EITC/AI/TFQML TensorFlow Quantum Machine Learning adalah program Pensijilan IT Eropah mengenai penggunaan perpustakaan Google TensorFlow Quantum untuk melaksanakan pembelajaran mesin pada seni bina Google Quantum Processor Sycamore.
Kurikulum EITC/AI/TFQML TensorFlow Quantum Machine Learning memberi tumpuan kepada pengetahuan teori dan kemahiran praktikal dalam menggunakan perpustakaan TensorFlow Quantum Google untuk pembelajaran mesin berdasarkan model komputasi kuantum lanjutan pada seni bina Google Quantum Processor Sycamore yang disusun dalam struktur berikut, merangkumi video komprehensif kandungan didaktik sebagai rujukan untuk Persijilan EITC ini.
TensorFlow Quantum (TFQ) adalah perpustakaan pembelajaran mesin kuantum untuk prototaip cepat model ML kuantum klasik hibrid. Penyelidikan dalam algoritma dan aplikasi kuantum dapat memanfaatkan kerangka pengkomputeran kuantum Google, semuanya dari dalam TensorFlow.
TensorFlow Quantum memberi tumpuan kepada data kuantum dan membina model klasik kuantum hibrid. Ia mengintegrasikan algoritma dan logik pengkomputeran kuantum yang dirancang dalam Cirq (kerangka pengaturcaraan kuantum berdasarkan model litar kuantum), dan menyediakan primitif pengkomputeran kuantum yang sesuai dengan API TensorFlow yang ada, bersama dengan simulator litar kuantum berprestasi tinggi. Baca lebih lanjut dalam kertas putih TensorFlow Quantum.
Pengkomputeran kuantum adalah penggunaan fenomena kuantum seperti superposisi dan keterlibatan untuk melakukan pengiraan. Komputer yang melakukan pengiraan kuantum dikenali sebagai komputer kuantum. Komputer kuantum dipercayai dapat menyelesaikan masalah komputasi tertentu, seperti pemfaktoran integer (yang mendasari penyulitan RSA), jauh lebih cepat daripada komputer klasik. Kajian pengkomputeran kuantum adalah subbidang sains maklumat kuantum.
Pengkomputeran kuantum bermula pada awal 1980-an, ketika ahli fizik Paul Benioff mencadangkan model mekanik kuantum mesin Turing. Richard Feynman dan Yuri Manin kemudian menyatakan bahawa komputer kuantum berpotensi untuk mensimulasikan perkara yang tidak dapat dilakukan oleh komputer klasik. Pada tahun 1994, Peter Shor mengembangkan algoritma kuantum untuk memfaktorkan bilangan bulat yang berpotensi untuk mendekripsi komunikasi yang dienkripsi RSA. Walaupun terdapat kemajuan eksperimental yang berterusan sejak akhir 1990-an, kebanyakan penyelidik percaya bahawa "pengkomputeran kuantum toleran kesalahan masih merupakan impian yang agak jauh." Dalam beberapa tahun kebelakangan ini, pelaburan dalam penyelidikan pengkomputeran kuantum telah meningkat di sektor awam dan swasta. Pada 23 Oktober 2019, Google AI, bekerjasama dengan Pentadbiran Aeronautik dan Angkasa Negara AS (NASA), mengaku telah melakukan pengiraan kuantum yang tidak dapat dilaksanakan di mana-mana komputer klasik (apa yang disebut hasil ketuanan kuantum).
Terdapat beberapa model komputer kuantum (atau lebih tepatnya, sistem pengkomputeran kuantum), termasuk model litar kuantum, mesin kuantum Turing, komputer kuantum adiabatik, komputer kuantum sehala, dan pelbagai automata selular kuantum. Model yang paling banyak digunakan ialah litar kuantum. Litar kuantum didasarkan pada bit kuantum, atau "qubit", yang agak serupa dengan bit dalam pengiraan klasik. Qubits boleh berada dalam keadaan kuantum 1 atau 0, atau boleh berada di superposisi dari keadaan 1 dan 0. Walau bagaimanapun, apabila qubit diukur maka hasil pengukurannya selalu berupa 0 atau 1; kebarangkalian kedua-dua hasil ini bergantung pada keadaan kuantum bahawa qubit berada tepat sebelum pengukuran.
Kemajuan ke arah membangun komputer kuantum fizikal memberi tumpuan kepada teknologi seperti transmon, perangkap ion dan komputer kuantum topologi, yang bertujuan untuk menghasilkan qubit berkualiti tinggi. Qubit ini mungkin dirancang secara berbeza, bergantung pada model pengkomputeran komputer kuantum penuh, sama ada gerbang logik kuantum, penyepuhlindapan kuantum, atau pengiraan kuantum adiabatik. Pada masa ini terdapat sejumlah halangan penting dalam pembinaan komputer kuantum yang berguna. Secara khusus, sukar untuk mengekalkan keadaan kuantum qubit kerana mereka mengalami decoherence kuantum dan kesetiaan negara. Oleh itu, komputer kuantum memerlukan pembetulan ralat. Segala masalah pengkomputeran yang dapat diselesaikan oleh komputer klasik juga dapat diselesaikan dengan komputer kuantum. Sebaliknya, sebarang masalah yang dapat diselesaikan oleh komputer kuantum juga dapat diselesaikan oleh komputer klasik, sekurang-kurangnya pada prinsipnya diberi masa yang cukup. Dengan kata lain, komputer kuantum mematuhi tesis Church – Turing. Walaupun ini bermaksud bahawa komputer kuantum tidak memberikan kelebihan tambahan daripada komputer klasik dari segi pengiraan, algoritma kuantum untuk masalah tertentu mempunyai kerumitan waktu yang jauh lebih rendah daripada algoritma klasik yang diketahui. Terutama, komputer kuantum diyakini dapat dengan cepat menyelesaikan masalah tertentu yang tidak dapat diselesaikan oleh komputer klasik dalam jangka waktu yang mungkin — suatu prestasi yang dikenal sebagai "ketuanan kuantum." Kajian mengenai kerumitan komputasi masalah berkaitan dengan komputer kuantum dikenali sebagai teori kerumitan kuantum.
Google Sycamore adalah pemproses kuantum yang dibuat oleh bahagian Kecerdasan Buatan Google Inc. Ia terdiri daripada 53 qubit.
Pada tahun 2019, Sycamore menyelesaikan tugas dalam 200 saat yang diklaim oleh Google, dalam makalah Nature, akan memerlukan komputer super canggih 10,000 tahun untuk diselesaikan. Oleh itu, Google mengaku telah mencapai ketuanan kuantum. Untuk menganggarkan masa yang akan diambil oleh komputer super klasik, Google menjalankan sebahagian simulasi litar kuantum di Summit, komputer klasik yang paling kuat di dunia. Kemudian, IBM membuat hujah balas, dengan mendakwa bahawa tugas itu hanya akan memakan masa 2.5 hari pada sistem klasik seperti Summit. Sekiranya tuntutan Google ditegakkan, maka itu akan mewakili lonjakan eksponensial dalam kekuatan pengkomputeran.
Pada bulan Ogos 2020 jurutera kuantum yang bekerja untuk Google melaporkan simulasi kimia terbesar pada komputer kuantum - pendekatan Hartree-Fock dengan Sycamore dipasangkan dengan komputer klasik yang menganalisis hasil untuk memberikan parameter baru untuk sistem 12-qubit.
Pada bulan Disember 2020, pemproses Jiuzhang berasaskan foton China, yang dikembangkan oleh USTC, mencapai kekuatan pemprosesan 76 qubit dan 10 miliar kali lebih cepat daripada Sycamore, menjadikannya komputer kedua yang mencapai keunggulan kuantum.
Quantum Artificial Intelligence Lab (juga dikenali sebagai Quantum AI Lab atau QuAIL) adalah inisiatif bersama NASA, Persatuan Penyelidikan Angkasa Universiti, dan Google (khususnya, Penyelidikan Google) yang bertujuan untuk mempelopori penyelidikan tentang bagaimana pengkomputeran kuantum dapat membantu pembelajaran mesin dan lain-lain masalah sains komputer yang sukar. Makmal ini dihoskan di Pusat Penyelidikan Ames NASA.
Quantum AI Lab diumumkan oleh Google Research dalam catatan blog pada 16 Mei 2013. Pada masa pelancaran, Makmal menggunakan komputer kuantum yang paling maju secara komersil, D-Wave Two dari D-Wave Systems.
Pada 20 Mei 2013, diumumkan bahawa orang dapat menggunakan waktu penggunaan di D-Wave Two di Makmal. Pada 10 Oktober 2013, Google melancarkan filem pendek yang menerangkan keadaan terkini Quantum AI Lab. Pada 18 Oktober 2013, Google mengumumkan bahawa ia telah memasukkan fizik kuantum ke dalam Minecraft.
Pada bulan Januari 2014, Google melaporkan hasil membandingkan prestasi D-Wave Two di makmal dengan prestasi komputer klasik. Hasilnya tidak jelas dan menimbulkan perbincangan hangat di Internet. Pada 2 September 2014, diumumkan bahawa Quantum AI Lab, bekerjasama dengan UC Santa Barbara, akan melancarkan inisiatif untuk membuat pemproses maklumat kuantum berdasarkan elektronik superkonduktor.
Pada 23 Oktober 2019, Makmal Quantum AI mengumumkan dalam sebuah makalah bahawa ia telah mencapai ketuanan kuantum.
Google AI Quantum memajukan pengkomputeran kuantum dengan mengembangkan pemproses kuantum dan algoritma kuantum baru untuk membantu penyelidik dan pembangun menyelesaikan masalah jangka pendek baik secara teori dan praktikal.
Pengkomputeran kuantum dianggap dapat membantu dalam pengembangan inovasi esok, termasuk AI. Itulah sebabnya Google memberikan sumber daya yang besar untuk membina perkakasan dan perisian kuantum khusus.
Quantum computing adalah paradigma baru yang akan memainkan peranan besar dalam mempercepat tugas untuk AI. Google bertujuan untuk menawarkan akses kepada penyelidik dan pemaju ke kerangka kerja sumber terbuka dan kuasa pengkomputeran yang dapat beroperasi di luar kemampuan pengkomputeran klasik.
Kawasan fokus utama Google AI Quantum adalah
- Pemproses qubit superconducting: Superconducting qubit dengan senibina berskala berasaskan cip yang menyasarkan ralat pintu dua-qubit <0.5%.
- Metrologi Qubit: Mengurangkan kehilangan dua qubit di bawah 0.2% adalah penting untuk pembetulan ralat. Kami sedang mengusahakan eksperimen ketuanan kuantum, untuk mengira litar kuantum melebihi kemampuan komputer dan algoritma klasik yang canggih.
- Simulasi kuantum: Simulasi sistem fizikal adalah antara aplikasi pengkomputeran kuantum yang paling dinantikan. Kami terutama memfokuskan pada algoritma kuantum untuk pemodelan sistem elektron berinteraksi dengan aplikasi dalam sains kimia dan bahan.
- Pengoptimuman berbantukan kuantum: Kami sedang mengembangkan pemecah kuantum-klasik hibrid untuk pengoptimuman anggaran. Lompatan termal dalam algoritma klasik untuk mengatasi halangan tenaga dapat ditingkatkan dengan meminta kemas kini kuantum. Kami amat berminat dengan pemindahan penduduk yang koheren.
- Jaringan saraf kuantum: Kami sedang mengembangkan kerangka kerja untuk menerapkan jaringan saraf kuantum pada pemproses jangka pendek. Kami berminat untuk memahami kelebihan apa yang mungkin timbul daripada menjana keadaan superposisi besar semasa operasi rangkaian.
Alat utama yang dikembangkan oleh Google AI Quantum adalah kerangka sumber terbuka yang direka khusus untuk mengembangkan algoritma kuantum baru untuk membantu menyelesaikan aplikasi jangka pendek untuk masalah praktikal. Ini termasuk:
- Cirq: kerangka kuantum sumber terbuka untuk membina dan bereksperimen dengan algoritma kuantum skala menengah bising (NISQ) pada pemproses kuantum jangka pendek
- OpenFermion: platform sumber terbuka untuk menterjemahkan masalah dalam sains kimia dan bahan ke dalam litar kuantum yang dapat dilaksanakan pada platform yang ada
Aplikasi jangka pendek Google AI Quantum merangkumi:
Simulasi Kuantum
Reka bentuk bahan baru dan penjelasan fizik kompleks melalui simulasi tepat kimia dan model bahan terkondensasi adalah antara aplikasi pengkomputeran kuantum yang paling menjanjikan.
Teknik pengurangan ralat
Kami berusaha untuk mengembangkan kaedah menuju pembetulan ralat kuantum penuh yang mempunyai keupayaan mengurangkan bunyi secara mendadak pada peranti semasa. Walaupun pengkomputeran kuantum toleransi berskala penuh mungkin memerlukan perkembangan yang besar, kami telah mengembangkan teknik pengembangan ruang bawah kuantum untuk membantu memanfaatkan teknik dari pembetulan ralat kuantum untuk meningkatkan prestasi aplikasi pada peranti jangka pendek. Lebih-lebih lagi, teknik ini memudahkan pengujian kod kuantum kompleks pada peranti jangka pendek. Kami secara aktif mendorong teknik ini ke kawasan baru dan memanfaatkannya sebagai asas untuk merancang eksperimen jangka pendek.
Pembelajaran Mesin Kuantum
Kami sedang mengembangkan teknik pembelajaran mesin kuantum-klasik hibrid pada peranti kuantum jangka pendek. Kami sedang mengkaji pembelajaran litar kuantum sejagat untuk pengkelasan dan pengelompokan data kuantum dan klasik. Kami juga tertarik pada jaringan saraf kuantum generatif dan diskriminatif, yang dapat digunakan sebagai pengulang kuantum dan unit pemurnian negara dalam jaringan komunikasi kuantum, atau untuk pengesahan rangkaian kuantum lain.
Pengoptimuman Kuantum
Pengoptimuman diskrit dalam aeroangkasa, automotif, dan industri lain mungkin mendapat manfaat daripada pengoptimuman klasik kuantum hibrid, seperti penyepuhlindapan simulasi, algoritma pengoptimuman berbantuan kuantum (QAOA) dan pemindahan penduduk yang ditingkatkan kuantum mungkin berguna dengan pemproses sekarang.
Untuk membiasakan diri anda secara terperinci dengan kurikulum pensijilan, anda boleh mengembangkan dan menganalisis jadual di bawah.
Kurikulum Pensijilan Pembelajaran Mesin Kuantum EITC/AI/TFQML TensorFlow merujuk kepada bahan didaktik akses terbuka dalam bentuk video. Proses pembelajaran dibahagikan kepada struktur langkah demi langkah (program -> pelajaran -> topik) yang merangkumi bahagian kurikulum yang berkaitan. Perundingan tanpa had dengan pakar domain juga disediakan.
Untuk butiran mengenai pemeriksaan prosedur Pensijilan Bagaimana ia berfungsi.
Sumber Rujukan Kurikulum
TensorFlow Quantum (TFQ) adalah perpustakaan pembelajaran mesin kuantum untuk prototaip cepat model ML kuantum klasik hibrid. Penyelidikan dalam algoritma dan aplikasi kuantum dapat memanfaatkan kerangka pengkomputeran kuantum Google, semuanya dari dalam TensorFlow. TensorFlow Quantum memberi tumpuan kepada data kuantum dan membina model klasik kuantum hibrid. Ini mengintegrasikan algoritma dan logik pengkomputeran kuantum yang dirancang di Cirq, dan menyediakan primitif pengkomputeran kuantum yang serasi dengan API TensorFlow yang ada, bersama dengan simulator litar kuantum berprestasi tinggi. Baca lebih lanjut dalam kertas putih TensorFlow Quantum. Sebagai rujukan tambahan, anda boleh melihat gambaran keseluruhan dan menjalankan tutorial buku nota.
https://www.tensorflow.org/quantum
Circq
Cirq adalah kerangka sumber terbuka untuk komputer Noisy Intermediate Scale Quantum (NISQ). Ia dibangunkan oleh Google AI Quantum Team, dan alpha umum diumumkan di Bengkel Antarabangsa mengenai Perisian Quantum dan Pembelajaran Mesin Quantum pada 18 Julai 2018. Demo oleh QC Ware menunjukkan pelaksanaan QAOA menyelesaikan contoh pemotongan maksimum masalah diselesaikan pada simulator Cirq. Program kuantum di Cirq diwakili oleh "Litar" dan "Jadual" di mana "Litar" mewakili litar Quantum dan "Jadual" mewakili litar Quantum dengan maklumat masa. Program boleh dijalankan pada simulator tempatan. Contoh berikut menunjukkan cara membuat dan mengukur keadaan Bell di Cirq.
mengimport sekitar
# Pilih qubits
qubit0 = sekitar.GridQubit(0, 0)
qubit1 = sekitar.GridQubit(0, 1)
# Buat litar
litar = sekitar.Litar.dari_op(
sekitar.H(qubit0),
sekitar.CNOT(qubit0, qubit1),
sekitar.mengukur(qubit0, utama='m0'),
sekitar.mengukur(qubit1, utama='m1')
)
Mencetak litar memaparkan rajahnya
cetak(litar)
# cetakan
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Simulasi litar berulang kali menunjukkan bahawa pengukuran qubit berkorelasi.
simulator = sekitar.Simulator()
mengakibatkan = simulator.menjalankan(litar, latihan=5)
cetak(mengakibatkan)
# cetakan
# m0 = 11010
# m1 = 11010
Muat turun bahan persediaan pembelajaran kendiri luar talian yang lengkap untuk program Pembelajaran Mesin Kuantum EITC/AI/TFQML TensorFlow dalam fail PDF
Bahan persediaan EITC/AI/TFQML – versi standard
Bahan persediaan EITC/AI/TFQML – versi lanjutan dengan soalan semakan