EITC/AI/TFQML TensorFlow Quantum Machine Learning er det europeiske IT-sertifiseringsprogrammet for bruk av Google TensorFlow Quantum-bibliotek for implementering av maskinlæring i Google Quantum Processor Sycamore-arkitektur.
Læreplanen til EITC/AI/TFQML TensorFlow Quantum Machine Learning fokuserer på teoretisk kunnskap og praktiske ferdigheter i bruk av Googles TensorFlow Quantum-bibliotek for avansert kvantumberegningsmodellbasert maskinlæring på Google Quantum Processor Sycamore-arkitekturen organisert i følgende struktur, omfattende omfattende video didaktisk innhold som referanse for denne EITC-sertifiseringen.
TensorFlow Quantum (TFQ) er et kvantemaskinlæringsbibliotek for rask prototyping av hybrid kvante-klassiske ML-modeller. Forskning i kvantealgoritmer og applikasjoner kan utnytte Googles kvanteberegningsrammer, alt fra TensorFlow.
TensorFlow Quantum fokuserer på kvantedata og bygger hybrid kvanteklassiske modeller. Den integrerer kvanteberegningsalgoritmer og logikk designet i Cirq (kvanteprogrammeringsrammeverk basert på kvantekretsmodell), og gir kvanteberegningsprimitiver som er kompatible med eksisterende TensorFlow APIer, sammen med høytytende kvantekretssimulatorer. Les mer i TensorFlow Quantum hvitt papir.
Kvanteberegning er bruk av kvantefenomener som superposisjon og sammenfiltring for å utføre beregning. Datamaskiner som utfører kvanteberegninger er kjent som kvantemaskiner. Quantum-datamaskiner antas å være i stand til å løse visse beregningsproblemer, for eksempel heltalsfaktorisering (som ligger til grunn for RSA-kryptering), vesentlig raskere enn klassiske datamaskiner. Studiet av kvanteberegning er et underfelt av kvanteinformasjonsvitenskap.
Kvanteberegning begynte tidlig på 1980-tallet, da fysikeren Paul Benioff foreslo en kvantemekanisk modell av Turing-maskinen. Richard Feynman og Yuri Manin foreslo senere at en kvantecomputer hadde potensial til å simulere ting som en klassisk datamaskin ikke kunne. I 1994 utviklet Peter Shor en kvantealgoritme for faktorisering av heltall som hadde potensial til å dekryptere RSA-kryptert kommunikasjon. Til tross for pågående eksperimentell fremgang siden slutten av 1990-tallet, tror de fleste forskere at "feiltolerant kvanteberegning fortsatt er en ganske fjern drøm.". De siste årene har investeringene i kvantecomputerforskning økt både i offentlig og privat sektor. 23. oktober 2019 hevdet Google AI, i samarbeid med US National Aeronautics and Space Administration (NASA), å ha utført en kvanteberegning som er gjennomførbar på en hvilken som helst klassisk datamaskin (såkalt quantum supremacy result).
Det finnes flere modeller av kvantecomputere (eller rettere sagt kvantecomputersystemer), inkludert kvantekretsmodellen, kvanteturingmaskin, adiabatisk kvantecomputer, enveis kvantecomputer og forskjellige kvantecelleautomater. Den mest brukte modellen er kvantekretsen. Kvantakretser er basert på kvantebiten, eller "qubit", som er noe analog med biten i klassisk beregning. Qubits kan være i 1 eller 0 kvantetilstand, eller de kan være i en superposisjon av 1 og 0-tilstandene. Imidlertid, når qubits måles, er måleresultatet alltid enten 0 eller 1; sannsynlighetene for disse to utfallene avhenger av kvantetilstanden som qubits var i umiddelbart før målingen.
Fremgang mot å bygge en fysisk kvantecomputer fokuserer på teknologier som transmoner, ionefeller og topologiske kvantecomputere, som tar sikte på å skape høykvalitets qubits. Disse qubits kan utformes annerledes, avhengig av hele kvantecomputerens datamodell, enten kvantelogiske porter, kvante annealing eller adiabatisk kvanteberegning. Det er for tiden en rekke betydelige hindringer i veien for å konstruere nyttige kvantecomputere. Spesielt er det vanskelig å opprettholde kvantetilstandene til qubits ettersom de lider av kvanteavvik og tilstandsfidelitet. Kvantumaskiner krever derfor feilretting. Ethvert beregningsproblem som kan løses av en klassisk datamaskin kan også løses av en kvantecomputer. Motsatt kan ethvert problem som kan løses av en kvantecomputer også løses av en klassisk datamaskin, i det minste i prinsippet gitt nok tid. Med andre ord følger kvantecomputere oppgaven Church – Turing. Selv om dette betyr at kvantedatamaskiner ikke gir ytterligere fordeler i forhold til klassiske datamaskiner når det gjelder beregningsevne, har kvantealgoritmer for visse problemer betydelig lavere tidskompleksitet enn tilsvarende kjente klassiske algoritmer. Spesielt antas det at kvantecomputere raskt kan løse visse problemer som ingen klassisk datamaskin kan løse på noen mulig tid - en bragd kjent som "quantum supremacy." Studien av beregningskompleksiteten til problemer med hensyn til kvantedatamaskiner er kjent som kvantekompleksitetsteori.
Google Sycamore er en kvanteprosessor opprettet av Google Inc.s divisjon for kunstig intelligens. Den består av 53 qubits.
I 2019 fullførte Sycamore en oppgave på 200 sekunder som Google hevdet, i et Nature-papir, ville ta en toppmoderne superdatamaskin 10,000 2.5 år å fullføre. Dermed hevdet Google å ha oppnådd kvanteoverlegenhet. For å estimere tiden som ville tatt av en klassisk superdatamaskin, kjørte Google deler av kvantekretssimuleringen på toppmøtet, den kraftigste klassiske datamaskinen i verden. Senere fremmet IBM et motargument og hevdet at oppgaven bare ville ta XNUMX dager på et klassisk system som Summit. Hvis Googles krav blir opprettholdt, vil det representere et eksponentielt sprang i datakraft.
I august 2020 rapporterte kvanteingeniører som jobbet for Google den største kjemiske simuleringen på en kvantecomputer - en Hartree-Fock-tilnærming med Sycamore parret med en klassisk datamaskin som analyserte resultatene for å gi nye parametere for 12-qubit-systemet.
I desember 2020 oppnådde den kinesiske fotonbaserte Jiuzhang-prosessoren, utviklet av USTC, en prosessorkraft på 76 qubits og var 10 milliarder ganger raskere enn Sycamore, noe som gjorde den til den andre datamaskinen som oppnådde kvanteoverlegenhet.
Quantum Artificial Intelligence Lab (også kalt Quantum AI Lab eller QuAIL) er et felles initiativ fra NASA, Universities Space Research Association og Google (spesifikt Google Research) hvis mål er å pionere på hvordan kvanteberegning kan hjelpe med maskinlæring. og andre vanskelige informatikkproblemer. Laboratoriet er vert på NASAs Ames Research Center.
Quantum AI Lab ble kunngjort av Google Research i et blogginnlegg 16. mai 2013. På tidspunktet for lanseringen brukte laboratoriet den mest avanserte kommersielt tilgjengelige kvantecomputeren, D-Wave Two fra D-Wave Systems.
20. mai 2013 ble det kunngjort at folk kunne søke om å bruke tid på D-Wave Two på Lab. 10. oktober 2013 ga Google ut en kortfilm som beskriver den nåværende tilstanden til Quantum AI Lab. 18. oktober 2013 kunngjorde Google at de hadde innlemmet kvantefysikk i Minecraft.
I januar 2014 rapporterte Google resultater som sammenlignet ytelsen til D-Wave Two i laboratoriet med klassiske datamaskiner. Resultatene var tvetydige og provoserte heftig diskusjon på Internett. 2. september 2014 ble det kunngjort at Quantum AI Lab, i samarbeid med UC Santa Barbara, ville lansere et initiativ for å lage kvanteinformasjonsprosessorer basert på superledende elektronikk.
Den 23. oktober 2019 kunngjorde Quantum AI Lab i et papir at det hadde oppnådd kvanteoverlegenhet.
Google AI Quantum utvikler kvanteberegning ved å utvikle kvanteprosessorer og nye kvantealgoritmer for å hjelpe forskere og utviklere med å løse nærtidsproblemer, både teoretiske og praktiske.
Quantum computing anses å hjelpe til med å utvikle morgendagens innovasjoner, inkludert AI. Derfor bruker Google betydelige ressurser på å bygge dedikert kvantemaskinvare og programvare.
Quantum computing er et nytt paradigme som vil spille en stor rolle i å akselerere oppgaver for AI. Google har som mål å tilby forskere og utviklere tilgang til open source-rammer og datakraft som kan fungere utover klassiske beregningsegenskaper.
De viktigste fokusområdene i Google AI Quantum er
- Superledende qubit-prosessorer: Superledende qubits med chipbasert skalerbar arkitektur rettet mot to-qubit gate feil <0.5%.
- Qubit-metrologi: Å redusere tap på to qubit under 0.2% er avgjørende for feilretting. Vi jobber med et kvanteoverlegenhetseksperiment, for omtrent å prøve en kvantekrets utover mulighetene til moderne klassiske datamaskiner og algoritmer.
- Kvantesimulering: Simulering av fysiske systemer er blant de mest forventede anvendelsene av kvanteberegning. Vi fokuserer spesielt på kvantealgoritmer for modelleringssystemer av samspillende elektroner med applikasjoner innen kjemi og materialvitenskap.
- Kvanteassistert optimalisering: Vi utvikler hybrid kvante-klassiske løsere for tilnærmet optimalisering. Termiske hopp i klassiske algoritmer for å overvinne energibarrierer kan forbedres ved å påkalle kvanteoppdateringer. Vi er spesielt interessert i sammenhengende befolkningsoverføring.
- Kvante nevrale nettverk: Vi utvikler et rammeverk for å implementere et kvante nevrale nettverk på kortvarige prosessorer. Vi er interessert i å forstå hvilke fordeler som kan oppstå ved å generere massive superposisjonstilstander under drift av nettverket.
Hovedverktøyene utviklet av Google AI Quantum er rammeverk med åpen kildekode som er spesielt utviklet for å utvikle nye kvantealgoritmer for å løse kortvarige applikasjoner for praktiske problemer. Disse inkluderer:
- Cirq: et kvantesammenheng med åpen kildekode for å bygge og eksperimentere med NISQ-algoritmer med støyende mellomskala (NISQ) på kortvarige kvanteprosessorer
- OpenFermion: en åpen kildekodeplattform for å oversette problemer innen kjemi og materialvitenskap til kvantekretser som kan utføres på eksisterende plattformer
Google AI Quantum kortvarige applikasjoner inkluderer:
Kvantesimulering
Utformingen av nye materialer og belysning av kompleks fysikk gjennom nøyaktige simuleringer av kjemi og kondenserte modeller er blant de mest lovende anvendelsene av kvanteberegning.
Feilreduksjonsteknikker
Vi jobber med å utvikle metoder på veien til full kvantefeilkorreksjon som har muligheten til å redusere støy i nåværende enheter dramatisk. Selv om feiltolerant kvanteberegning i full skala kan kreve betydelig utvikling, har vi utviklet utvidelsesteknikken for kvanteområde for å hjelpe til med å bruke teknikker fra kvantefeilkorreksjon for å forbedre ytelsen til applikasjoner på nærtidsenheter. Videre forenkler disse teknikkene testing av komplekse kvantekoder på nærtidsenheter. Vi presser disse teknikkene aktivt inn i nye områder og utnytter dem som grunnlag for utforming av nærtidseksperimenter.
Kvantemaskinlæring
Vi utvikler hybrid kvante-klassisk maskinlæringsteknikk på kvanteenheter på kort sikt. Vi studerer universell kvantekretslæring for klassifisering og gruppering av kvante- og klassiske data. Vi er også interessert i generative og diskriminerende kvante-nevrale nettverk, som kan brukes som kvante-repeatere og tilstandsrensingsenheter i kvantekommunikasjonsnettverk, eller for verifisering av andre kvantekretser.
Kvanteoptimalisering
Diskrete optimaliseringer innen luftfart, bilindustri og andre næringer kan ha nytte av hybrid kvante-klassisk optimalisering, for eksempel simulert gløding, kvanteassistert optimaliseringsalgoritme (QAOA) og kvanteforbedret befolkningsoverføring kan ha nytte med dagens prosessorer.
For å gjøre deg mer kjent med sertifiseringspensumet kan du utvide og analysere tabellen nedenfor.
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum refererer til didaktisk materiale med åpen tilgang i en videoform. Læringsprosessen er delt inn i en trinnvis struktur (programmer -> leksjoner -> emner) som dekker relevante læreplandeler. Ubegrenset rådgivning med domeneeksperter tilbys også.
Sjekk for detaljer om sertifiseringsprosedyren Hvordan det fungerer.
Læreplaner Referanse Ressurser
TensorFlow Quantum (TFQ) er et kvantemaskinlæringsbibliotek for rask prototyping av hybrid kvante-klassiske ML-modeller. Forskning i kvantealgoritmer og applikasjoner kan utnytte Googles kvanteberegningsrammer, alt fra TensorFlow. TensorFlow Quantum fokuserer på kvantedata og bygger hybrid kvanteklassiske modeller. Den integrerer kvanteberegningsalgoritmer og logikk designet i Cirq, og gir kvanteberegningsprimitiver kompatible med eksisterende TensorFlow APIer, sammen med høytytende kvantekretssimulatorer. Les mer i TensorFlow Quantum hvitt papir. Som tilleggsreferanse kan du sjekke ut oversikten og kjøre veiledningene for notatbokene.
https://www.tensorflow.org/quantum
cirq
Cirq er et open source-rammeverk for Noisy Intermediate Scale Quantum (NISQ) datamaskiner. Den ble utviklet av Google AI Quantum Team, og den offentlige alfa ble kunngjort på International Workshop on Quantum Software and Quantum Machine Learning 18. juli 2018. En demo av QC Ware viste en implementering av QAOA som løste et eksempel på maksimal kutt problemet blir løst på en Cirq-simulator. Kvanteprogrammer i Cirq er representert med "Circuit" og "Schedule" hvor "Circuit" representerer en Quantum-krets og "Schedule" representerer en Quantum-krets med tidsinformasjon. Programmene kan utføres på lokale simulatorer. Følgende eksempel viser hvordan du oppretter og måler en Bell-tilstand i Cirq.
importere cirq
# Velg qubits
qubit0 = cirq.GridQubit(0, 0)
qubit1 = cirq.GridQubit(0, 1)
# Lag en krets
krets = cirq.Circuit.fra_ops(
cirq.H(qubit0),
cirq.CNOT(qubit0, qubit1),
cirq.måle(qubit0, nøkkel='m0'),
cirq.måle(qubit1, nøkkel='m1')
)
Utskrift av kretsen viser diagrammet
skrive ut(krets)
# utskrifter
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ──────────XXXXM (MM ((((('(' ('(
Simulering av kretsen viser gjentatte ganger at målingene av qubits er korrelert.
simulator = cirq.Simulator()
resultere = simulator.løpe(krets, repetisjoner=5)
skrive ut(resultere)
# utskrifter
# m0 = 11010
# m1 = 11010
Last ned det komplette offline selvlærende forberedende materialet for EITC/AI/TFQML TensorFlow Quantum Machine Learning-programmet i en PDF-fil
EITC/AI/TFQML forberedende materialer – standardversjon
EITC/AI/TFQML forberedende materialer – utvidet versjon med gjennomgangsspørsmål