EITC/AI/TFQML TensorFlow Quantum Machine Learning je evropski program certificiranja IT za uporabo knjižnice Google TensorFlow Quantum za izvajanje strojnega učenja v arhitekturi Google Quantum Processor Sycamore.
Učni načrt kvantnega strojnega učenja EITC/AI/TFQML TensorFlow se osredotoča na teoretično znanje in praktične spretnosti pri uporabi Googlove knjižnice TensorFlow Quantum za napredno kvantno računsko modeliranje na osnovi strojnega učenja na arhitekturi Google Quantum Processor Sycamore, organizirano v naslednji strukturi, ki zajema obsežen video didaktična vsebina kot referenca za to potrdilo EITC.
TensorFlow Quantum (TFQ) je knjižnica kvantnega strojnega učenja za hitro izdelavo prototipov hibridnih kvantno-klasičnih modelov ML. Raziskave kvantnih algoritmov in aplikacij lahko izkoristijo Googlove ogrodje kvantnih računalnikov, vse znotraj TensorFlowa.
TensorFlow Quantum se osredotoča na kvantne podatke in gradi hibridne kvantno-klasične modele. Vključuje algoritme in logiko kvantnega računanja, zasnovane v Cirqu (kvantni programski okvir, ki temelji na modelu kvantnih vezij), in zagotavlja primitive kvantnega računalništva, združljive z obstoječimi API-ji TensorFlow, skupaj z visoko zmogljivimi simulatorji kvantnih vezij. Preberite več v belem listu TensorFlow Quantum.
Kvantno računanje je uporaba kvantnih pojavov, kot sta superpozicija in prepletenost, za izvajanje izračuna. Računalniki, ki izvajajo kvantne izračune, so znani kot kvantni računalniki. Verjame se, da lahko kvantni računalniki bistveno hitreje kot klasični računalniki rešujejo nekatere računske težave, na primer celoštevilčno razčlenjevanje (ki je osnova RSA šifriranja). Študij kvantnega računalništva je podpolje kvantne informacijske znanosti.
Kvantno računanje se je začelo v zgodnjih osemdesetih letih, ko je fizik Paul Benioff predlagal kvantno mehanski model Turingovega stroja. Richard Feynman in Yuri Manin sta kasneje trdila, da bi kvantni računalnik lahko simuliral stvari, ki jih klasični računalnik ni mogel. Leta 1980 je Peter Shor razvil kvantni algoritem za faktoring celih števil, ki bi lahko dešifriral RSA-šifrirane komunikacije. Kljub stalnemu eksperimentalnemu napredku od konca devetdesetih let prejšnjega stoletja večina raziskovalcev meni, da so "kvantno računalništvo, odporno na napake, še vedno precej oddaljene sanje." V zadnjih letih so se povečale naložbe v raziskave kvantnega računalništva tako v javnem kot v zasebnem sektorju. 1994. oktobra 1990 je Google AI v partnerstvu z ameriško Nacionalno upravo za aeronavtiko in vesolje (NASA) trdil, da je izvedel kvantni izračun, ki je neizvedljiv na katerem koli klasičnem računalniku (tako imenovani rezultat kvantne nadvlade).
Obstaja več modelov kvantnih računalnikov (ali bolje rečeno, kvantni računalniški sistemi), vključno z modelom kvantnih vezij, kvantnim Turingovim strojem, adiabatskim kvantnim računalnikom, enosmernim kvantnim računalnikom in različnimi kvantnimi celičnimi avtomati. Najbolj razširjen model je kvantno vezje. Kvantna vezja temeljijo na kvantnem bitu ali "qubit", kar je nekoliko analogno bitu v klasičnem računanju. Kubiti so lahko v 1 ali 0 kvantnem stanju ali pa v superpoziciji 1 in 0 stanj. Kadar se merijo kubiti, je rezultat merjenja vedno 0 ali 1; verjetnosti teh dveh izidov so odvisne od kvantnega stanja, v katerem so bili kubiti tik pred meritvijo.
Napredek pri gradnji fizičnega kvantnega računalnika se osredotoča na tehnologije, kot so transmoni, ionske pasti in topološki kvantni računalniki, katerih cilj je ustvariti visokokakovostne kubite. Ti kubiti so lahko zasnovani drugače, odvisno od računalniškega modela celotnega kvantnega računalnika, ne glede na to, ali so kvantna logična vrata, kvantno žarjenje ali adiabatski kvantni izračun. Trenutno obstajajo številne pomembne ovire pri izdelavi uporabnih kvantnih računalnikov. Zlasti je težko vzdrževati kvantna stanja kubitov, saj trpijo zaradi kvantne dekoherencije in zvestobe stanja. Kvantni računalniki zato zahtevajo popravek napak. Vsak računski problem, ki ga lahko reši klasični računalnik, lahko reši tudi kvantni računalnik. Nasprotno pa lahko vsak problem, ki ga lahko reši kvantni računalnik, reši tudi klasičen računalnik, vsaj načeloma z dovolj časa. Z drugimi besedami, kvantni računalniki se podrejajo tezi Church-Turinga. Čeprav to pomeni, da kvantni računalniki ne zagotavljajo dodatnih prednosti pred klasičnimi računalniki v smislu izračunljivosti, imajo kvantni algoritmi za določene probleme bistveno nižjo časovno zapletenost kot ustrezni znani klasični algoritmi. Predvsem velja, da lahko kvantni računalniki hitro rešijo nekatere težave, ki jih noben klasični računalnik ne bi mogel rešiti v nobenem razumnem času - podvig, znan kot "kvantna nadvlada". Preučevanje računske zapletenosti problemov glede kvantnih računalnikov je znano kot teorija kvantne kompleksnosti.
Google Sycamore je kvantni procesor, ki ga je ustvaril oddelek za umetno inteligenco družbe Google Inc. Obsega 53 kubitov.
Leta 2019 je Sycamore v 200 sekundah opravil nalogo, za katero je Google v časopisu Nature zatrdil, da bo za dokončanje najsodobnejšega superračunalnika potreboval 10,000 let. Tako je Google trdil, da je dosegel kvantno prevlado. Da bi ocenil čas, ki bi ga potreboval klasični superračunalnik, je Google na vrhu, najmočnejšem klasičnem računalniku na svetu, vodil dele simulacije kvantnega vezja. Kasneje je IBM podal nasprotni argument in zatrdil, da bo naloga v klasičnem sistemu, kot je Summit, trajala le 2.5 dni. Če se Googlovim trditvam ugodi, bi to pomenilo eksponentni preskok v računalniški moči.
Avgusta 2020 so kvantni inženirji, ki delajo za Google, poročali o največji kemijski simulaciji na kvantnem računalniku - približku Hartree-Fock s Sycamorejem v kombinaciji s klasičnim računalnikom, ki je analiziral rezultate, da bi zagotovil nove parametre za 12-kubitni sistem.
Decembra 2020 je kitajski procesor Jiuzhang s fotoni, ki ga je razvil USTC, dosegel procesorsko moč 76 kubitov in je bil 10 milijard krat hitrejši od Sycamoreja, s čimer je postal drugi računalnik, ki je dosegel kvantno prevlado.
Laboratorij za kvantno umetno inteligenco (imenovan tudi Quantum AI Lab ali QuAIL) je skupna pobuda NASA-e, Združenja za vesoljske raziskave univerz in Googla (natančneje Google Research), katerega cilj je pionirska raziskava o tem, kako lahko kvantno računalništvo pomaga pri strojnem učenju in druge težke probleme računalništva. Laboratorij gosti NASA-in raziskovalni center Ames.
Laboratorij Quantum AI je Google Research objavil v objavi v blogu 16. maja 2013. V času lansiranja je laboratorij uporabljal najnaprednejši komercialno dostopni kvantni računalnik D-Wave Two podjetja D-Wave Systems.
20. maja 2013 je bilo objavljeno, da se lahko ljudje prijavijo za uporabo časa na D-Wave Two v laboratoriju. 10. oktobra 2013 je Google izdal kratek film, ki opisuje trenutno stanje laboratorija Quantum AI. 18. oktobra 2013 je Google objavil, da je kvantno fiziko vključil v Minecraft.
Januarja 2014 je Google objavil rezultate, v katerih je primerjal zmogljivost D-Wave Two v laboratoriju in klasičnih računalnikov. Rezultati so bili dvoumni in so sprožili burno razpravo na internetu. 2. septembra 2014 je bilo napovedano, da bo Quantum AI Lab v partnerstvu z UC Santa Barbara sprožil pobudo za ustvarjanje kvantnih informacijskih procesorjev na osnovi superprevodne elektronike.
23. oktobra 2019 je laboratorij Quantum AI v prispevku objavil, da je dosegel kvantno prevlado.
Google AI Quantum napreduje na področju kvantnega računalništva z razvojem kvantnih procesorjev in novih kvantnih algoritmov, ki raziskovalcem in razvijalcem pomagajo reševati kratkoročne teoretične in praktične probleme.
Kvantno računalništvo naj bi pomagalo pri razvoju prihodnjih inovacij, vključno z umetno inteligenco. Zato Google namenja pomembna sredstva za izdelavo namenske kvantne strojne in programske opreme.
Kvantno računanje je nova paradigma, ki bo imela pomembno vlogo pri pospeševanju nalog za umetno inteligenco. Google želi raziskovalcem in razvijalcem ponuditi dostop do odprtokodnih okvirov in računalniške moči, ki lahko presegajo klasične računske zmožnosti.
Glavna področja osredotočenosti na Google AI Quantum so
- Superprevodniški kubitni procesorji: Superprevodni kubiti s prilagodljivo arhitekturo na osnovi čipov, ki ciljajo na napako vrat z dvema kubitoma <0.5%.
- Meroslovje Qubit: Zmanjšanje izgube dveh kubitov pod 0.2% je ključnega pomena za odpravo napak. Delamo na eksperimentu kvantne nadvlade, da bi približno vzorčili kvantno vezje, ki presega zmožnosti najsodobnejših klasičnih računalnikov in algoritmov.
- Kvantna simulacija: Simulacija fizikalnih sistemov je med najbolj pričakovanimi aplikacijami kvantnega računalništva. Posebej se osredotočamo na kvantne algoritme za modeliranje sistemov medsebojno delujočih elektronov z uporabo v kemiji in znanosti o materialih.
- Kvantno podprta optimizacija: Razvijamo hibridne kvantno-klasične rešitve za približno optimizacijo. Termične skoke v klasičnih algoritmih za premagovanje energijskih ovir bi lahko izboljšali s klicanjem kvantnih posodobitev. Zlasti nas zanima skladen prenos prebivalstva.
- Kvantne nevronske mreže: Razvijamo okvir za izvajanje kvantne nevronske mreže na kratkoročnih procesorjih. Zanima nas, kakšne prednosti lahko nastanejo pri ustvarjanju masivnih superpozicijskih stanj med delovanjem omrežja.
Glavna orodja, ki jih je razvil Google AI Quantum, so odprtokodni okviri, posebej zasnovani za razvoj novih kvantnih algoritmov, ki pomagajo reševati kratkoročne aplikacije za praktične probleme. Tej vključujejo:
- Cirq: odprtokodni kvantni okvir za gradnjo in eksperimentiranje z hrupnimi algoritmi vmesnega merila (NISQ) na kratkoročnih kvantnih procesorjih
- OpenFermion: odprtokodna platforma za prevajanje problemov iz kemije in znanosti o materialih v kvantna vezja, ki jih je mogoče izvajati na obstoječih platformah
Kratkoročne aplikacije Google AI Quantum vključujejo:
Kvantna simulacija
Oblikovanje novih materialov in razjasnitev kompleksne fizike s pomočjo natančnih simulacij kemije in modelov kondenzirane snovi sta med najbolj obetavnimi aplikacijami kvantnega računalništva.
Tehnike za odpravljanje napak
Delamo na razvoju metod na poti do popolne kvantne korekcije napak, ki lahko močno zmanjšajo hrup v trenutnih napravah. Čeprav lahko kvantno računalništvo, odporno na napake, zahteva precejšen razvoj, smo razvili tehniko razširitve kvantnega podprostora, da bi pomagali uporabiti tehnike kvantne korekcije napak za izboljšanje učinkovitosti aplikacij na kratkoročnih napravah. Poleg tega te tehnike olajšajo testiranje kompleksnih kvantnih kod na kratkoročnih napravah. Te tehnike aktivno potiskamo na nova področja in jih izkoriščamo kot osnovo za načrtovanje bližnjih poskusov.
Kvantno strojno učenje
Na kratkoročnih kvantnih napravah razvijamo hibridne kvantno-klasične tehnike strojnega učenja. Preučujemo učenje univerzalnega kvantnega vezja za razvrščanje in združevanje kvantnih in klasičnih podatkov. Zanimajo nas tudi generativne in diskriminacijske kvantne nevronske mreže, ki bi jih lahko uporabili kot kvantne repetitorje in enote za prečiščevanje stanja v kvantnih komunikacijskih omrežjih ali za preverjanje drugih kvantnih vezij.
Kvantna optimizacija
Diskretne optimizacije v vesoljski, avtomobilski in drugi industriji lahko koristijo hibridni kvantno-klasični optimizaciji, na primer simulirano žarjenje, algoritem za kvantno podprto optimizacijo (QAOA) in kvantno izboljšan prenos prebivalstva lahko koristijo današnjim procesorjem.
Da bi se podrobneje seznanili s kurikulumom certificiranja, lahko razširite in analizirate spodnjo tabelo.
Učni načrt za certificiranje kvantnega strojnega učenja EITC/AI/TFQML TensorFlow se sklicuje na didaktična gradiva z odprtim dostopom v video obliki. Učni proces je razdeljen na strukturo po korakih (programi -> lekcije -> teme), ki zajema ustrezne dele učnega načrta. Zagotovljeno je tudi neomejeno svetovanje s strokovnjaki za področje.
Za podrobnosti o postopku certificiranja preverite Kako deluje.
Referenčni viri za kurikulum
TensorFlow Quantum (TFQ) je knjižnica kvantnega strojnega učenja za hitro izdelavo prototipov hibridnih kvantno-klasičnih modelov ML. Raziskave kvantnih algoritmov in aplikacij lahko izkoristijo Googlove ogrodje kvantnih računalnikov, vse znotraj TensorFlowa. TensorFlow Quantum se osredotoča na kvantne podatke in gradi hibridne kvantno-klasične modele. Vključuje algoritme in logiko kvantnega računalništva, zasnovane v Cirqu, in zagotavlja primitive kvantnega računalništva, združljive z obstoječimi API-ji TensorFlow, skupaj z visoko zmogljivimi simulatorji kvantnih vezij. Preberite več v beli knjigi TensorFlow Quantum. Kot dodatno referenco si lahko ogledate pregled in zaženete vadnice za prenosnike.
https://www.tensorflow.org/quantum
Circq
Cirq je odprtokodni okvir za računalnike Noisy Intermediate Scale Quantum (NISQ). Razvila ga je skupina Google AI Quantum, javna alfa pa je bila objavljena na mednarodni delavnici o kvantni programski opremi in kvantnem strojnem učenju 18. julija 2018. Demonstracija QC Ware je pokazala izvajanje QAOA, ki rešuje primer največjega reza težava, ki se reši na simulatorju Cirq. Kvantni programi v Cirqu so predstavljeni z "Circuit" in "Schedule", pri čemer "Circuit" predstavlja kvantno vezje, "Schedule" pa kvantno vezje s časovnimi informacijami. Programe je mogoče izvajati na lokalnih simulatorjih. Naslednji primer prikazuje, kako ustvariti in izmeriti stanje zvonca v Cirqu.
uvoz cirk
# Izberite kubite
qubit0 = cirk.GridQubit(0, 0)
qubit1 = cirk.GridQubit(0, 1)
# Ustvari vezje
vezje = cirk.Circuit.from_ops(
cirk.H(qubit0),
cirk.NOTO(qubit0, qubit1),
cirk.merjenje(qubit0, ključ='m0'),
cirk.merjenje(qubit1, ključ='m1')
)
Tiskanje vezja prikaže njegov diagram
print(vezje)
# odtisi
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M („m1“) ───
Večkratno simuliranje vezja kaže, da so meritve kubitov povezane.
Simulator = cirk.Simulator()
povzroči = Simulator.run(vezje, ponovitve=5)
print(povzroči)
# odtisi
# m0 = 11010
# m1 = 11010
Prenesite celotno pripravljalno gradivo za samoučenje brez povezave za program EITC/AI/TFQML TensorFlow Quantum Machine Learning v datoteki PDF
Pripravljalna gradiva EITC/AI/TFQML – standardna različica
Pripravljalna gradiva EITC/AI/TFQML – razširjena različica z vprašanji za pregled