Qubity môžu byť v kvantovom stave 1 alebo 0 alebo môžu byť v superpozícii stavov 1 a 0. Keď sa však merajú qubits, výsledkom merania je vždy buď 0 alebo 1; pravdepodobnosti týchto dvoch výsledkov závisia od kvantového stavu, v ktorom sa qubits nachádzali bezprostredne pred meraním.
Pokrok v budovaní fyzického kvantového počítača sa zameriava na technológie, ako sú transmóny, iónové pasce a topologické kvantové počítače, ktorých cieľom je vytvárať vysoko kvalitné qubity. Tieto qubity môžu byť navrhnuté inak, v závislosti od výpočtového modelu celého kvantového počítača, či už ide o kvantové logické brány, kvantové žíhanie alebo adiabatický kvantový výpočet. V súčasnej dobe existuje veľa významných prekážok v ceste k konštrukcii užitočných kvantových počítačov. Je obzvlášť ťažké udržať kvantové stavy qubitov, pretože trpia kvantovou dekoherenciou a vernosťou stavu. Kvantové počítače preto vyžadujú opravu chýb. Akýkoľvek výpočtový problém, ktorý môže vyriešiť klasický počítač, môže vyriešiť aj kvantový počítač. Naopak, akýkoľvek problém, ktorý je možné vyriešiť kvantovým počítačom, je možné vyriešiť aj klasickým počítačom, prinajmenšom v zásade s dostatkom času. Inými slovami, kvantové počítače sa riadia tézou Cirkev – Turing. Aj keď to znamená, že kvantové počítače neposkytujú oproti klasickým počítačom žiadne ďalšie výhody, pokiaľ ide o vypočítateľnosť, kvantové algoritmy pre určité problémy majú podstatne nižšiu časovú zložitosť ako zodpovedajúce známe klasické algoritmy. Je známe, že kvantové počítače sú schopné rýchlo vyriešiť určité problémy, ktoré by žiadny klasický počítač nedokázal vyriešiť v akomkoľvek uskutočniteľnom čase - čo je čin známy ako „kvantová prevaha“. Štúdium výpočtovej zložitosti problémov s ohľadom na kvantové počítače je známe ako teória kvantovej zložitosti.
Google Sycamore je kvantový procesor vytvorený divíziou umelej inteligencie spoločnosti Google Inc. Skladá sa z 53 qubitov.
V roku 2019 spoločnosť Sycamore dokončila za 200 sekúnd úlohu, ktorú spoločnosť Google tvrdila v článku Nature, že dokončenie najmodernejšieho superpočítača bude trvať 10,000 2.5 rokov. Google teda tvrdil, že dosiahol kvantovú prevahu. Na odhadnutie času, ktorý by si vzal klasický superpočítač, spustil Google časti simulácie kvantových obvodov na Summite, najvýkonnejšom klasickom počítači na svete. Neskôr spoločnosť IBM predložila protiargument a tvrdila, že v prípade klasického systému, ako je Summit, bude táto úloha trvať iba XNUMX dňa. Ak sa potvrdia tvrdenia spoločnosti Google, znamenalo by to exponenciálny skok vo výpočtovej sile.
V auguste 2020 oznámili kvantoví inžinieri pracujúci pre Google najväčšiu chemickú simuláciu na kvantovom počítači - Hartree-Fockova aproximácia so Sycamore spárovaná s klasickým počítačom, ktorý analyzoval výsledky a poskytoval nové parametre pre 12-qubitový systém.
V decembri 2020 dosiahol čínsky fotonový procesor Jiuzhang vyvinutý spoločnosťou USTC výkon spracovania 76 qubitov a bol 10 miliárdkrát rýchlejší ako Sycamore, čím sa stal druhým počítačom, ktorý dosiahol kvantovú prevahu.
Laboratórium Quantum Artificial Intelligence Lab (tiež nazývané Quantum AI Lab alebo QuAIL) je spoločnou iniciatívou NASA, asociácie Universities Space Research Association a Google (konkrétne Google Research), ktorých cieľom je priekopnícky výskum v oblasti toho, ako by kvantové výpočty mohli pomôcť pri strojovom učení a ďalšie zložité problémy počítačovej vedy. Laboratórium je hostené v Amesovom výskumnom centre NASA.
Laboratórium Quantum AI Lab oznámila spoločnosť Google Research v blogovom príspevku 16. mája 2013. V čase uvedenia laboratórium na trh využívalo najpokročilejší komerčne dostupný kvantový počítač D-Wave Two od spoločnosti D-Wave Systems.
20. mája 2013 bolo oznámené, že ľudia môžu požiadať o využitie času na D-vlne dvoch v laboratóriu. 10. októbra 2013 spoločnosť Google vydala krátky film, ktorý popisuje súčasný stav laboratória Quantum AI. 18. októbra 2013 spoločnosť Google oznámila, že do Minecraftu začlenila kvantovú fyziku.
V januári 2014 spoločnosť Google uviedla výsledky porovnávajúce výkonnosť D-Wave Two v laboratóriu s výkonmi klasických počítačov. Výsledky boli nejednoznačné a vyvolali búrlivú diskusiu na internete. 2. septembra 2014 bolo oznámené, že Quantum AI Lab v spolupráci s UC Santa Barbara zaháji iniciatívu na vytvorenie kvantových informačných procesorov založených na supravodivej elektronike.
23. októbra 2019 laboratórium Quantum AI Lab vo svojom príspevku oznámilo, že dosiahlo kvantovú prevahu.
Google AI Quantum zdokonaľuje kvantové výpočty vývojom kvantových procesorov a nových kvantových algoritmov, ktoré pomáhajú výskumníkom a vývojárom riešiť krátkodobé problémy teoretické aj praktické.
Kvantové výpočty sa považujú za pomoc pri vývoji inovácií zajtrajška vrátane AI. Preto spoločnosť Google vyčlenila značné prostriedky na vybudovanie vyhradeného kvantového hardvéru a softvéru.
Kvantové výpočty sú novou paradigmou, ktorá bude hrať veľkú úlohu pri akcelerácii úloh pre AI. Google si kladie za cieľ ponúknuť výskumníkom a vývojárom prístup k frameworkom otvoreného zdroja a výpočtovému výkonu, ktorý môže fungovať nad rámec klasických výpočtových možností.
Hlavné oblasti zamerania aplikácie Google AI Quantum sú
- Supravodivé procesory qubit: Supravodivé qubity s čipovou škálovateľnou architektúrou zamerané na chybu brány s dvomi qubitmi <0.5%.
- Metrológia Qubit: Zníženie straty dvoch qubitov pod 0.2% je rozhodujúce pre opravu chyby. Pracujeme na experimente kvantovej nadvlády, aby sme približne odobrali vzorku kvantového obvodu nad možnosti moderných klasických počítačov a algoritmov.
- Kvantová simulácia: Simulácia fyzických systémov patrí medzi najočakávanejšie aplikácie kvantovej výpočty. Špeciálne sa zameriavame na kvantové algoritmy na modelovanie systémov interagujúcich elektrónov s aplikáciami v chémii a materiálových vedách.
- Kvantová asistovaná optimalizácia: Vyvíjame hybridné kvantovo-klasické riešenia pre približnú optimalizáciu. Tepelné skoky v klasických algoritmoch na prekonanie energetických bariér je možné zvýšiť vyvolaním kvantových aktualizácií. Nás obzvlášť zaujíma koherentný presun obyvateľstva.
- Kvantové neurónové siete: Vyvíjame rámec na implementáciu kvantovej neurónovej siete na krátkodobých procesoroch. Zaujíma nás, aké výhody môžu vzniknúť pri generovaní stavov masívnej superpozície počas prevádzky siete.
Hlavnými nástrojmi vyvinutými spoločnosťou Google AI Quantum sú rámce otvoreného zdroja špeciálne navrhnuté na vývoj nových kvantových algoritmov, ktoré pomáhajú riešiť krátkodobé aplikácie pre praktické problémy. Tie obsahujú:
- Cirq: otvorený kvantový rámec pre vytváranie a experimentovanie s hlučnými kvantovými algoritmami stredného rozsahu (NISQ) na krátkodobých kvantových procesoroch
- OpenFermion: platforma otvoreného zdroja na prekladanie problémov v chémii a materiálových vedách do kvantových obvodov, ktoré je možné vykonať na existujúcich platformách
Krátkodobé aplikácie Google AI Quantum zahŕňajú:
Kvantová simulácia
Dizajn nových materiálov a objasnenie zložitej fyziky pomocou presných simulácií modelov chémie a kondenzovaných látok patria medzi najsľubnejšie aplikácie kvantového výpočtu.
Techniky zmierňovania chýb
Pracujeme na vývoji metód na ceste k úplnej kvantovej korekcii chýb, ktoré majú schopnosť dramaticky znížiť šum v súčasných zariadeniach. Zatiaľ čo kvantové výpočty odolné voči chybám v plnom rozsahu môžu vyžadovať značný vývoj, vyvinuli sme techniku rozšírenia kvantového podpriestoru, aby sme pomohli využiť techniky kvantovej korekcie chýb na zlepšenie výkonu aplikácií na zariadeniach s krátkodobým dosahom. Tieto techniky navyše uľahčujú testovanie zložitých kvantových kódov na zariadeniach s blízkym obdobím. Aktívne tlačíme tieto techniky do nových oblastí a využívame ich ako základ pre návrh krátkodobých experimentov.
Kvantové strojové učenie
Vyvíjame hybridné techniky kvantového a klasického strojového učenia na krátkodobých kvantových zariadeniach. Študujeme univerzálne učenie kvantového obvodu pre klasifikáciu a zhlukovanie kvantových a klasických údajov. Zaujímajú nás tiež generatívne a diskriminačné kvantové neurónové siete, ktoré by sa dali použiť ako kvantové opakovače a jednotky na čistenie stavu v rámci kvantových komunikačných sietí alebo na overenie ďalších kvantových obvodov.
Kvantová optimalizácia
Diskrétne optimalizácie v kozmickom, automobilovom a inom priemysle môžu mať úžitok z hybridnej kvantovo-klasickej optimalizácie, napríklad simulované žíhanie, kvantovo asistovaný optimalizačný algoritmus (QAOA) a kvantovo vylepšený prenos populácie môžu byť užitočné s dnešnými procesormi.
Aby ste sa podrobne oboznámili s certifikačným učebným plánom, môžete rozšíriť a analyzovať tabuľku nižšie.
Certifikačný kurikulum EITC/AI/TFQML TensorFlow Quantum Machine Learning odkazuje na didaktické materiály s otvoreným prístupom vo forme videa. Učebný proces je rozdelený do štruktúry krok za krokom (programy -> lekcie -> témy) pokrývajúce príslušné časti kurikula. Poskytuje sa aj neobmedzené poradenstvo s odborníkmi na domény.
Podrobnosti o kontrole postupu certifikácie Ako funguje CBD Factum Pet Solution?.
Referenčné zdroje učebných osnov
TensorFlow Quantum (TFQ) je knižnica kvantového strojového učenia pre rýchle prototypovanie hybridných kvantovo-klasických ML modelov. Výskum kvantových algoritmov a aplikácií môže využiť rámce kvantového výpočtu spoločnosti Google, a to všetko v rámci TensorFlow. TensorFlow Quantum sa zameriava na kvantové dáta a budovanie hybridných kvantovo-klasických modelov. Integruje kvantové výpočtové algoritmy a logiku navrhnuté v Cirq a poskytuje kvantové výpočtové primitívy kompatibilné s existujúcimi API TensorFlow spolu s vysoko výkonnými simulátormi kvantových obvodov. Prečítajte si viac v bielej knihe TensorFlow Quantum. Ako ďalšiu referenciu si môžete pozrieť prehľad a spustiť výukové programy pre notebooky.
https://www.tensorflow.org/quantum
Cca
Cirq je open-source framework pre počítače Noisy Intermediate Scale Quantum (NISQ). Bol vyvinutý tímom Google AI Quantum a verejná alfa bola oznámená na medzinárodnom workshope o kvantovom softvéri a kvantovom strojovom učení 18. júla 2018. Demo od spoločnosti QC Ware ukázalo implementáciu QAOA, ktorá rieši príklad maximálneho zníženia problém riešený na simulátore Cirq. Kvantové programy v Cirq sú reprezentované ako „Circuit“ a „Schedule“, kde „Circuit“ predstavuje kvantový obvod a „Schedule“ predstavuje kvantový obvod s informáciami o časovaní. Programy je možné vykonávať na miestnych simulátoroch. Nasledujúci príklad ukazuje, ako vytvoriť a merať stav Bell v Cirq.
import cirk
# Vyberte qubits
qubit0 = cirk.GridQubit(0, 0)
qubit1 = cirk.GridQubit(0, 1)
# Vytvorte obvod
obvod = cirk.obvod.from_ops(
cirk.H(qubit0),
cirk.cne(qubit0, qubit1),
cirk.zmerať(qubit0, kľúč=„m0“),
cirk.zmerať(qubit1, kľúč=„m1“)
)
Po vytlačení obvodu sa zobrazí jeho schéma
vytlačiť(obvod)
# výtlačkov
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Simulácia obvodu opakovane ukazuje, že merania qubitov sú korelované.
Simulátor = cirk.Simulator()
následok = Simulátor.beh(obvod, skúšky=5)
vytlačiť(následok)
# výtlačkov
# m0 = 11010
# m1 = 11010
Stiahnite si kompletné offline samovzdelávacie prípravné materiály pre program EITC/AI/TFQML TensorFlow Quantum Machine Learning v súbore PDF
Prípravné materiály EITC/AI/TFQML – štandardná verzia
Prípravné materiály EITC/AI/TFQML – rozšírená verzia o recenzné otázky