EITC/AI/TFQML TensorFlow Quantum Machine Learning on Euroopa IT-sertifitseerimisprogramm Google TensorFlow Quantumi teegi kasutamiseks masinõppe juurutamiseks Google Quantum Processor Sycamore arhitektuuris.
EITC/AI/TFQML TensorFlow Quantum Machine Learning õppekava keskendub teoreetilistele teadmistele ja praktilistele oskustele Google'i TensorFlow Quantum teegi kasutamisel edasiarendatud kvantarvutusmudelil põhineva masinõppe jaoks Google Quantum Processor Sycamore arhitektuuris, mis on korraldatud järgmise struktuuri raames ja hõlmab terviklikku videot selle EITC sertifikaadi viitena didaktiline sisu.
TensorFlow Quantum (TFQ) on kvantmasina õppimise raamatukogu hübriidkvant-klassikaliste ML-mudelite kiireks prototüüpimiseks. Kvantalgoritmide ja rakenduste uurimine võib kasutada Google'i kvantarvutusraamistikke, seda kõike TensorFlowi seest.
TensorFlow Quantum keskendub kvantandmetele ja hübriidsete kvant-klassikaliste mudelite ehitamisele. See integreerib Cirqis kavandatud kvantarvutusalgoritme ja loogikat (kvantprogrammeerimisraamistik, mis põhineb kvantskeemide mudelil) ning pakub kvantarvutamise primitiive, mis ühilduvad olemasolevate TensorFlow API-dega, samuti suure jõudlusega kvantskeemide simulaatoreid. Lisateavet saate TensorFlow Quantumi valgest paberist.
Kvantarvutus on selliste kvantnähtuste nagu superpositsioon ja takerdumine kasutamine arvutuste tegemiseks. Kvantarvutusi teostavad arvutid on tuntud kui kvantarvutid. Arvatakse, et kvantarvutid suudavad teatud arvutusprobleeme, näiteks täisarvude faktoriseerimine (mis on RSA krüptimise aluseks), lahendada oluliselt kiiremini kui klassikalised arvutid. Kvantarvutuste uurimine on kvantinfoteaduse alavaldkond.
Kvantarvutus algas 1980. aastate alguses, kui füüsik Paul Benioff pakkus välja Turingi masina kvantmehaanilise mudeli. Hiljem pakkusid Richard Feynman ja Juri Manin, et kvantarvutil on potentsiaali simuleerida asju, mida klassikaline arvuti ei suuda. 1994. aastal töötas Peter Shor välja kvantalgoritmi täisarvude faktoriseerimiseks, millel oli potentsiaal RSA-krüpteeritud side dekrüpteerida. Hoolimata jätkuvatest eksperimentaalsetest edusammudest alates 1990. aastate lõpust, usub enamik teadlasi, et „veataluv kvantarvutus on endiselt üsna kauge unistus“. Viimastel aastatel on nii avalikus kui ka erasektoris suurenenud investeeringud kvantarvutusuuringutesse. 23. oktoobril 2019 väitis Google AI koostöös USA riikliku aeronautika- ja kosmoseametiga (NASA), et on läbi viinud kvantarvutused, mis on teostamatud igas klassikalises arvutis (nn kvantülekande tulemus).
Kvantarvutite (või pigem kvantarvutussüsteemide) mudeleid on mitu, sealhulgas kvantkontuuri mudel, kvant-Turingi masin, adiabaatiline kvantarvuti, ühesuunaline kvantarvuti ja mitmesugused kvantrakulised automaadid. Kõige laialdasemalt kasutatav mudel on kvantahel. Kvantahelad põhinevad kvantbitil ehk “qubitil”, mis on mõnevõrra analoogne bitiga klassikalises arvutuses. Kvoodid võivad olla 1 või 0 kvantolekus või olla 1 ja 0 oleku superpositsioonis. Kuid kui mõõdetakse kviteid, on mõõtmistulemus alati kas 0 või 1; nende kahe tulemuse tõenäosus sõltub kvantseisundist, milles kvitid olid vahetult enne mõõtmist.
Füüsilise kvantarvuti ehitamisel tehtud edusammud keskenduvad sellistele tehnoloogiatele nagu transmonid, ioonilõksud ja topoloogilised kvantarvutid, mille eesmärk on luua kvaliteetseid kvitte. Need kubitid võivad olla kavandatud erinevalt, sõltuvalt kvantarvuti täielikust arvutusmudelist, olgu siis tegemist kvantloogika väravate, kvantide lõõmutamise või adiabaatiliste kvantarvutustega. Praegu on kasulike kvantarvutite konstrueerimisel mitmeid olulisi takistusi. Eelkõige on keeruline säilitada kviitide kvantolekuid, kuna nad kannatavad kvantdekoherentsuse ja olekutruuduse all. Kvantarvutid vajavad seetõttu vigade parandamist. Iga arvutusprobleemi, mille saab lahendada klassikaline arvuti, saab lahendada ka kvantarvuti. Ja vastupidi, kõik probleemid, mida saab lahendada kvantarvutiga, saab lahendada ka klassikalise arvutiga, vähemalt põhimõtteliselt piisavalt aega. Teisisõnu, kvantarvutid alluvad Kiriku-Turingi teesile. Ehkki see tähendab, et kvantarvutid ei paku klassikaliste arvutite ees täiendavaid eeliseid arvutamise osas, on teatud probleemide kvantalgoritmidel oluliselt väiksem ajakomplekssus kui vastavatel teadaolevatel klassikalistel algoritmidel. Nimelt arvatakse, et kvantarvutid suudavad kiiresti lahendada teatud probleemid, mida ükski klassikaline arvuti ei suuda võimaliku aja jooksul lahendada - see on saavutus, mida tuntakse kui „kvantide ülemvõimu”. Kvantarvutite probleemide arvutusliku keerukuse uurimine on tuntud kui kvantkompleksuse teooria.
Google Sycamore on kvantprotsessor, mille on loonud Google Inc. tehisintellekti osakond. See koosneb 53 kubitist.
2019. aastal täitis Sycamore 200 sekundiga ülesande, mille Google väitis, et Nature-i paberil kulub tipptasemel superarvutil 10,000 2.5 aastat. Seega väitis Google, et on saavutanud kvantülekande. Klassikalise superarvuti kuluva aja hindamiseks käitas Google osa maailma kõige võimsamast klassikalisest arvutist Summit kvantskeemide simulatsioonist. Hiljem esitas IBM vastuargumendi, väites, et sellise klassikalise süsteemi puhul nagu Summit võtab ülesanne aega vaid XNUMX päeva. Kui Google'i nõuded rahuldatakse, kujutaks see endast arvutusvõimsuse hüppelist hüpet.
2020. aasta augustis teatasid Google'is töötavad kvantinsenerid kvantarvuti suurimast keemilisest simulatsioonist - Hartree-Focki lähendusest Sycamore'iga, mis oli ühendatud klassikalise arvutiga, mis analüüsis tulemusi, et pakkuda uusi parameetreid 12-kvitilisele süsteemile.
2020. aasta detsembris saavutas USTC välja töötatud Hiina footonipõhine Jiuzhangi protsessor 76 kviti töötlusvõimsuse ja oli 10 miljardit korda kiirem kui Sycamore, tehes sellest teise kvantülekande saavutanud arvuti.
Quantum tehisintellektilabor (nimetatakse ka Quantum AI Labiks või QuAILiks) on NASA, ülikoolide kosmoseuuringute assotsiatsiooni ja Google'i (täpsemalt Google Research) ühisalgatus, mille eesmärk on juhtida uuringuid selle kohta, kuidas kvantarvutus võib masinõppes aidata ja muud keerulised arvutiteaduse probleemid. Labor on NASA Amesi uurimiskeskuses.
Quantum AI Lab teatas Google Researchi ajaveebipostituses 16. mail 2013. Käivitamise ajal kasutas labor kõige kaasaegsemat kaubanduslikult saadaval olevat kvantarvutit D-Wave Two firmalt D-Wave Systems.
20. mail 2013 teatati, et inimesed saavad taotleda laboris D-Wave Two aja kasutamist. 10. oktoobril 2013 avaldas Google lühifilmi, mis kirjeldab Quantum AI Labi hetkeolukorda. 18. oktoobril 2013 teatas Google, et lisas Minecrafti kvantfüüsika.
2014. aasta jaanuaris teatas Google tulemustest, milles võrreldi D-Wave Two jõudlust laboris klassikaliste arvutitega. Tulemused olid mitmetähenduslikud ja kutsusid esile tuliseid arutelusid Internetis. 2. septembril 2014 teatati, et Quantum AI Lab algatab koostöös UC Santa Barbaraga algatuse ülijuhtival elektroonikal põhinevate kvantinfotöötlejate loomiseks.
23. oktoobril 2019 teatas Quantum AI Lab oma dokumendis, et on saavutanud kvantülekande.
Google AI Quantum arendab kvantarvutusi, arendades kvantprotsessoreid ja uudseid kvantalgoritme, mis aitavad teadlastel ja arendajatel lahendada nii teoreetilisi kui ka praktilisi lähiajal tekkivaid probleeme.
Kvantarvutusi peetakse homsete uuenduste, sealhulgas tehisintellekti arendamiseks abiks. Sellepärast eraldab Google märkimisväärseid ressursse spetsiaalse kvantriistvara ja tarkvara ehitamiseks.
Kvantarvutus on uus paradigma, mis mängib suurt rolli tehisintellekti ülesannete kiirendamisel. Google'i eesmärk on pakkuda teadlastele ja arendajatele juurdepääsu avatud lähtekoodiga raamistikele ja arvutusvõimsusele, mis suudab töötada üle klassikaliste arvutusvõimaluste.
Google AI Quantumi peamised fookusvaldkonnad on
- Ülijuhtivad kubitprotsessorid: kiibipõhise skaleeritava arhitektuuriga ülijuhtivad kvoodid, mille eesmärk on kahekbiitilise värava viga <0.5%.
- Qubiti metroloogia: Kahekbiitilise kaotuse vähendamine alla 0.2% on veaparanduse jaoks kriitilise tähtsusega. Töötame kvantide ülimuslikkuse eksperimendi kallal, et proovida kvantskeemi ligikaudselt, ületades nüüdisaegsete klassikaliste arvutite ja algoritmide võimalused.
- Kvant simulatsioon: füüsikaliste süsteemide simuleerimine on kvantarvutuste kõige oodatumate rakenduste hulgas. Keskendume eriti kvantalgoritmidele interakteeruvate elektronide süsteemide modelleerimiseks keemia ja materjaliteaduse rakendustega.
- Kvantpõhine optimeerimine: Ligikaudseks optimeerimiseks töötame välja kvant-klassikalisi hübriidlahendusi. Energiatõkete ületamiseks mõeldud klassikaliste algoritmide termilisi hüppeid saab parandada kvantuuenduste abil. Eriti huvitab meid elanikkonna ühtne üleviimine.
- Kvantnärvivõrgud: töötame välja raamistiku kvantnärvivõrgu juurutamiseks lähiajal töötavatele protsessoritele. Meid huvitab arusaamine, milliseid eeliseid võib võrgu töötamise ajal tekitada massiivsete superpositsioonide tekitamine.
Peamised tööriistad, mille Google AI Quantum on välja töötanud, on avatud lähtekoodiga raamistikud, mis on spetsiaalselt välja töötatud uudsete kvantalgoritmide väljatöötamiseks, et aidata lahendada praktiliste probleemide lühiajalisi rakendusi. Need sisaldavad:
- Cirq: avatud lähtekoodiga kvantraamistik lühiajaliste kvantprotsessorite lärmakate vaheskaala kvantalgoritmide (NISQ) loomiseks ja katsetamiseks
- OpenFermion: avatud lähtekoodiga platvorm keemia- ja materjaliteaduse probleemide tõlkimiseks kvantahelateks, mida saab käivitada olemasolevatel platvormidel
Google AI Quantumi lähiajalised rakendused hõlmavad järgmist.
Kvant simulatsioon
Uute materjalide kujundamine ja keeruka füüsika väljaselgitamine keemia ja kondenseeritud ainete mudelite täpsete simulatsioonide kaudu on kvantarvutamise kõige lootustandvamad rakendused.
Vigade leevendamise tehnikad
Töötame välja kvantvigade täieliku parandamise teel välja töötatud meetodite abil, mis suudavad praegustes seadmetes müra dramaatiliselt vähendada. Ehkki täiemahuline rikketaluv kvantarvutus võib vajada märkimisväärset arengut, oleme välja töötanud kvantse alaruumi laiendamise tehnika, et aidata kasutada kvantvigade parandamise tehnikaid, et parandada rakenduste jõudlust lähiajal töötavate seadmete korral. Pealegi hõlbustavad need meetodid keeruliste kvantkoodide testimist lähiajal töötavatel seadmetel. Tõstame neid tehnikaid aktiivselt uutesse valdkondadesse ja kasutame neid lähituleviku katsete kavandamise aluseks.
Kvantmasinaõpe
Arendame lühiajaliste kvantseadmete hübriidkvant-klassikalise masinõppe tehnikaid. Uurime universaalset kvantskeemi õppimist kvant- ja klassikaliste andmete klassifitseerimiseks ja klastriks. Samuti oleme huvitatud generatiivsetest ja diskrimineerivatest kvantnärvivõrkudest, mida saaks kasutada kvantkordajate ja olekupuhastusüksustena kvantkommunikatsioonivõrkudes või muude kvantahelate kontrollimiseks.
Kvantide optimeerimine
Diskreetne optimeerimine lennunduses, autotööstuses ja muudes tööstusharudes võib hübriidkvant-klassikalisest optimeerimisest kasu saada, näiteks simuleeritud lõõmutamine, kvantabiliseeritud optimeerimise algoritm (QAOA) ja kvanttugevusega populatsiooni ülekandmine võivad tänapäeva protsessoritega olla kasulikud.
Sertifitseerimisõppekavaga põhjalikumalt tutvumiseks saate allolevat tabelit laiendada ja analüüsida.
EITC/AI/TFQML TensorFlow Quantum Machine Learning sertifitseerimise õppekava viitab vaba juurdepääsuga didaktilistele materjalidele videovormis. Õppeprotsess on jagatud samm-sammult struktuuriks (programmid -> tunnid -> teemad), mis hõlmab vastavaid õppekavaosi. Pakutakse ka piiramatut nõustamist domeeniekspertidega.
Sertifitseerimisprotseduuri üksikasjad leiate Mugav tellimus.
Õppekava viited
TensorFlow Quantum (TFQ) on kvantmasina õppimise raamatukogu hübriidkvant-klassikaliste ML-mudelite kiireks prototüüpimiseks. Kvantalgoritmide ja rakenduste uurimine võib kasutada Google'i kvantarvutusraamistikke, seda kõike TensorFlowi seest. TensorFlow Quantum keskendub kvantandmetele ja hübriidsete kvant-klassikaliste mudelite ehitamisele. See integreerib Cirqis kavandatud kvantarvutusalgoritme ja loogikat ning pakub olemasolevate TensorFlow API-dega ühilduvaid kvantarvutamise primitiive koos suure jõudlusega kvantahelate simulaatoritega. Lisateavet saate TensorFlow Quantumi valgest paberist. Lisaviidetena saate vaadata ülevaadet ja käivitada sülearvuti õpetused.
https://www.tensorflow.org/quantum
Tsirq
Cirq on avatud lähtekoodiga raamistik Noisy Intermediate Scale Quantum (NISQ) arvutitele. Selle töötas välja Google AI Quantum Team ja avalik alfa kuulutati välja rahvusvahelisel Quantum Software and Quantum Machine Learning seminaril 18. juulil 2018. QC Ware'i demo näitas QAOA rakendamist, lahendades näite maksimaalsest kärpimisest probleemi lahendamine Cirqi simulaatoril. Cirqis olevaid kvantprogramme tähistatakse tähtedega "Circuit" ja "Schedule", kus "Circuit" tähistab kvantahelat ja "Schedule" tähistab ajastusinfoga kvantskeemi. Programme saab käivitada kohalikes simulaatorites. Järgmine näide näitab, kuidas Cirqis Belli olekut luua ja mõõta.
import u
# Valige qubits
qubit0 = u.GridQubit(0, 0)
qubit1 = u.GridQubit(0, 1)
# Looge vooluring
circuit = u.Vooluring.from_ops(
u.H(qubit0),
u.EI TOHI(qubit0, qubit1),
u.mõõtma(qubit0, võti="m0"),
u.mõõtma(qubit1, võti="m1")
)
Vooluahela printimisel kuvatakse selle skeem
trükk(circuit)
# väljatrükki
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Vooluahela simuleerimine näitab korduvalt, et kubitite mõõtmised on omavahel seotud.
simulaator = u.Simulaator()
kaasa = simulaator.jooks(circuit, kordused=5)
trükk(kaasa)
# väljatrükki
# m0 = 11010
# m1 = 11010
Laadige PDF-failina alla täielikud võrguühenduseta iseõppimise ettevalmistavad materjalid EITC/AI/TFQML TensorFlow Quantum Machine Learning programmi jaoks
EITC/AI/TFQML ettevalmistusmaterjalid – standardversioon
EITC/AI/TFQML ettevalmistavad materjalid – laiendatud versioon ülevaateküsimustega