EITC/AI/TFQML TensorFlow Quantum Machine Learning este programul european de certificare IT privind utilizarea bibliotecii Google TensorFlow Quantum pentru implementarea învățării automate pe arhitectura Google Quantum Processor Sycamore.
Curriculum-ul EITC/AI/TFQML TensorFlow Quantum Machine Learning se concentrează pe cunoștințele teoretice și abilitățile practice în utilizarea bibliotecii Google TensorFlow Quantum pentru învățarea automată bazată pe model de calcul cuantic avansat pe arhitectura Google Quantum Processor Sycamore organizată în următoarea structură, cuprinzând un videoclip cuprinzător conținut didactic ca referință pentru această certificare EITC.
TensorFlow Quantum (TFQ) este o bibliotecă cuantică de învățare automată pentru prototiparea rapidă a modelelor hibride cuantice-clasice ML. Cercetarea în algoritmi și aplicații cuantice poate valorifica cadrele de calcul cuantic Google, toate din TensorFlow.
TensorFlow Quantum se concentrează pe date cuantice și construirea de modele cuantice-clasice hibride. Acesta integrează algoritmi de calcul cuantic și logică proiectate în Cirq (cadru de programare cuantică bazat pe modelul circuitelor cuantice) și oferă primitive de calcul cuantic compatibile cu API-urile TensorFlow existente, împreună cu simulatoare de circuite cuantice de înaltă performanță. Citiți mai multe în hârtia albă TensorFlow Quantum.
Calculul cuantic este utilizarea fenomenelor cuantice, cum ar fi suprapunerea și încurcarea, pentru a efectua calculul. Calculatoarele care efectuează calcule cuantice sunt cunoscute sub numele de computere cuantice. Se consideră că calculatoarele cuantice pot rezolva anumite probleme de calcul, cum ar fi factorizarea în întreg (care stă la baza criptării RSA), substanțial mai rapid decât computerele clasice. Studiul calculului cuantic este un subdomeniu al științei cuantice a informației.
Calculul cuantic a început la începutul anilor 1980, când fizicianul Paul Benioff a propus un model mecanic cuantic al mașinii Turing. Richard Feynman și Yuri Manin au sugerat mai târziu că un computer cuantic avea potențialul de a simula lucruri pe care un computer clasic nu le putea. În 1994, Peter Shor a dezvoltat un algoritm cuantic pentru factorizarea numerelor întregi care au potențialul de a decripta comunicațiile criptate RSA. În ciuda progreselor experimentale în curs de la sfârșitul anilor 1990, majoritatea cercetătorilor consideră că „calculul cuantic tolerant la defecțiuni este încă un vis destul de îndepărtat”. În ultimii ani, investițiile în cercetarea cuantică au crescut atât în sectorul public, cât și în cel privat. La 23 octombrie 2019, Google AI, în parteneriat cu Administrația Națională a Aeronauticii și Spațiului (NASA) din SUA, a susținut că a efectuat un calcul cuantic care nu este posibil pe orice computer clasic (așa-numitul rezultat al supremației cuantice).
Există mai multe modele de computere cuantice (sau mai bine zis, sisteme de calcul cuantic), inclusiv modelul circuitului cuantic, mașina cuantică Turing, computerul cuantic adiabatic, computerul cuantic cu un singur sens și diverse automate celulare cuantice. Cel mai utilizat model este circuitul cuantic. Circuitele cuantice se bazează pe bitul cuantic sau „qubit”, care este oarecum analog bitului din calculul clasic. Qubits pot fi într-o stare cuantică 1 sau 0 sau pot fi într-o suprapunere a stărilor 1 și 0. Cu toate acestea, atunci când se măsoară qubitii, rezultatul măsurării este întotdeauna fie 0, fie 1; probabilitățile acestor două rezultate depind de starea cuantică în care se aflau qubitii imediat înainte de măsurare.
Progresele către construirea unui computer cuantic fizic se concentrează pe tehnologii precum transmoni, capcane de ioni și computere cuantice topologice, care au ca scop crearea unor qubits de înaltă calitate. Aceste qubituri pot fi proiectate diferit, în funcție de modelul complet de calcul al computerului cuantic, fie că este vorba de porți logice cuantice, de recoacere cuantică sau de calcul cuantic cuantice. În prezent există o serie de obstacole semnificative în calea construirii unor calculatoare cuantice utile. În special, este dificil să se mențină stările cuantice ale qubiturilor, deoarece acestea suferă de decoerență cuantică și fidelitate a stării. Prin urmare, computerele cuantice necesită corectarea erorilor. Orice problemă de calcul care poate fi rezolvată de un computer clasic poate fi rezolvată și de un computer cuantic. În schimb, orice problemă care poate fi rezolvată de un computer cuantic poate fi rezolvată și de un computer clasic, cel puțin în principiu având suficient timp. Cu alte cuvinte, calculatoarele cuantice ascultă teza Biserică-Turing. În timp ce acest lucru înseamnă că computerele cuantice nu oferă avantaje suplimentare față de computerele clasice în ceea ce privește calculabilitatea, algoritmii cuantici pentru anumite probleme au complexități de timp semnificativ mai mici decât algoritmii clasici cunoscuți corespunzători. În special, se consideră că computerele cuantice pot rezolva rapid anumite probleme pe care niciun computer clasic nu le-ar putea rezolva într-o perioadă de timp fezabilă - o faptă cunoscută sub numele de „supremație cuantică”. Studiul complexității de calcul a problemelor cu privire la computerele cuantice este cunoscut sub numele de teoria cuantității complexității.
Google Sycamore este un procesor cuantic creat de divizia de Inteligență Artificială Google Inc. Acesta cuprinde 53 de qubiți.
În 2019, Sycamore a finalizat o sarcină în 200 de secunde pe care Google a susținut, într-o lucrare Nature, că ar dura un supercomputer de ultimă generație cu 10,000 de ani pentru a se termina. Astfel, Google a susținut că a atins supremația cuantică. Pentru a estima timpul care ar fi luat de un supercomputer clasic, Google a rulat porțiuni din simularea circuitului cuantic pe Summit, cel mai puternic computer clasic din lume. Mai târziu, IBM a făcut un contraargument, susținând că sarcina va dura doar 2.5 zile pe un sistem clasic precum Summit. Dacă revendicările Google sunt acceptate, atunci ar reprezenta un salt exponențial în puterea de calcul.
În august 2020, inginerii cuantici care lucrează pentru Google au raportat cea mai mare simulare chimică pe un computer cuantic - o aproximare Hartree-Fock cu Sycamore asociată cu un computer clasic care a analizat rezultatele pentru a oferi noi parametri pentru sistemul de 12 qubit.
În decembrie 2020, procesorul chinez Jiuzhang bazat pe fotoni, dezvoltat de USTC, a obținut o putere de procesare de 76 de qubiți și a fost de 10 miliarde de ori mai rapid decât Sycamore, făcându-l al doilea computer care a atins supremația cuantică.
Laboratorul de inteligență artificială cuantică (numit și Quantum AI Lab sau QuAIL) este o inițiativă comună a NASA, Universities Space Research Association și Google (în special, Google Research) al cărui obiectiv este de a iniția cercetări cu privire la modul în care calculația cuantică ar putea ajuta la învățarea automată și alte probleme dificile de informatică. Laboratorul este găzduit la Centrul de Cercetare Ames al NASA.
Laboratorul Quantum AI a fost anunțat de Google Research într-o postare pe blog pe 16 mai 2013. La momentul lansării, Laboratorul folosea cel mai avansat computer cuantic disponibil comercial, D-Wave Two de la D-Wave Systems.
Pe 20 mai 2013, s-a anunțat că oamenii pot aplica pentru a folosi timpul pe D-Wave Two de la laborator. Pe 10 octombrie 2013, Google a lansat un scurtmetraj care descrie starea actuală a laboratorului cuantic AI. Pe 18 octombrie 2013, Google a anunțat că a încorporat fizica cuantică în Minecraft.
În ianuarie 2014, Google a raportat rezultate comparând performanțele D-Wave Two din laborator cu cele ale computerelor clasice. Rezultatele au fost ambigue și au provocat discuții aprinse pe internet. La 2 septembrie 2014, a fost anunțat că Quantum AI Lab, în parteneriat cu UC Santa Barbara, va lansa o inițiativă de creare a procesorilor de informații cuantice bazate pe electronice supraconductoare.
Pe 23 octombrie 2019, Quantum AI Lab a anunțat într-o lucrare că a atins supremația cuantică.
Google AI Quantum avansează calculul cuantic prin dezvoltarea de procesoare cuantice și algoritmi cuantici noi pentru a ajuta cercetătorii și dezvoltatorii să rezolve probleme pe termen scurt, atât teoretice, cât și practice.
Calculul cuantic este considerat a ajuta la dezvoltarea inovațiilor de mâine, inclusiv a AI. De aceea, Google angajează resurse semnificative în construirea de hardware și software cuantic dedicate.
Calculul cuantic este o nouă paradigmă care va juca un rol important în accelerarea sarcinilor pentru AI. Google își propune să ofere cercetătorilor și dezvoltatorilor acces la cadre open source și putere de calcul care pot funcționa dincolo de capacitățile clasice de calcul.
Principalele domenii de interes ale Google AI Quantum sunt
- Procesoare qubit supraconductoare: qubits supraconductori cu arhitectură scalabilă bazată pe cip care vizează o eroare de poartă cu doi qubit <0.5%.
- Metrologie Qubit: Reducerea pierderii cu doi qubit sub 0.2% este esențială pentru corectarea erorilor. Lucrăm la un experiment cu supremație cuantică, pentru a testa aproximativ un circuit cuantic dincolo de capacitățile computerelor și algoritmilor clasici de ultimă generație.
- Simularea cuantică: Simularea sistemelor fizice se numără printre cele mai așteptate aplicații ale calculului cuantic. Ne concentrăm în special pe algoritmi cuantici pentru modelarea sistemelor de interacțiune a electronilor cu aplicații în chimie și știința materialelor.
- Optimizare cuantică asistată: dezvoltăm soluții hibride cuantice-clasice pentru optimizare aproximativă. Salturile termice în algoritmi clasici pentru a depăși barierele energetice ar putea fi îmbunătățite prin invocarea actualizărilor cuantice. Ne interesează în special transferul coerent al populației.
- Rețele neuronale cuantice: dezvoltăm un cadru pentru implementarea unei rețele neuronale cuantice pe procesoare pe termen scurt. Suntem interesați să înțelegem ce avantaje pot apărea din generarea unor stări de suprapunere masive în timpul funcționării rețelei.
Principalele instrumente dezvoltate de Google AI Quantum sunt cadre open-source special concepute pentru dezvoltarea algoritmilor cuantici noi pentru a ajuta la rezolvarea aplicațiilor pe termen scurt pentru probleme practice. Acestea includ:
- Cirq: un cadru cuantic open-source pentru construirea și experimentarea cu algoritmi cuantici cu scară intermediară zgomotoasă (NISQ) pe procesoare cuantice pe termen scurt
- OpenFermion: o platformă open-source pentru traducerea problemelor din chimie și știința materialelor în circuite cuantice care pot fi executate pe platforme existente
Aplicațiile Google AI Quantum pe termen scurt includ:
Simulare cuantică
Proiectarea de noi materiale și elucidarea fizicii complexe prin simulări precise de chimie și modele de materie condensată sunt printre cele mai promițătoare aplicații ale calculului cuantic.
Tehnici de atenuare a erorilor
Lucrăm pentru a dezvolta metode pe drumul către corectarea cuantică completă a erorilor, care au capacitatea de a reduce dramatic zgomotul de pe dispozitivele actuale. În timp ce calculul cuantic cu toleranță la defecte la scară completă poate necesita dezvoltări considerabile, am dezvoltat tehnica cuantică de extindere a subspaiului pentru a ajuta la utilizarea tehnicilor de la corecția cuantică a erorilor pentru a îmbunătăți performanța aplicațiilor pe dispozitivele pe termen scurt. Mai mult, aceste tehnici facilitează testarea codurilor cuantice complexe pe dispozitive pe termen scurt. Împingem activ aceste tehnici în zone noi și le folosim ca bază pentru proiectarea experimentelor pe termen scurt.
Învățarea cuantică a mașinilor
Dezvoltăm tehnici hibride cuantice-clasice de învățare automată pe dispozitive cuantice pe termen scurt. Studiem învățarea circuitului cuantic universal pentru clasificarea și gruparea datelor cuantice și clasice. Suntem, de asemenea, interesați de rețelele neuronale cuantice generative și discriminative, care ar putea fi utilizate ca repetatoare cuantice și unități de purificare a stării în rețelele de comunicații cuantice sau pentru verificarea altor circuite cuantice.
Optimizarea cuantică
Optimizările discrete din industria aerospațială, auto și alte industrii pot beneficia de optimizarea cuantică-clasică hibridă, de exemplu recușcarea simulată, algoritmul de optimizare asistată cuantică (QAOA) și transferul cuantificat de populație îmbunătățit pot avea utilitate cu procesoarele actuale.
Pentru a vă familiariza în detaliu cu curriculumul de certificare, puteți extinde și analiza tabelul de mai jos.
Curriculumul de certificare EITC/AI/TFQML TensorFlow Quantum Machine Learning face referire la materiale didactice cu acces deschis într-o formă video. Procesul de învățare este împărțit într-o structură pas cu pas (programe -> lecții -> subiecte) care acoperă părți relevante ale curriculumului. De asemenea, se oferă consultanță nelimitată cu experți în domeniu.
Pentru detalii despre procedura de certificare verificați Abordare.
Resurse de referință curriculare
TensorFlow Quantum (TFQ) este o bibliotecă cuantică de învățare automată pentru prototiparea rapidă a modelelor hibride cuantice-clasice ML. Cercetarea în algoritmi și aplicații cuantice poate valorifica cadrele de calcul cuantic Google, toate din TensorFlow. TensorFlow Quantum se concentrează pe date cuantice și construirea de modele cuantice-clasice hibride. Acesta integrează algoritmi de calcul cuantic și logică proiectate în Cirq și oferă primitive de calcul cuantic compatibile cu API-urile TensorFlow existente, împreună cu simulatoare de circuite cuantice de înaltă performanță. Citiți mai multe în hârtia albă TensorFlow Quantum. Ca referință suplimentară, puteți consulta prezentarea generală și puteți rula tutorialele notebook-ului.
https://www.tensorflow.org/quantum
Circq
Cirq este un cadru open-source pentru computerele Nois Intermediate Scale Quantum (NISQ). A fost dezvoltat de Google AI Quantum Team, iar publicul alfa a fost anunțat în cadrul Workshop-ului internațional despre software-ul cuantic și învățarea cuantică a mașinilor din 18 iulie 2018. O demonstrație a QC Ware a arătat o implementare a QAOA rezolvând un exemplu de reducere maximă problema rezolvată pe un simulator Cirq. Programele cuantice din Cirq sunt reprezentate de „Circuit” și „Program” unde „Circuit” reprezintă un circuit cuantic și „Program” reprezintă un circuit cuantic cu informații de sincronizare. Programele pot fi executate pe simulatoare locale. Următorul exemplu arată cum să creați și să măsurați o stare Bell în Cirq.
import circ
# Alegeți qubiți
qubit0 = circ.GridQubit(0, 0)
qubit1 = circ.GridQubit(0, 1)
# Creați un circuit
circuit = circ.Circuit.din_op(
circ.H(qubit0),
circ.CNOT(qubit0, qubit1),
circ.măsura(qubit0, cheie=„m0”),
circ.măsura(qubit1, cheie=„m1”)
)
Imprimarea circuitului afișează schema sa
imprima(circuit)
# imprimeuri
# (0, 0): ───H─── @ ───M („m0”) ───
# │
# (0, 1): ────────────M („m1”) ───
Simularea circuitului arată în mod repetat că măsurătorile qubitelor sunt corelate.
Simulator = circ.Simulator()
rezultat = Simulator.alerga(circuit, repetări=5)
imprima(rezultat)
# imprimeuri
# m0 = 11010
# m1 = 11010
Descărcați materialele pregătitoare complete pentru auto-învățare offline pentru programul EITC/AI/TFQML TensorFlow Quantum Machine Learning într-un fișier PDF
Materiale pregătitoare EITC/AI/TFQML – versiune standard
Materiale pregătitoare EITC/AI/TFQML – versiune extinsă cu întrebări de revizuire