EITC/AI/TFQML TensorFlow Quantum Machine Learning estas la eŭropa IT-Atestada programo pri uzado de Google TensorFlow Quantum-biblioteko por efektivigi maŝinlernadon pri Google Quantum Processor Sycamore-arkitekturo.
La instruplano de la EITC/AI/TFQML TensorFlow Quantum Machine Learning temigas teoriajn sciojn kaj praktikajn kapablojn en uzado de la TensorFlow Quantum-biblioteko de Google por progresinta kvantuma komputila modelo bazita maŝinlernado sur la Google Quantum Processor Sycamore-arkitekturo organizita ene de la sekva strukturo, ampleksanta ampleksan filmeton. didaktika enhavo kiel referenco por ĉi tiu EITC-Atestado.
TensorFlow Quantum (TFQ) estas kvantuma maŝina lernada biblioteko por rapida prototipado de hibridaj kvantum-klasikaj ML-modeloj. Esplorado pri kvantumaj algoritmoj kaj aplikoj povas utiligi la kvantumajn komputajn kadrojn de Google, ĉio el TensorFlow.
TensorFlow Quantum temigas kvantumajn datumojn kaj konstruajn hibridajn kvantum-klasikajn modelojn. Ĝi integras kvantumajn komputikajn algoritmojn kaj logikon desegnitajn en Cirq (kvantuma programa kadro surbaze de kvantumaj cirkvitoj-modelo), kaj provizas kvantumajn komputikajn primitivojn kongruajn kun ekzistantaj TensorFlow-API, kune kun alt-efikaj kvantumaj cirkvitaj simuliloj. Legu pli en la blanka libro TensorFlow Quantum.
Kvantuma komputado estas la uzo de kvantumaj fenomenoj kiel superpozicio kaj interplektiĝo por plenumi komputadon. Komputiloj, kiuj plenumas kvantumajn komputadojn, estas nomataj kvantumaj komputiloj. Kvantaj komputiloj kredeble kapablas solvi iujn komputajn problemojn, kiel entjeran faktorigon (kiu subestas RSA-ĉifradon), multe pli rapide ol klasikaj komputiloj. La studo de kvantuma komputado estas subkampo de kvantuma informa scienco.
Kvantuma komputado komenciĝis en la fruaj 1980-aj jaroj, kiam fizikisto Paul Benioff proponis kvantuman mekanikan modelon de la maŝino de Turing. Richard Feynman kaj Yuri Manin poste sugestis, ke kvantuma komputilo havas la eblon simuli aferojn, kiujn klasika komputilo ne povis. En 1994, Peter Shor disvolvis kvantuman algoritmon por faktorigi entjerojn, kiuj havis la eblon deĉifri RSA-ĉifritajn komunikadojn. Malgraŭ daŭra eksperimenta progreso ekde la fino de la 1990-aj jaroj, plej multaj esploristoj opinias, ke "kulpa tolerema kvantuma komputado estas ankoraŭ sufiĉe malproksima revo.". En la lastaj jaroj, investo en kvantuma komputila esplorado kreskis kaj en la publika kaj privata sektoro. La 23an de oktobro 2019, Google AI, kunlabore kun la Usona Nacia Aeronaŭtika kaj Spaca Administracio (NASA), asertis esti plenuminta kvantuman komputadon neefektivigeblan en iu ajn klasika komputilo (tiel nomata kvantuma supereco-rezulto).
Ekzistas pluraj modeloj de kvantumaj komputiloj (pli ĝuste, kvantumaj komputaj sistemoj), inkluzive de la kvantuma cirkvita modelo, kvantuma maŝino de Turing, adiabata kvantuma komputilo, unudirekta kvantuma komputilo kaj diversaj kvantumaj ĉelaj aŭtomatoj. La plej vaste uzita modelo estas la kvantuma cirkvito. Kvantumaj cirkvitoj baziĝas sur la kvantuma bito, aŭ "kvbito", kiu iom analogas al la bito en klasika komputado. Kvitoj povas esti en 1 aŭ 0 kvantuma stato, aŭ ili povas esti en supermeto de la 1 kaj 0 statoj. Tamen, kiam kvbitoj estas mezuritaj, la rezulto de la mezurado ĉiam estas aŭ 0 aŭ 1; la probabloj de ĉi tiuj du rezultoj dependas de la kvantuma stato, en kiu la kvbitoj estis tuj antaŭ la mezurado.
Progreso al konstruado de fizika kvantuma komputilo fokusiĝas al teknologioj kiel transmonoj, jonaj kaptiloj kaj topologiaj kvantumaj komputiloj, kiuj celas krei altkvalitajn kvbitojn. Ĉi tiuj kvbitoj povas esti desegnitaj alimaniere, depende de la komputila modelo de la plena kvantuma komputilo, ĉu kvantumaj logikaj pordoj, kvantuma kalcinado aŭ adiabata kvantuma komputado. Nuntempe ekzistas multaj signifaj obstakloj en la maniero konstrui utilajn kvantumajn komputilojn. Precipe malfacilas konservi la kvantumajn statojn de kvbitoj, ĉar ili suferas pro kvantuma malkohereco kaj ŝtata fideleco. Kvantaj komputiloj do bezonas eraran korekton. Ĉiu komputila problemo, kiun solveblas klasika komputilo, ankaŭ povas esti solvita per kvantuma komputilo. Inverse, iu ajn problemo solvenda per kvantuma komputilo povas esti solvata ankaŭ de klasika komputilo, almenaŭ principe donita sufiĉe da tempo. Alivorte, kvantumaj komputiloj obeas la tezon Preĝejo-Turing. Dum ĉi tio signifas, ke kvantumaj komputiloj ne donas aldonajn avantaĝojn super klasikaj komputiloj laŭ komputebleco, kvantumaj algoritmoj por iuj problemoj havas signife malpli altajn tempajn kompleksecojn ol respondaj konataj klasikaj algoritmoj. Precipe oni kredas, ke kvantumaj komputiloj povas rapide solvi iujn problemojn, kiujn neniu klasika komputilo povus solvi en iu ajn farebla tempo - heroaĵo konata kiel "kvantuma supereco". La studo de la komputa komplekseco de problemoj rilate al kvantumaj komputiloj estas konata kiel kvantuma komplekseca teorio.
Google Sycamore estas kvantuma procesoro kreita de la divido pri Artefarita Inteligenteco de Google Inc. Ĝi konsistas el 53 kvbitoj.
En 2019, Sycamore plenumis taskon en 200 sekundoj, kiujn Google asertis, en gazeto Nature, ke necesos pintnivela superkomputilo 10,000 jarojn por finiĝi. Tiel, Google asertis esti atinginta kvantan superecon. Por taksi la tempon, kiun prenus klasika superkomputilo, Google lanĉis partojn de la kvantuma cirkvita simulado en la Pintkunveno, la plej potenca klasika komputilo en la mondo. Poste, IBM faris kontraŭargumenton, asertante, ke la tasko daŭros nur 2.5 tagojn en klasika sistemo kiel Pintkunveno. Se la asertoj de Google estos konfirmitaj, tiam ĝi reprezentus eksponentan salton en komputila potenco.
En aŭgusto 2020 kvantumaj inĝenieroj laborantaj por Google raportis la plej grandan kemian simuladon en kvantuma komputilo - Hartree-Fock-aproksimado kun Sycamore parigita kun klasika komputilo, kiu analizis rezultojn por provizi novajn parametrojn por la sistemo de 12 kvbitoj.
En decembro 2020, la ĉina fotona procesoro Jiuzhang, disvolvita de USTC, atingis prilaboran povon de 76 kvbitoj kaj estis 10 miliardojn da fojoj pli rapida ol Sycamore, kio igas ĝin la dua komputilo por atingi kvantan superecon.
La Kvantuma Artefarita Inteligenteco-Laboratorio (ankaŭ nomata Kvanta AI-Laboratorio aŭ QuAIL) estas komuna iniciato de NASA, Universities Space Research Association, kaj Google (specife, Google Research) kies celo estas pionira esplorado pri kiel kvantuma komputado povus helpi kun maŝina lernado. kaj aliaj malfacilaj komputikaj problemoj. La laboratorio estas gastigita ĉe Ames Research Center de NASA.
La Kvantuma AI-Laboratorio estis anoncita de Google Research en bloga afiŝo la 16-an de majo 2013. Dum la lanĉo, la Laboratorio uzis la plej altnivelan komerce haveblan kvantuman komputilon, D-Wave Two de D-Wave Systems.
La 20an de majo 2013, estis anoncite, ke homoj povas peti uzi tempon ĉe la D-Ondo Du ĉe la Laboratorio. La 10-an de oktobro 2013, Google publikigis mallongan filmon priskribantan la aktualan staton de la Kvantuma AI-Laboratorio. La 18an de oktobro 2013, Google anoncis, ke ĝi enkorpigis kvantuman fizikon en Minecraft.
En januaro 2014, Google raportis rezultojn komparantajn la rendimenton de la D-Ondo Du en la laboratorio kun tiu de klasikaj komputiloj. La rezultoj estis dubasencaj kaj estigis varmegan diskuton interrete. La 2an de septembro 2014, estis sciigite ke la Kvantuma AI Laboratorio, en partnereco kun UC Santa Barbara, lanĉos iniciaton krei kvantumajn informprocesorojn bazitajn sur superkonduka elektroniko.
La 23an de oktobro 2019, la Kvantuma AI-Laboratorio anoncis en gazeto, ke ĝi atingis kvantan superecon.
Google AI Quantum progresigas kvantuman komputadon disvolvante kvantumajn procesorojn kaj novajn kvantumajn algoritmojn por helpi esploristojn kaj programistojn solvi baldaŭajn problemojn kaj teoriajn kaj praktikajn.
Oni konsideras ke kvantuma komputado helpas disvolvi novajn morgaĵojn, inkluzive de AI. Tial Google dediĉas gravajn rimedojn al konstruado de dediĉitaj kvantumaj aparataro kaj programoj.
Kvantuma komputado estas nova paradigmo, kiu ludos grandan rolon por akceli taskojn por AI. Google celas oferti al esploristoj kaj programistoj aliron al malfermfontaj kadroj kaj komputila potenco, kiuj povas funkcii preter klasikaj kapabloj de komputado.
La ĉefaj fokusaj areoj de Google AI Quantum estas
- Superkonduktaj kvbitaj procesoroj: Superkonduktaj kvbitoj kun pecet-bazita skalebla arkitekturo celanta du-kvitan pordegan eraron <0.5%.
- Qubit-metrologio: Redukti du-kvitan perdon sub 0.2% estas kritike por erara korekto. Ni laboras pri kvantuma superregada eksperimento, por proksimume provi kvantuman cirkviton preter la kapabloj de modernaj klasikaj komputiloj kaj algoritmoj.
- Kvantuma simulado: Simulado de fizikaj sistemoj estas inter la plej atendataj aplikoj de kvantuma komputado. Ni speciale fokusas al kvantumaj algoritmoj por modeligi sistemojn de interagaj elektronoj kun aplikoj en kemio kaj materiala scienco.
- Kvantuma helpata optimumigo: Ni disvolvas hibridajn kvantoklasikajn solvilojn por proksimuma optimumigo. Termikaj saltoj en klasikaj algoritmoj por superi energiajn barojn povus esti plibonigitaj alpreĝante kvantajn ĝisdatigojn. Ni aparte interesiĝas pri kohera loĝantaro-translokigo.
- Kvantaj neŭralaj retoj: Ni disvolvas kadron por efektivigi kvantuman neŭralan reton ĉe baldaŭaj procesoroj. Ni interesas kompreni, kiajn avantaĝojn povas ekesti de generado de amasaj supermetaj statoj dum funkciado de la reto.
La ĉefaj iloj disvolvitaj de Google AI Quantum estas malfermfontaj kadroj specife desegnitaj por disvolvi novajn kvantumajn algoritmojn por helpi solvi baldaŭajn aplikojn por praktikaj problemoj. Ĉi tiuj inkluzivas:
- Cirq: malfermfonta kvantuma kadro por konstrui kaj eksperimenti kun bruaj mezskalaj kvantumaj (NISQ) algoritmoj sur baldaŭaj kvantumaj procesoroj
- OpenFermion: malfermfonta platformo por traduki problemojn en kemio kaj materiala scienco en kvantumajn cirkvitojn, kiuj povas esti efektivigitaj sur ekzistantaj platformoj.
Baldaŭaj aplikoj de Google AI Quantum inkluzivas:
Kvanta Simulado
La projektado de novaj materialoj kaj pliklarigo de kompleksa fiziko per precizaj simuladoj de kemio kaj densigitaj materiaj modeloj estas inter la plej esperigaj aplikoj de kvantuma komputado.
Eraroj mildigaj teknikoj
Ni laboras por disvolvi metodojn survoje al plena kvantuma erara korekto, kiuj havas la kapablon draste redukti bruon en nunaj aparatoj. Dum plenskala kulpa tolerema kvantuma komputado povas postuli konsiderindajn evoluojn, ni disvolvis la kvantuman subspacan ekspansian teknikon por helpi uzi teknikojn de kvantuma erara korekto por plibonigi rendimenton de aplikoj sur baldaŭaj aparatoj. Cetere, ĉi tiuj teknikoj faciligas testadon de kompleksaj kvantumaj kodoj sur baldaŭaj aparatoj. Ni aktive pelas ĉi tiujn teknikojn en novajn areojn kaj utiligas ilin kiel bazon por projektado de baldaŭaj eksperimentoj.
Kvantuma Maŝinlernado
Ni disvolvas hibridajn kvantum-klasikajn maŝinlernajn teknikojn sur baldaŭaj kvantumaj aparatoj. Ni studas universalan kvantuman cirkvitlernadon por klasifiko kaj grupiĝo de kvantumaj kaj klasikaj datumoj. Ni ankaŭ interesiĝas pri generaj kaj diskriminaciaj kvantumaj neŭralaj retoj, kiuj povus esti uzataj kiel kvantumaj ripetiloj kaj ŝtataj purigaj unuoj ene de kvantumaj komunikaj retoj, aŭ por konfirmo de aliaj kvantumaj cirkvitoj.
Kvantuma Optimumigo
Diskretaj optimumigoj en aerspaca, aŭtomobila kaj aliaj industrioj povas profiti el hibrida kvantum-klasika optimumigo, ekzemple simulita kalcinado, kvantuma helpata optimumiga algoritmo (QAOA) kaj kvantuma plibonigita loĝantotransigo povas havi utilecon kun hodiaŭaj procesoroj.
Por konatigi vin detale kun la atesta instruplano, vi povas pligrandigi kaj analizi la suban tabelon.
La EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum referencas al liberaliraj didaktikaj materialoj en videoformo. Lernadprocezo estas dividita en paŝon post paŝo strukturo (programoj -> lecionoj -> temoj) kovrante koncernajn instruplanajn partojn. Senlima konsultado kun domajnaj fakuloj ankaŭ estas provizita.
Por detaloj pri la Atestprocedo kontrolu Kiel ĝi funkcias.
Instruplanaj Referencaj Rimedoj
TensorFlow Quantum (TFQ) estas kvantuma maŝina lernada biblioteko por rapida prototipado de hibridaj kvantum-klasikaj ML-modeloj. Esplorado pri kvantumaj algoritmoj kaj aplikoj povas utiligi la kvantumajn komputilajn kadrojn de Google, ĉio el TensorFlow. TensorFlow Quantum temigas kvantumajn datumojn kaj konstruajn hibridajn kvantum-klasikajn modelojn. Ĝi integras kvantumajn komputikajn algoritmojn kaj logikon projektitajn en Cirq, kaj provizas kvantumajn komputikajn primitivojn kongruajn kun ekzistantaj TensorFlow-API, kune kun alt-efikaj kvantumaj cirkvitaj simuliloj Legu pli en la blanka libro TensorFlow Quantum. Kiel aldona referenco vi povas kontroli la superrigardon kaj ekzekuti la kajerajn lernilojn.
https://www.tensorflow.org/quantum
Cirkq
Cirq estas malfermfonta kadro por komputiloj NISQ (Noisy Intermediate Scale Quantum). Ĝi estis disvolvita de la Google AI Quantum Team, kaj la publika alfa estis anoncita ĉe la Internacia Laborrenkontiĝo pri Kvantuma Programaro kaj Kvantuma Maŝina Lernado la 18an de julio 2018. Demonstraĵo de QC Ware montris efektivigon de QAOA solvante ekzemplon de la maksimuma tranĉo. problemo solvita sur Cirq-simulilo. Kvantumaj programoj en Cirq estas reprezentataj per "Cirkvito" kaj "Horaro" kie "Cirkvito" reprezentas Kvantuman cirkviton kaj "Horaro" reprezentas Kvantuman cirkviton kun tempaj informoj. La programoj povas esti ekzekutitaj per lokaj simuliloj. La sekva ekzemplo montras kiel krei kaj mezuri Bell-staton en Cirq.
importado cirko
# Elektu kvbitojn
kbito0 = cirko.GridQubit(0, 0)
kbito1 = cirko.GridQubit(0, 1)
# Kreu cirkviton
cirkvito = cirko.Cirkvito.de_ops(
cirko.H(kbito0),
cirko.CNOT(kbito0, kbito1),
cirko.mezuri(kbito0, ŝlosilo='m0'),
cirko.mezuri(kbito1, ŝlosilo='m1')
)
Presi la cirkviton montras ĝian diagramon
presaĵo(cirkvito)
# presaĵoj
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Simuli la cirkviton plurfoje montras, ke la mezuroj de la kvbitoj estas rilataj.
simulilo = cirko.simulilo()
rezulto = simulilo.kuri(cirkvito, ripetoj=5)
presaĵo(rezulto)
# presaĵoj
# m0 = 11010
# m1 = 11010
Elŝutu la kompletajn eksterretajn memlernajn preparajn materialojn por la programo EITC/AI/TFQML TensorFlow Quantum Machine Learning en PDF-dosiero
EITC/AI/TFQML-preparaj materialoj - norma versio
EITC/AI/TFQML-preparaj materialoj - plilongigita versio kun reviziaj demandoj