Az EITC/AI/TFQML TensorFlow Quantum Machine Learning egy európai informatikai tanúsító program a Google TensorFlow Quantum könyvtár használatával a gépi tanulás megvalósításához a Google Quantum Processor Sycamore architektúrán.
Az EITC/AI/TFQML TensorFlow Quantum Machine Learning tanterve elméleti ismeretekre és gyakorlati ismeretekre összpontosít a Google TensorFlow Quantum könyvtárának használatával a fejlett kvantumszámítási modell alapú gépi tanuláshoz a Google Quantum Processor Sycamore architektúrán, a következő struktúrán belül, átfogó videót átfogva didaktikai tartalom az EITC tanúsítás referenciaként.
A TensorFlow Quantum (TFQ) egy kvantum gépi tanulási könyvtár a hibrid kvantum-klasszikus ML modellek gyors prototípus készítéséhez. A kvantumalgoritmusok és alkalmazások kutatása felhasználhatja a Google kvantumszámítási kereteit, mindezt a TensorFlow-ból.
A TensorFlow Quantum a kvantumadatokra és a hibrid kvantum-klasszikus modellek felépítésére összpontosít. Integrálja a Cirq-ben tervezett kvantumszámítási algoritmusokat és logikákat (a kvantumáramkörök modelljén alapuló kvantumprogramozási keretrendszer), és a meglévő TensorFlow API-kkal kompatibilis kvantumszámítási primitíveket, valamint nagy teljesítményű kvantumköri szimulátorokat kínál. További információ a TensorFlow Quantum című fehér könyvben található.
A kvantumszámítás olyan kvantumjelenségek felhasználása, mint a szuperpozíció és az összefonódás a számítás elvégzéséhez. A kvantumszámításokat végző számítógépeket kvantumszámítógépeknek nevezik. A kvantumszámítógépekről úgy gondolják, hogy lényegesen gyorsabban képesek megoldani bizonyos számítási problémákat, mint például az egész faktorosítást (amely az RSA titkosítást alapozza meg), mint a klasszikus számítógépeket. A kvantumszámítás tanulmányozása a kvantuminformatika egyik területe.
A kvantumszámítás az 1980-as évek elején kezdődött, amikor Paul Benioff fizikus javasolta a Turing-gép kvantummechanikai modelljét. Richard Feynman és Yuri Manin később azt sugallták, hogy egy kvantum számítógép képes szimulálni olyan dolgokat, amelyekre a klasszikus számítógép nem képes. 1994-ben Peter Shor kifejlesztett egy kvantum algoritmust az egész számok faktorálására, amely potenciálisan visszafejtette az RSA által titkosított kommunikációt. Az 1990-es évek vége óta tartó folyamatos kísérleti eredmények ellenére a legtöbb kutató úgy véli, hogy „a hibatűrő kvantumszámítás még mindig meglehetősen távoli álom”. Az elmúlt években a kvantumszámítástechnikai kutatásba történő befektetések mind az állami, mind a magánszférában növekedtek. 23. október 2019-án a Google AI az Egyesült Államok Nemzeti Repülésügyi és Űrkutatási Hivatallal (NASA) együttműködve azt állította, hogy olyan kvantumszámítást végzett, amely bármilyen klasszikus számítógépen megvalósíthatatlan (úgynevezett kvantumfölényes eredmény).
A kvantum számítógépek (vagy inkább kvantum számítási rendszerek) számos modellje létezik, ideértve a kvantum áramkör modellt, a kvantum Turing gépet, az adiabatikus kvantum számítógépet, az egyirányú kvantum számítógépet és a különféle kvantum sejtes automatákat. A legszélesebb körben alkalmazott modell a kvantum áramkör. A kvantumáramkörök a kvantumbitre, vagyis a „qubit” -re épülnek, amely némileg analóg a klasszikus számítás során alkalmazott bitekkel. A quitok lehetnek 1 vagy 0 kvantum állapotban, vagy lehetnek az 1 és 0 állapot szuperpozíciójában. Amikor azonban a kvbiteket mérjük, a mérés eredménye mindig 0 vagy 1; ennek a két eredménynek a valószínűsége attól a kvantumállapottól függ, amelyben a qubitek közvetlenül a mérés előtt voltak.
A fizikai kvantum számítógép építése felé tett előrelépés olyan technológiákra összpontosít, mint a transzmonok, az ioncsapdák és a topológiai kvantum számítógépek, amelyek célja kiváló minőségű kvitek létrehozása. Ezeket a kviteket másképp lehet megtervezni, a teljes kvantum számítógép számítási modelljétől függően, legyen szó kvantum logikai kapukról, kvantum izzításról vagy adiabatikus kvantum számításról. Jelenleg számos jelentős akadály áll a hasznos kvantumszámítógépek elkészítésének útjában. Különösen nehéz fenntartani a kvbitek kvantumállapotát, mivel azok szenvednek a kvantum dekoherenciától és az államhűségtől. A kvantumszámítógépek ezért hibajavítást igényelnek. Minden klasszikus számítógéppel megoldható számítási probléma kvantumszámítógéppel is megoldható. Ezzel szemben minden olyan problémát, amelyet egy kvantum számítógép megoldhat, egy klasszikus számítógép is megoldhatja, legalábbis elvileg elegendő időt kap. Más szavakkal, a kvantumszámítógépek engedelmeskednek az egyház – turingi tézisnek. Míg ez azt jelenti, hogy a kvantumszámítógépek nem nyújtanak további előnyöket a klasszikus számítógépekkel szemben a kiszámíthatóság szempontjából, bizonyos problémák kvantumalgoritmusainak időbeli összetettsége lényegesen alacsonyabb, mint a megfelelő ismert klasszikus algoritmusoké. Különösen úgy gondolják, hogy a kvantumszámítógépek képesek gyorsan megoldani bizonyos problémákat, amelyeket egyetlen klasszikus számítógép sem tudna megoldani bármilyen megvalósítható idő alatt - ezt a tulajdonságot „kvantumfölénynek” nevezik. A kvantumszámítógépek problémáinak számítási komplexitásának tanulmányozása kvantum komplexitáselmélet néven ismert.
A Google Sycamore egy kvantum processzor, amelyet a Google Inc. Mesterséges Intelligencia részlege hozott létre. 53 kvitet tartalmaz.
2019-ben Sycamore 200 másodperc alatt elvégzett egy feladatot, amely a Google állítása szerint a Nature című cikkben 10,000 2.5 évre van szükség a legkorszerűbb szuperszámítógép befejezéséhez. Így a Google azt állította, hogy kvantumfölényt ért el. A klasszikus szuperszámítógép által elért idő becsléséhez a Google a kvantum áramkör szimulációjának részeit futtatta a Summit-on, a világ legerősebb klasszikus számítógépén. Később az IBM ellenérvet tett, azt állítva, hogy a feladat csak XNUMX napot vesz igénybe egy olyan klasszikus rendszeren, mint a Summit. Ha a Google állításait elfogadják, az exponenciális ugrást jelentene a számítási teljesítményben.
2020 augusztusában a Google-nál dolgozó kvantummérnökök jelentették a legnagyobb kémiai szimulációt egy kvantum számítógépen - egy Hartree-Fock közelítést Sycamore-val, egy klasszikus számítógéppel párosítva, amely elemezte az eredményeket, hogy új paramétereket szolgáltasson a 12-qubit rendszer számára.
2020 decemberében az USTC által kifejlesztett kínai foton alapú Jiuzhang processzor 76 kvbit feldolgozási teljesítményt ért el, és tízmilliárdszor gyorsabb volt, mint a Sycamore, ezzel a második számítógép lett a kvantumfölény.
A Quantum Artificial Intelligence Lab (más néven Quantum AI Lab vagy QuAIL) a NASA, az Egyetemi Űrkutatási Szövetség és a Google (konkrétan a Google Research) közös kezdeményezése, amelynek célja az, hogy úttörő kutatást végezzen arról, hogy a kvantumszámítás hogyan segíthet a gépi tanulásban és egyéb nehéz számítástechnikai problémák. A labor a NASA Ames Kutatóközpontjának ad otthont.
A Quantum AI Lab-ot a Google Research jelentette be egy blogbejegyzésben 16. május 2013-án. Indulásakor a labor a kereskedelemben elérhető legfejlettebb kvantumszámítógépet, a D-Wave Two-ot használta a D-Wave Systems-től.
20. május 2013-án bejelentették, hogy az emberek pályázhatnak az idő felhasználására a D-Wave Two-on a laborban. 10. október 2013-én a Google kiadott egy rövid filmet, amely leírja a Quantum AI Lab jelenlegi állapotát. 18. október 2013-án a Google bejelentette, hogy beépítette a kvantumfizikát a Minecraftba.
2014 januárjában a Google eredményekről számolt be, összehasonlítva a laboratóriumi D-Wave Two teljesítményét a klasszikus számítógépekével. Az eredmények kétértelműek voltak, és heves vitát váltottak ki az interneten. 2. szeptember 2014-án bejelentették, hogy a Quantum AI Lab az UC Santa Barbarával együttműködve kezdeményezést indít a szupravezető elektronikán alapuló kvantum információs processzorok létrehozására.
23. október 2019-án a Quantum AI Lab egy lapban jelentette be, hogy kvantumfölényt ért el.
A Google AI Quantum elősegíti a kvantumszámítást azáltal, hogy kvantumprocesszorokat és új kvantumalgoritmusokat fejleszt ki, amelyek segítenek a kutatóknak és a fejlesztőknek elméleti és gyakorlati rövid távú problémák megoldásában.
Úgy ítélik meg, hogy a kvantumszámítástechnika segíti a jövő újításainak fejlesztését, beleértve az AI-t is. Ezért a Google jelentős erőforrásokat fordít dedikált kvantum hardver és szoftver építésére.
A kvantumszámítás egy új paradigma, amely nagy szerepet játszik az AI-vel kapcsolatos feladatok gyorsításában. A Google célja, hogy a kutatóknak és a fejlesztőknek hozzáférést nyújtson a nyílt forráskódú keretekhez és a számítási teljesítményhez, amely a klasszikus számítási képességeken túl is képes működni.
A Google AI Quantum fő fókuszterületei a következők
- Szupravezető kvitprocesszorok: Szupravezető kvitek chipalapú skálázható architektúrával, kétcitbites kapuhiba <0.5% megcélzásával.
- Qubit-metrológia: A kétkbitos veszteség 0.2% alatti csökkentése kritikus fontosságú a hibajavításhoz. Kvantumfölényes kísérleten dolgozunk, amelynek célja a kvantumáramkör mintavételezése, amely meghaladja a korszerű klasszikus számítógépek és algoritmusok lehetőségeit.
- Kvantumszimuláció: A fizikai rendszerek szimulációja a kvantumszámítás egyik legjobban várt alkalmazása. Különösen a kvantum algoritmusokra összpontosítunk kölcsönhatásban lévő elektronok rendszereinek modellezését a kémia és az anyagtudomány területén.
- Kvantummal támogatott optimalizálás: Hibrid kvantum-klasszikus megoldókat fejlesztünk ki a hozzávetőleges optimalizáláshoz. A klasszikus algoritmusok termikus ugrásait az energiagátak leküzdésére kvantumfrissítésekkel lehetne javítani. Különösen a koherens népességtranszfer érdekel minket.
- Kvantum neurális hálózatok: Keretet fejlesztünk egy kvantum neurális hálózat megvalósítására rövid távú processzorokon. Szeretnénk megérteni, milyen előnyök származhatnak abból, ha hatalmas szuperpozíciós állapotokat generálnak a hálózat működése során.
A Google AI Quantum által kifejlesztett fő eszközök egy nyílt forráskódú keretrendszer, amelyet kifejezetten új kvantum algoritmusok kifejlesztésére terveztek, amelyek segítenek a gyakorlati problémák rövid távú alkalmazásainak megoldásában. Ezek tartalmazzák:
- Cirq: nyílt forráskódú kvantumkeret zajos köztes léptékű kvantum (NISQ) algoritmusok felépítéséhez és kísérletezéséhez rövid távú kvantumprocesszorokon
- OpenFermion: nyílt forráskódú platform a kémia és az anyagtudomány problémáinak kvantum áramkörökké történő átalakítására, amelyek meglévő platformokon végrehajthatók
A Google AI Quantum rövid távú alkalmazásai a következők:
Kvantumszimuláció
Az új anyagok megtervezése és a komplex fizika tisztázása a kémia és a sűrített anyag modellek pontos szimulációival a kvantumszámítás legígéretesebb alkalmazásai közé tartozik.
Hibaelhárítási technikák
Dolgozunk olyan módszerek kifejlesztésén, amelyek a teljes kvantumhiba-korrekció felé vezetnek, és amelyek képesek drámai módon csökkenteni a jelenlegi eszközök zaját. Míg a teljes körű hibatűrő kvantumszámítás jelentős fejlesztéseket igényelhet, kifejlesztettük a kvantum altér bővítési technikáját, hogy segítsük a kvantumhiba-korrekció technikáinak felhasználását a rövid távú eszközökön történő alkalmazások teljesítményének javítása érdekében. Ezenkívül ezek a technikák megkönnyítik a komplex kvantumkódok tesztelését rövid távú eszközökön. Aktívan terjesztjük ezeket a technikákat új területekre, és felhasználjuk őket a rövid távú kísérletek tervezésének alapjaként.
Kvantumgépi tanulás
Hibrid kvantum-klasszikus gépi tanulási technikákat fejlesztünk ki rövid távú kvantum eszközökön. Az univerzális kvantumköri tanulást vizsgáljuk a kvantum és a klasszikus adatok osztályozásához és klaszterezéséhez. Érdekelnek még olyan generatív és diszkriminatív kvantumneurális hálózatok, amelyek kvantumismétlőként és állapottisztító egységként használhatók a kvantumkommunikációs hálózatokon belül, vagy más kvantumáramkörök ellenőrzésére.
Kvantumoptimalizálás
A repülőgépipar, az autóipar és más iparágak diszkrét optimalizálásának hasznát veheti a kvantum-klasszikus hibrid optimalizálás, például a szimulált hőkezelés, a kvantum-támogatott optimalizálási algoritmus (QAOA) és a kvantummal fokozott populáció-transzfer hasznos lehet a mai processzorokkal.
A tanúsítási tanterv részletes megismeréséhez bővítheti és elemezheti az alábbi táblázatot.
Az EITC/AI/TFQML TensorFlow Quantum Machine Learning tanúsítási tanterv nyílt hozzáférésű didaktikai anyagokra hivatkozik videó formában. A tanulási folyamat lépésről lépésre tagolódik (programok -> órák -> témák), amely lefedi a megfelelő tantervi részeket. Korlátlan szaktanácsadás is biztosított domain szakértőkkel.
A tanúsítási eljárás részleteiért ellenőrizze Hogyan működik.
Tantervi referencia-források
A TensorFlow Quantum (TFQ) egy kvantum gépi tanulási könyvtár a hibrid kvantum-klasszikus ML modellek gyors prototípus készítéséhez. A kvantumalgoritmusok és alkalmazások kutatása felhasználhatja a Google kvantumszámítási kereteit, mindezt a TensorFlow-ból. A TensorFlow Quantum a kvantumadatokra és a hibrid kvantum-klasszikus modellek felépítésére összpontosít. Integrálja a Cirq-ben tervezett kvantumszámítási algoritmusokat és logikákat, és a meglévő TensorFlow API-kkal kompatibilis kvantumszámítási primitíveket, valamint nagy teljesítményű kvantumköri szimulátorokat kínál. További információ a TensorFlow Quantum című fehér könyvben található. További referenciaként megtekintheti az áttekintést és futtathatja a notebook oktatóanyagokat.
https://www.tensorflow.org/quantum
Circq
A Cirq egy nyílt forráskódú keretrendszer a Noisy Intermediate Scale Quantum (NISQ) számítógépekhez. A Google AI Quantum Team fejlesztette ki, és a nyilvános alfát a Quantum Software and Quantum Machine Learning Nemzetközi Műhelyén jelentették be 18. július 2018-án. A QC Ware bemutatója bemutatta a QAOA megvalósítását, amely megoldást adott a maximális vágás példájára. a probléma megoldása Cirq szimulátoron. A cirqi kvantumprogramokat az "áramkör" és az "ütemezés" képviseli, ahol az "áramkör" egy kvantum áramkört és az "ütemezés" egy kvantum áramkört jelent, időzítési információkkal. A programok helyi szimulátorokon futtathatók. Az alábbi példa bemutatja, hogyan lehet Bell állapotot létrehozni és mérni a Cirq-ben.
importál kb
# Válasszon qubiteket
qubit0 = kb.GridQubit(0, 0)
qubit1 = kb.GridQubit(0, 1)
# Hozzon létre egy áramkört
áramkör = kb.Áramkör.from_ops(
kb.H(qubit0),
kb.CNOT(qubit0, qubit1),
kb.intézkedés(qubit0, kulcs=„m0”),
kb.intézkedés(qubit1, kulcs=„m1”)
)
Az áramkör nyomtatása megjeleníti annak diagramját
nyomtatás(áramkör)
# nyomat
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Az áramkör ismételt szimulálása azt mutatja, hogy a qubitok mérései összefüggnek.
szimulátor = kb.Simulator()
eredményez = szimulátor.futás(áramkör, próbák=5)
nyomtatás(eredményez)
# nyomat
# m0 = 11010
# m1 = 11010
Töltse le a teljes offline öntanuló előkészítő anyagokat az EITC/AI/TFQML TensorFlow Quantum Machine Learning programhoz PDF-fájlban
EITC/AI/TFQML előkészítő anyagok – standard verzió
EITC/AI/TFQML előkészítő anyagok – kibővített változat felülvizsgálati kérdésekkel