EITC/AI/TFQML „TensorFlow Quantum Machine Learning“ yra Europos IT sertifikavimo programa, skirta naudoti „Google TensorFlow Quantum“ biblioteką mašininiam mokymuisi įgyvendinti naudojant „Google Quantum Processor Sycamore“ architektūrą.
EITC/AI/TFQML „TensorFlow Quantum Machine Learning“ mokymo programoje pagrindinis dėmesys skiriamas teorinėms žinioms ir praktiniams įgūdžiams naudojant „Google“ „TensorFlow Quantum“ biblioteką pažangiam kvantinių skaičiavimo modelių mašininiam mokymuisi naudojant „Google Quantum Processor Sycamore“ architektūrą, organizuotą pagal šią struktūrą, apimančią išsamų vaizdo įrašą didaktinis turinys, kaip nuoroda į šį EITC sertifikatą.
„TensorFlow Quantum“ (TFQ) yra kvantinių mašinų mokymosi biblioteka, skirta greitam hibridinių kvantinių ir klasikinių ML modelių prototipų kūrimui. Kvantinių algoritmų ir programų tyrimai gali panaudoti „Google“ kvantinių skaičiavimų sistemas, visa tai iš „TensorFlow“.
„TensorFlow Quantum“ daugiausia dėmesio skiria kvantiniams duomenims ir hibridinių kvantinių-klasikinių modelių kūrimui. Ji integruoja kvantinių skaičiavimo algoritmus ir logiką, suprojektuotus „Cirq“ (kvantinės programavimo sistemos, pagrįstos kvantinių grandinių modeliu), ir suteikia kvantinio skaičiavimo primityvų, suderinamų su esamomis „TensorFlow“ API, kartu su didelio našumo kvantinių grandinių treniruokliais. Skaitykite daugiau „TensorFlow Quantum“ baltame dokumente.
Kvantinis skaičiavimas yra tokių kvantinių reiškinių kaip superpozicija ir susipynimas panaudojimas skaičiavimui atlikti. Kompiuteriai, atliekantys kvantinius skaičiavimus, yra žinomi kaip kvantiniai kompiuteriai. Manoma, kad kvantiniai kompiuteriai iš esmės greičiau nei klasikiniai kompiuteriai gali išspręsti tam tikras skaičiavimo problemas, tokias kaip sveikojo skaičiaus faktorizavimas (kuris yra RSA šifravimo pagrindas). Kvantinių skaičiavimų tyrimas yra kvantinės informacijos mokslo pogrupis.
Kvantinis skaičiavimas prasidėjo devintojo dešimtmečio pradžioje, kai fizikas Paulas Benioffas pasiūlė Tiuringo mašinos kvantinį mechaninį modelį. Richardas Feynmanas ir Jurijus Maninas vėliau teigė, kad kvantinis kompiuteris gali imituoti dalykus, kurių klasikinis kompiuteris negali. 1980 m. Peteris Shoras sukūrė kvantinį algoritmą, skirtą skaičiuoti sveikus skaičius, kurie galėjo iššifruoti RSA užšifruotą ryšį. Nepaisant nuolatinės eksperimentinės pažangos, vykusios nuo 1994-ųjų pabaigos, dauguma tyrinėtojų mano, kad „kaltėms atsparus kvantinis skaičiavimas vis dar yra gana tolima svajonė“. Pastaraisiais metais investicijos į kvantinių skaičiavimų tyrimus padidėjo tiek viešajame, tiek privačiame sektoriuje. 1990 m. Spalio 23 d. „Google AI“, bendradarbiaudama su JAV Nacionaline aeronautikos ir kosmoso administracija (NASA), teigė atlikusi kvantinį skaičiavimą, kurio neįmanoma atlikti bet kuriame klasikiniame kompiuteryje (vadinamasis kvantinio viršenybės rezultatas).
Yra keletas kvantinių kompiuterių (tiksliau, kvantinių skaičiavimo sistemų) modelių, įskaitant kvantinės grandinės modelį, kvantinę Tiuringo mašiną, adiabatinį kvantinį kompiuterį, vienkryptį kvantinį kompiuterį ir įvairius kvantinius ląstelių automatus. Labiausiai naudojamas modelis yra kvantinė grandinė. Kvantinės grandinės remiasi kvantiniu bitu arba „qubit“, kuris yra šiek tiek analogiškas bitui klasikiniame skaičiavime. Kvitai gali būti 1 arba 0 kvantinės būsenos arba gali būti 1 ir 0 būsenų superpozicijoje. Tačiau kai matuojami kubitai, matavimo rezultatas visada yra 0 arba 1; šių dviejų rezultatų tikimybė priklauso nuo kvantinės būsenos, kurioje kubitai buvo prieš pat matavimą.
Pažanga kuriant fizinį kvantinį kompiuterį sutelkta į tokias technologijas kaip transmonai, jonų gaudyklės ir topologiniai kvantiniai kompiuteriai, kuriais siekiama sukurti aukštos kokybės kubitus. Šie kubitai gali būti suprojektuoti skirtingai, priklausomai nuo viso kvantinio kompiuterio skaičiavimo modelio, nesvarbu, ar tai yra kvantiniai loginiai vartai, ar kvantinis atkaitinimas, ar adiabatinis kvantinis skaičiavimas. Šiuo metu yra nemažai reikšmingų kliūčių konstruojant naudingus kvantinius kompiuterius. Visų pirma sunku išlaikyti kvitų kvantines būsenas, nes jie kenčia nuo kvantinės dekoherencijos ir būsenos ištikimybės. Todėl kvantiniams kompiuteriams reikia taisyti klaidas. Bet kokią skaičiavimo problemą, kurią galima išspręsti klasikiniu kompiuteriu, galima išspręsti ir kvantiniu kompiuteriu. Ir atvirkščiai, bet kokią problemą, kurią galima išspręsti kvantiniu kompiuteriu, galima išspręsti ir klasikiniu kompiuteriu, bent jau iš principo skiriant pakankamai laiko. Kitaip tariant, kvantiniai kompiuteriai paklūsta Bažnyčios – Turingo tezei. Nors tai reiškia, kad kvantiniai kompiuteriai nesuteikia jokių papildomų pranašumų, palyginti su klasikiniais kompiuteriais, skaičiuojamumo požiūriu, tam tikrų problemų kvantinių algoritmų sudėtingumas yra žymiai mažesnis nei atitinkamų žinomų klasikinių algoritmų. Visų pirma manoma, kad kvantiniai kompiuteriai gali greitai išspręsti tam tikras problemas, kurių nė vienas klasikinis kompiuteris negalėjo išspręsti per bet kurį įmanomą laiką - tai žygdarbis, žinomas kaip „kvantinė viršenybė“. Kvantinių kompiuterių problemų skaičiavimo sudėtingumo tyrimas yra žinomas kaip kvantinio sudėtingumo teorija.
„Google Sycamore“ yra „Google Inc.“ dirbtinio intelekto padalinio sukurtas kvantinis procesorius. Ją sudaro 53 kubitai.
2019 m. „Sycamore“ per 200 sekundžių įvykdė užduotį, kurią „Google“ teigė, kad „Nature“ dokumente užtruks 10,000 2.5 metų moderniausiam superkompiuteriui. Taigi „Google“ teigė pasiekusi kvantinę viršenybę. Norėdamas įvertinti laiką, kurį užtruks klasikinis superkompiuteris, „Google“ vykdė kvantinės grandinės modeliavimo dalis „Summit“ - galingiausiame klasikiniame kompiuteryje pasaulyje. Vėliau IBM pateikė kontrargumentą teigdamas, kad užduotis užtruks tik XNUMX dienos tokioje klasikinėje sistemoje kaip „Summit“. Jei „Google“ reikalavimai bus patenkinti, tai reikštų eksponentinį skaičiavimo galios šuolį.
2020 m. Rugpjūčio mėn. „Google“ dirbantys kvantų inžinieriai pranešė apie didžiausią cheminį modeliavimą kvantiniame kompiuteryje - „Hartree-Fock“ aproksimaciją su „Sycamore“, suporuotą su klasikiniu kompiuteriu, kuris išanalizavo rezultatus, kad pateiktų naujus 12 kubitų sistemos parametrus.
2020 m. Gruodžio mėn. Kinijos fotonų pagrindu pagamintas „Jiuzhang“ procesorius, kurį sukūrė USTC, pasiekė 76 kubitų apdorojimo galią ir buvo 10 milijardų kartų greitesnis nei „Sycamore“, todėl tapo antruoju kompiuteriu, kuris pasiekė kvantinę viršenybę.
„Quantum“ dirbtinio intelekto laboratorija (dar vadinama „Quantum AI Lab“ arba „QuAIL“) yra bendra NASA, Universitetų kosmoso tyrimų asociacijos ir „Google“ (konkrečiai, „Google Research“) iniciatyva, kurios tikslas yra pradėti tyrinėti, kaip kvantinis skaičiavimas gali padėti mokytis mašinoje. ir kitos sunkios informatikos problemos. Laboratorija yra NASA Ameso tyrimų centre.
„Quantum AI Lab“ paskelbė „Google Research“ tinklaraščio įraše 16 m. Gegužės 2013 d. Paleidimo metu laboratorija naudojo pažangiausią komercinį kvantinį kompiuterį „D-Wave Two“ iš „D-Wave Systems“.
20 m. Gegužės 2013 d. Buvo paskelbta, kad žmonės gali kreiptis dėl laiko panaudojimo „D-Wave Two“ laboratorijoje. 10 m. Spalio 2013 d. „Google“ išleido trumpametražį filmą, kuriame aprašyta dabartinė „Quantum AI Lab“ būklė. 18 m. Spalio 2013 d. „Google“ paskelbė, kad į „Minecraft“ įtraukė kvantinę fiziką.
2014 m. Sausio mėn. „Google“ pranešė apie rezultatus, lyginančius „D-Wave Two“ veikimą laboratorijoje su klasikinių kompiuterių rezultatais. Rezultatai buvo dviprasmiški ir sukėlė karštas diskusijas internete. 2 m. Rugsėjo 2014 d. Buvo paskelbta, kad „Quantum AI Lab“, bendradarbiaudama su UC Santa Barbara, imsis iniciatyvos sukurti superlaidžiosios elektronikos pagrindu sukurtus kvantinės informacijos procesorius.
23 m. Spalio 2019 d. „Quantum AI Lab“ savo darbe paskelbė, kad pasiekė kvantinę viršenybę.
„Google AI Quantum“ tobulina kvantinį skaičiavimą kurdama kvantinius procesorius ir naujus kvantinius algoritmus, kurie padės tyrėjams ir kūrėjams išspręsti artimiausias teorines ir praktines problemas.
Manoma, kad kvantinis skaičiavimas padeda plėtoti rytojaus naujoves, įskaitant dirbtinį intelektą. Štai kodėl „Google“ skiria didelius išteklius tam, kad sukurtų specialią kvantinę techninę ir programinę įrangą.
Kvantinis skaičiavimas yra nauja paradigma, kuri vaidins didelį vaidmenį pagreitinant AI užduotis. „Google“ siekia pasiūlyti tyrėjams ir kūrėjams prieigą prie atvirojo kodo sistemų ir skaičiavimo galios, galinčios veikti virš klasikinių skaičiavimo galimybių.
Pagrindinės „Google AI Quantum“ dėmesio sritys yra
- Superlaidūs kubitų procesoriai: superlaidūs kubitai su mikroschemomis paremta keičiama architektūra, nukreipiančia dviejų kubitų vartų paklaidą <0.5%.
- „Qubit“ metrologija: norint ištaisyti klaidas labai svarbu sumažinti dviejų kubitų nuostolius žemiau 0.2%. Mes dirbame su kvantinės viršenybės eksperimentu, norėdami apytiksliai atrinkti kvantinę grandinę, viršijančią šiuolaikinių klasikinių kompiuterių ir algoritmų galimybes.
- Kvantinis modeliavimas: Fizinių sistemų modeliavimas yra viena iš labiausiai laukiamų kvantinio skaičiavimo programų. Mes ypač daug dėmesio skiriame kvantiniams algoritmams, skirtiems modeliuoti sąveikaujančių elektronų su chemijos ir medžiagų mokslo sistemomis sistemas.
- Kvantinis optimizavimas: Apytiksliam optimizavimui kuriame hibridinius klasikinius kvantinius ir klasikinius sprendimus. Terminius šuolius klasikiniuose algoritmuose, siekiant įveikti energijos barjerus, būtų galima sustiprinti kvantiniais atnaujinimais. Mums ypač rūpi nuoseklus gyventojų perkėlimas.
- Kvantiniai neuroniniai tinklai: Mes kuriame sistemą, kaip įgyvendinti kvantinį neuroninį tinklą artimiausiuose procesoriuose. Mums įdomu suprasti, kokie pranašumai gali atsirasti generuojant masines superpozicijos būsenas tinklo veikimo metu.
Pagrindinės „Google AI Quantum“ sukurtos priemonės yra atvirojo kodo sistemos, specialiai sukurtos naujiems kvantiniams algoritmams kurti, kurie padėtų greitai išspręsti praktinių problemų taikymo problemas. Jie apima:
- „Cirq“: atviro kodo kvantinė sistema, skirta kurti ir eksperimentuoti su triukšmingais vidutinio masto kvantiniais (NISQ) algoritmais artimiausio laikotarpio kvantiniuose procesoriuose
- „OpenFermion“: atviro kodo platforma chemijos ir medžiagų mokslo problemoms paversti kvantinėmis grandinėmis, kurias galima vykdyti esamose platformose
Trumpalaikės „Google AI Quantum“ programos apima:
Kvantinis modeliavimas
Naujų medžiagų projektavimas ir sudėtingos fizikos išaiškinimas taikant tikslius chemijos ir kondensuotų medžiagų modelių modeliavimus yra vieni perspektyviausių kvantinio skaičiavimo pritaikymų.
Klaidų mažinimo būdai
Mes dirbame, kad sukurtume metodus, leidžiančius visiškai ištaisyti kvantines klaidas, kurie galėtų dramatiškai sumažinti triukšmą dabartiniuose įrenginiuose. Nors visapusiškas triktims atsparus kvantinis skaičiavimas gali pareikalauti didelių pokyčių, mes sukūrėme kvantinės porūšio išplėtimo techniką, kad padėtų panaudoti kvantinių klaidų taisymo metodikas, kad pagerintų programų veikimą artimiausio laikotarpio įrenginiuose. Be to, šie metodai palengvina sudėtingų kvantinių kodų testavimą trumpalaikiuose įtaisuose. Aktyviai perkeliame šias technikas į naujas sritis ir panaudojame jas kaip pagrindą artimiausio laikotarpio eksperimentams kurti.
„Quantum Machine Learning“
Mes kuriame hibridines kvantinės-klasikinės mašininio mokymosi metodus, taikomus trumpalaikiams kvantiniams prietaisams. Mes tiriame universalų kvantinių grandinių mokymąsi, kad klasifikuotume ir kauptume kvantinius ir klasikinius duomenis. Mus taip pat domina generatyvūs ir diskriminaciniai kvantiniai neuroniniai tinklai, kurie galėtų būti naudojami kaip kvantiniai kartotuvai ir būsenos valymo įrenginiai kvantinių ryšių tinkluose, arba norint patikrinti kitas kvantines grandines.
Kvantinis optimizavimas
Diskretiems aviacijos, automobilių ir kitų pramonės šakų optimizavimams gali būti naudinga hibridinė kvantinė-klasikinė optimizacija, pavyzdžiui, imituotas atkaitinimas, kvantinio optimizavimo algoritmas (QAOA) ir padidintas kiekybinis gyventojų perkėlimas gali būti naudingi šiandieniniams procesoriams.
Norėdami išsamiai susipažinti su sertifikavimo programa, galite išplėsti ir išanalizuoti toliau pateiktą lentelę.
EITC/AI/TFQML TensorFlow kvantinio mašininio mokymosi sertifikavimo mokymo programoje pateikiamos nuorodos į atviros prieigos didaktinę medžiagą vaizdo įrašo forma. Mokymosi procesas yra padalintas į laipsnišką struktūrą (programos -> pamokos -> temos), apimančią atitinkamas mokymo programos dalis. Taip pat teikiamos neribotos konsultacijos su domenų ekspertais.
Norėdami gauti daugiau informacijos apie sertifikavimo procedūrą, patikrinkite Patogus abonementas.
Gyvenimo aprašymo šaltiniai
„TensorFlow Quantum“ (TFQ) yra kvantinių mašinų mokymosi biblioteka, skirta greitam hibridinių kvantinių ir klasikinių ML modelių prototipų kūrimui. Kvantinių algoritmų ir programų tyrimai gali pasitelkti „Google“ kvantinių skaičiavimų sistemas, visas iš „TensorFlow“. „TensorFlow Quantum“ daugiausia dėmesio skiria kvantiniams duomenims ir hibridinių kvantinių-klasikinių modelių kūrimui. Ji integruoja kvantinio skaičiavimo algoritmus ir logiką, suprojektuotus „Cirq“, ir teikia kvantinio skaičiavimo primityvus, suderinamus su esamomis „TensorFlow“ API, kartu su didelio našumo kvantinių grandinių treniruokliais. Skaitykite daugiau „TensorFlow Quantum“ baltame dokumente. Kaip papildomą nuorodą galite peržiūrėti apžvalgą ir paleisti nešiojamojo kompiuterio mokymo programas.
https://www.tensorflow.org/quantum
Cirkas
„Cirq“ yra atviro kodo sistema „Noisy Intermediate Scale Quantum“ (NISQ) kompiuteriams. Jį sukūrė „Google AI Quantum Team“, o viešoji alfa buvo paskelbta tarptautiniame „Quantum Software“ ir „Quantum Machine Learning“ seminare 18 m. Liepos 2018 d. „QC Ware“ demonstracinė versija parodė QAOA įgyvendinimą, sprendžiant maksimalaus pjūvio pavyzdį. problema išspręsta „Cirq“ treniruoklyje. Kvantines programas Cirq vaizduoja „grandinė“ ir „tvarkaraštis“, kur „grandinė“ reiškia kvantinę grandinę, o „tvarkaraštis“ - kvantinę grandinę su laiko informacija. Programos gali būti vykdomos vietiniuose treniruokliuose. Šis pavyzdys rodo, kaip sukurti ir išmatuoti varpo būseną Cirq.
importuoti apytiksl
# Pasirinkite kubitus
qubit0 = apytiksl.„GridQubit“(0, 0)
qubit1 = apytiksl.„GridQubit“(0, 1)
# Sukurkite grandinę
grandinė = apytiksl.grandinė.from_ops(
apytiksl.H(qubit0),
apytiksl.NEGALIMA(qubit0, qubit1),
apytiksl.įvertinti(qubit0, raktas=„m0“),
apytiksl.įvertinti(qubit1, raktas=„m1“)
)
Spausdinant grandinę rodoma jos schema
spausdinti(grandinė)
# atspaudų
# (0, 0): ───H─── @ ───M („m0“) ───
# │
# (0, 1): ───────X───M („m1“) ───
Imituojant grandinę pakartotinai parodyta, kad kubitų matavimai yra susiję.
treniruoklis = apytiksl.Treniruoklis()
rezultatas = treniruoklis.paleisti(grandinė, pakartojimai=5)
spausdinti(rezultatas)
# atspaudų
# m0 = 11010
# m1 = 11010
Atsisiųskite visą savarankiško mokymosi neprisijungus parengiamąją medžiagą EITC/AI/TFQML TensorFlow Quantum Machine Learning programai PDF faile
EITC/AI/TFQML paruošiamoji medžiaga – standartinė versija
EITC/AI/TFQML parengiamoji medžiaga – išplėstinė versija su peržiūros klausimais