EITC/AI/TFQML TensorFlow Quantum Machine Learning je europski program IT certificiranja za upotrebu Google TensorFlow Quantum knjižnice za implementaciju strojnog učenja na arhitekturi Google Quantum Processor Sycamore.
Kurikulum EITC/AI/TFQML kvantnog strojnog učenja TensorFlow usredotočen je na teorijska znanja i praktične vještine korištenja Googleove knjižnice TensorFlow Quantum za napredni stroj za kvantni računalni model zasnovan na arhitekturi Google Quantum Processor Sycamore organiziran u sljedećoj strukturi, obuhvaćajući sveobuhvatan video didaktički sadržaj kao referenca za ovu EITC certifikaciju.
TensorFlow Quantum (TFQ) je knjižnica kvantnog strojnog učenja za brzo prototipiranje hibridnih kvantno-klasičnih ML modela. Istraživanje kvantnih algoritama i aplikacija može iskoristiti Googleove kvantne računske okvire, sve unutar TensorFlowa.
TensorFlow Quantum usredotočen je na kvantne podatke i izgradnju hibridnih kvantno-klasičnih modela. Integrira algoritme kvantnog računanja i logiku dizajnirane u Cirq-u (kvantni programski okvir zasnovan na modelu kvantnih sklopova) i pruža primitivne primjene kvantnog računanja kompatibilne s postojećim API-ima TensorFlow, zajedno sa simulatorima kvantnih sklopova visokih performansi. Pročitajte više u bijelom papiru TensorFlow Quantum.
Kvantno računanje je upotreba kvantnih fenomena kao što su superpozicija i zapletanje za obavljanje izračuna. Računala koja izvode kvantna računanja poznata su kao kvantna računala. Vjeruje se da su kvantna računala sposobna rješavati određene računske probleme, poput cjelovitog faktoriziranja (koji je temelj RSA enkripcije), znatno brže od klasičnih računala. Proučavanje kvantnog računanja je potpolje kvantne informacijske znanosti.
Kvantno računanje započelo je početkom 1980-ih, kada je fizičar Paul Benioff predložio kvantno-mehanički model Turingova stroja. Richard Feynman i Yuri Manin kasnije su sugerirali da kvantno računalo može simulirati stvari koje klasično računalo nije moglo. Godine 1994. Peter Shor razvio je kvantni algoritam za računanje cijelih brojeva koji su mogli dešifrirati RSA-šifriranu komunikaciju. Unatoč stalnom eksperimentalnom napretku od kasnih 1990-ih, većina istraživača vjeruje da je "kvantno računanje otporno na greške još uvijek prilično dalek san." Posljednjih godina povećala su se ulaganja u istraživanja kvantnog računanja i u javnom i u privatnom sektoru. 23. listopada 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 računalu (takozvani rezultat kvantne nadmoći).
Postoji nekoliko modela kvantnih računala (ili bolje rečeno, kvantni računski sustavi), uključujući model kvantnih sklopova, kvantni Turingov stroj, adijabatsko kvantno računalo, jednosmjerno kvantno računalo i razne kvantne stanične automate. Najrasprostranjeniji model je kvantni sklop. Kvantni krugovi temelje se 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; vjerojatnosti ova dva ishoda ovise o kvantnom stanju u kojem su bili kubiti neposredno prije mjerenja.
Napredak u izgradnji fizičkog kvantnog računala usredotočen je na tehnologije poput transmona, ionskih zamki i topoloških kvantnih računala kojima je cilj stvoriti visokokvalitetne kubite. Ti kubiti mogu biti dizajnirani različito, ovisno o računalnom modelu punog kvantnog računala, bilo da su kvantna logička vrata, kvantno žarenje ili adijabatsko kvantno računanje. Trenutno postoji niz značajnih prepreka na putu stvaranja korisnih kvantnih računala. Konkretno, teško je održavati kvantna stanja qubita jer pate od kvantne dekoherencije i vjernosti stanja. Stoga kvantna računala zahtijevaju ispravljanje pogrešaka. Bilo koji računalni problem koji se može riješiti klasičnim računalom može se riješiti i kvantnim računalom. Suprotno tome, bilo koji problem koji se može riješiti kvantnim računalom može se riješiti i klasičnim računalom, barem u principu s dovoljno vremena. Drugim riječima, kvantna računala slušaju Church-Turingovu tezu. Iako to znači da kvantna računala ne pružaju dodatne prednosti u odnosu na klasična računala u pogledu izračunljivosti, kvantni algoritmi za određene probleme imaju znatno nižu vremensku složenost od odgovarajućih poznatih klasičnih algoritama. Značajno je kako se vjeruje da su kvantna računala u stanju brzo riješiti određene probleme koje niti jedno klasično računalo ne bi moglo riješiti u bilo kojem izvedivom vremenskom roku - podvig poznat kao "kvantna nadmoć". Proučavanje računske složenosti problema s obzirom na kvantna računala poznato je kao kvantna teorija složenosti.
Google Sycamore kvantni je procesor koji je kreirao odjel za umjetnu inteligenciju tvrtke Google Inc. Sadrži 53 qubita.
2019. Sycamore je za 200 sekundi dovršio zadatak za koji je Google tvrdio da će, u časopisu Nature, trebati najsuvremenijem superračunalu da ga dovrši 10,000 2.5 godina. Stoga je Google tvrdio da je postigao kvantnu nadmoć. Kako bi procijenio vrijeme koje bi trebalo klasičnom superračunalu, Google je pokrenuo dijelove simulacije kvantnog kruga na Summitu, najmoćnijem klasičnom računalu na svijetu. Kasnije je IBM iznio kontraargument tvrdeći da će za klasični sustav poput Summita zadatak trajati samo XNUMX dana. Ako se uvaže Googleove tvrdnje, to bi predstavljalo eksponencijalni skok u računalnoj snazi.
U kolovozu 2020. kvantni inženjeri koji rade za Google izvijestili su o najvećoj kemijskoj simulaciji na kvantnom računalu - aproksimaciji Hartree-Fock sa Sycamoreom uparenom s klasičnim računalom koje je analiziralo rezultate kako bi pružilo nove parametre za 12-kubitni sustav.
U prosincu 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 računalom koje je postiglo kvantnu nadmoć.
Laboratorij kvantne umjetne inteligencije (također nazvan Quantum AI Lab ili QuAIL) zajednička je inicijativa NASA-e, Sveučilišta svemirskih istraživačkih udruga i Googlea (konkretno, Google Research) čiji je cilj pionirsko istraživanje o tome kako kvantno računanje može pomoći u strojnom učenju i drugim teškim računalnim problemima. Laboratorij je domaćin NASA-inom istraživačkom centru Ames.
Quantum AI Lab najavio je Google Research u blogu 16. svibnja 2013. U trenutku pokretanja, Lab je koristio najnaprednije komercijalno dostupno kvantno računalo, D-Wave Two tvrtke D-Wave Systems.
20. svibnja 2013. objavljeno je da se ljudi mogu prijaviti za korištenje vremena na D-valu dva u laboratoriju. 10. listopada 2013. Google je objavio kratki film koji opisuje trenutno stanje Quantum AI Laba. 18. listopada 2013. Google je objavio da je kvantnu fiziku ugradio u Minecraft.
U siječnju 2014. Google je izvijestio o rezultatima uspoređujući performanse D-Wave Two u laboratoriju i klasičnih računala. Rezultati su bili dvosmisleni i izazvali su burnu raspravu na Internetu. Dana 2. rujna 2014. objavljeno je da će Quantum AI Lab, u partnerstvu s UC Santa Barbara, pokrenuti inicijativu za stvaranje kvantnih procesora informacija na bazi superprovodne elektronike.
23. listopada 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 teoretskih tako i praktičnih.
Smatra se da kvantno računanje pomaže u razvoju sutrašnjih inovacija, uključujući AI. Zbog toga Google posvećuje značajne resurse za izgradnju namjenskog kvantnog hardvera i softvera.
Kvantno računanje nova je paradigma koja će igrati veliku ulogu u ubrzavanju zadataka za AI. Google želi ponuditi istraživačima i programerima pristup okvirima otvorenog koda i računalnoj snazi koja može raditi izvan klasičnih mogućnosti računanja.
Glavna područja fokusa Google AI Quantuma su
- Superprovodljivi kubitni procesori: Superprovodljivi kubiti s skalabilnom arhitekturom zasnovanom na čipu i ciljaju pogrešku dvokubnih vrata <0.5%.
- Qubit mjeriteljstvo: Smanjenje gubitka od dva kubita ispod 0.2% kritično je za ispravljanje pogrešaka. Radimo na eksperimentu s kvantnom nadmoći, kako bismo približno uzorkovali kvantni sklop izvan mogućnosti najsuvremenijih klasičnih računala i algoritama.
- Kvantna simulacija: Simulacija fizičkih sustava jedna je od najočekivanijih primjena kvantnog računanja. Posebno se fokusiramo na kvantne algoritme za modeliranje sustava interakcijskih elektrona s primjenama u kemiji i znanosti o materijalima.
- Kvantno potpomognuta optimizacija: Razvijamo hibridne kvantno-klasične rješavače za približnu optimizaciju. Termalni skokovi u klasičnim algoritmima za prevladavanje energetskih barijera mogli bi se poboljšati pozivanjem na kvantna ažuriranja. Posebno smo zainteresirani za koherentni transfer stanovništva.
- Kvantne neuronske mreže: Razvijamo okvir za primjenu kvantne neuronske mreže na kratkoročnim procesorima. Zanima nas kakve prednosti mogu nastati stvaranjem masivnih stanja superpozicije tijekom 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. To uključuje:
- Cirq: kvantni okvir otvorenog koda za izgradnju i eksperimentiranje s bučnim kvantnim algoritmima srednje razmjere (NISQ) na kratkotrajnim kvantnim procesorima
- OpenFermion: platforma otvorenog koda za prevođenje problema iz kemije i znanosti o materijalima u kvantne sklopove koji se mogu izvršiti na postojećim platformama
Kratkoročne aplikacije Google AI Quantum uključuju:
Kvantna simulacija
Dizajn novih materijala i pojašnjenje složene fizike preciznim simulacijama kemije i modela kondenzirane materije među najperspektivnijim su primjenama kvantnog računanja.
Tehnike ublažavanja pogrešaka
Radimo na razvoju metoda na putu do potpune kvantne korekcije pogrešaka koje imaju sposobnost dramatičnog smanjenja buke 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 korekcije kvantnih pogrešaka kako bismo poboljšali performanse aplikacija na kratkoročnim uređajima. Štoviše, ove tehnike olakšavaju ispitivanje složenih kvantnih kodova na kratkotrajnim uređajima. Te tehnike aktivno potiskujemo u nova područja i koristimo ih kao osnovu za dizajn kratkoročnih eksperimenata.
Kvantno strojno učenje
Razvijamo hibridne kvantno-klasične tehnike strojnog učenja na kratkotrajnim kvantnim uređajima. Proučavamo učenje univerzalnog kvantnog kruga za klasifikaciju i klasteriranje kvantnih i klasičnih podataka. Također nas zanimaju 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 s nastavnim planom i programom certificiranja, možete proširiti i analizirati donju tablicu.
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum navodi didaktičke materijale otvorenog pristupa u obliku videa. Proces učenja podijeljen je u strukturu korak po korak (programi -> lekcije -> teme) koja pokriva relevantne dijelove kurikuluma. Također je osigurano neograničeno savjetovanje sa stručnjacima za domenu.
Za detalje o postupku certificiranja provjerite Kako radi.
Referentni resursi za kurikulum
TensorFlow Quantum (TFQ) je knjižnica kvantnog strojnog učenja za brzo prototipiranje hibridnih kvantno-klasičnih ML modela. Istraživanje kvantnih algoritama i aplikacija može iskoristiti Googleove kvantne računske okvire, sve unutar TensorFlowa. TensorFlow Quantum usredotočen je na kvantne podatke i izgradnju hibridnih kvantno-klasičnih modela. Integrira algoritme kvantnog računanja i logiku dizajnirane u Cirqu, a pruža primitive kvantnog računanja kompatibilne s postojećim API-ima TensorFlow, zajedno s simulatorima kvantnih sklopova 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 računala Noisy Intermediate Scale Quantum (NISQ). Razvio ga je Google AI Quantum Team, a javna je alfa najavljena na međunarodnoj radionici o kvantnom softveru i kvantnom strojnom učenju 18. srpnja 2018. Demonstracija QC Ware pokazala je primjenu QAOA rješavanja primjera maksimalnog rezanja problem koji se rješava na simulatoru Cirq. Kvantni programi u Cirqu predstavljeni su "Circuit" i "Schedule", gdje "Circuit" predstavlja kvantni krug, a "Schedule" kvantni krug s informacijama o vremenu. Programi se mogu izvoditi na lokalnim simulatorima. Sljedeći primjer pokazuje kako stvoriti i izmjeriti stanje zvona u Cirqu.
uvoz cirk
# Izaberite qubite
qubit0 = cirk.GridQubit(0, 0)
qubit1 = cirk.GridQubit(0, 1)
# Stvorite sklop
strujni krug = cirk.Strujni krug.od_ops(
cirk.H(qubit0),
cirk.NOTE(qubit0, qubit1),
cirk.mjeriti(qubit0, ključ='m0'),
cirk.mjeriti(qubit1, ključ='m1')
)
Ispis kruga prikazuje njegov dijagram
otisak(strujni krug)
# ispisa
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Uzastopno simuliranje sklopa pokazuje da su mjerenja kubita korelirana.
simulator = cirk.Simulator()
rezultirati = simulator.trčanje(strujni krug, ponavljanja=5)
otisak(rezultirati)
# ispisa
# m0 = 11010
# m1 = 11010
Preuzmite kompletne izvanmrežne pripremne materijale za samoučenje 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 s pitanjima za ponavljanje