EITC/AI/TFQML TensorFlow Quantum Machine Learning - это европейская программа ИТ-сертификации по использованию библиотеки Google TensorFlow Quantum для реализации машинного обучения на архитектуре Google Quantum Processor Sycamore.
Учебная программа EITC/AI/TFQML TensorFlow Quantum Machine Learning фокусируется на теоретических знаниях и практических навыках использования библиотеки Google TensorFlow Quantum для расширенного машинного обучения на основе квантовых вычислительных моделей на архитектуре Google Quantum Processor Sycamore, организованной в рамках следующей структуры, включающей подробное видео дидактическое содержание в качестве справочного материала для данной сертификации EITC.
TensorFlow Quantum (TFQ) - это библиотека квантового машинного обучения для быстрого прототипирования гибридных квантово-классических моделей машинного обучения. Исследования квантовых алгоритмов и приложений могут использовать фреймворки квантовых вычислений Google прямо из TensorFlow.
TensorFlow Quantum фокусируется на квантовых данных и построении гибридных квантово-классических моделей. Он объединяет алгоритмы и логику квантовых вычислений, разработанные в Cirq (структура квантового программирования на основе модели квантовых схем), и предоставляет примитивы квантовых вычислений, совместимые с существующими API-интерфейсами TensorFlow, а также высокопроизводительные симуляторы квантовых схем. Подробнее читайте в официальном документе TensorFlow Quantum.
Квантовые вычисления - это использование квантовых явлений, таких как суперпозиция и запутанность, для выполнения вычислений. Компьютеры, выполняющие квантовые вычисления, известны как квантовые компьютеры. Считается, что квантовые компьютеры способны решать определенные вычислительные задачи, такие как целочисленная факторизация (которая лежит в основе шифрования RSA), значительно быстрее, чем классические компьютеры. Изучение квантовых вычислений - это раздел квантовой информатики.
Квантовые вычисления начались в начале 1980-х годов, когда физик Пол Бениофф предложил квантово-механическую модель машины Тьюринга. Ричард Фейнман и Юрий Манин позже предположили, что квантовый компьютер может моделировать вещи, которые классический компьютер не может. В 1994 году Питер Шор разработал квантовый алгоритм факторизации целых чисел, который потенциально мог расшифровать сообщения, зашифрованные RSA. Несмотря на продолжающийся экспериментальный прогресс с конца 1990-х годов, большинство исследователей считают, что «отказоустойчивые квантовые вычисления - все еще довольно отдаленная мечта». В последние годы инвестиции в исследования квантовых вычислений увеличились как в государственном, так и в частном секторе. 23 октября 2019 года Google AI в партнерстве с Национальным управлением по аэронавтике и исследованию космического пространства США (НАСА) заявил, что выполнил квантовые вычисления, которые невозможно выполнить на любом классическом компьютере (так называемый результат квантового превосходства).
Существует несколько моделей квантовых компьютеров (или, скорее, квантовых вычислительных систем), включая модель квантовой схемы, квантовую машину Тьюринга, адиабатический квантовый компьютер, односторонний квантовый компьютер и различные квантовые клеточные автоматы. Наиболее широко используемой моделью является квантовая схема. Квантовые схемы основаны на квантовом бите или «кубите», который в некоторой степени аналогичен биту в классических вычислениях. Кубиты могут находиться в квантовом состоянии 1 или 0, или они могут находиться в суперпозиции состояний 1 и 0. Однако при измерении кубитов результат измерения всегда либо 0, либо 1; Вероятность этих двух результатов зависит от квантового состояния, в котором кубиты находились непосредственно перед измерением.
Прогресс в создании физического квантового компьютера сосредоточен на таких технологиях, как трансмоны, ионные ловушки и топологические квантовые компьютеры, целью которых является создание высококачественных кубитов. Эти кубиты могут быть сконструированы по-разному, в зависимости от вычислительной модели полного квантового компьютера, будь то квантовые логические вентили, квантовый отжиг или адиабатические квантовые вычисления. В настоящее время существует ряд существенных препятствий на пути создания полезных квантовых компьютеров. В частности, трудно поддерживать квантовые состояния кубитов, поскольку они страдают от квантовой декогеренции и верности состояний. Поэтому квантовые компьютеры требуют исправления ошибок. Любая вычислительная задача, которую может решить классический компьютер, также может быть решена с помощью квантового компьютера. И наоборот, любая проблема, которую может решить квантовый компьютер, может быть решена и классическим компьютером, по крайней мере, в принципе, при наличии достаточного времени. Другими словами, квантовые компьютеры подчиняются тезису Чёрча – Тьюринга. Хотя это означает, что квантовые компьютеры не обеспечивают дополнительных преимуществ перед классическими компьютерами с точки зрения вычислимости, квантовые алгоритмы для определенных задач имеют значительно меньшую временную сложность, чем соответствующие известные классические алгоритмы. В частности, считается, что квантовые компьютеры способны быстро решать определенные проблемы, которые ни один классический компьютер не мог решить за любой возможный промежуток времени - подвиг, известный как «квантовое превосходство». Изучение вычислительной сложности задач применительно к квантовым компьютерам известно как квантовая теория сложности.
Google Sycamore - это квантовый процессор, созданный подразделением искусственного интеллекта Google Inc. Он состоит из 53 кубитов.
В 2019 году Sycamore выполнила задачу за 200 секунд, на выполнение которой, как утверждал Google в статье Nature, у современного суперкомпьютера уйдет 10,000 тысяч лет. Таким образом, Google утверждал, что добился квантового превосходства. Чтобы оценить время, которое потребовалось бы классическому суперкомпьютеру, Google выполнила часть моделирования квантовой схемы на Summit, самом мощном классическом компьютере в мире. Позже IBM выступила с контраргументом, заявив, что на такой классической системе, как Summit, задача займет всего 2.5 дня. Если утверждения Google будут поддержаны, это станет экспоненциальным скачком в вычислительной мощности.
В августе 2020 года квантовые инженеры, работающие в Google, сообщили о крупнейшем химическом моделировании на квантовом компьютере - приближении Хартри-Фока с Sycamore в паре с классическим компьютером, который проанализировал результаты, чтобы предоставить новые параметры для 12-кубитной системы.
В декабре 2020 года китайский процессор Jiuzhang на основе фотонов, разработанный USTC, достиг вычислительной мощности 76 кубитов и был в 10 миллиардов раз быстрее, чем Sycamore, что сделало его вторым компьютером, достигшим квантового превосходства.
Лаборатория квантового искусственного интеллекта (также называемая лабораторией квантового искусственного интеллекта или QuAIL) - это совместная инициатива НАСА, Ассоциации космических исследований университетов и Google (в частности, Google Research), цель которой - пионерское исследование того, как квантовые вычисления могут помочь в машинном обучении. и другие сложные проблемы информатики. Лаборатория размещена в Исследовательском центре Эймса НАСА.
Лаборатория квантового искусственного интеллекта была объявлена Google Research в блоге от 16 мая 2013 года. На момент запуска лаборатория использовала самый продвинутый коммерчески доступный квантовый компьютер, D-Wave Two от D-Wave Systems.
20 мая 2013 года было объявлено, что люди могут подавать заявки на использование времени на D-Wave Two в лаборатории. 10 октября 2013 года Google выпустил короткометражный фильм, описывающий текущее состояние лаборатории Quantum AI. 18 октября 2013 года Google объявил, что включил квантовую физику в Minecraft.
В январе 2014 года Google сообщил о результатах сравнения производительности D-Wave Two в лабораторных условиях с производительностью классических компьютеров. Результаты были неоднозначными и вызвали бурную дискуссию в Интернете. 2 сентября 2014 года было объявлено, что лаборатория Quantum AI Lab в партнерстве с Калифорнийским университетом в Санта-Барбаре запустит инициативу по созданию процессоров квантовой информации на основе сверхпроводящей электроники.
23 октября 2019 года лаборатория квантового искусственного интеллекта объявила в своем документе, что достигла квантового превосходства.
Google AI Quantum продвигает квантовые вычисления, разрабатывая квантовые процессоры и новые квантовые алгоритмы, чтобы помочь исследователям и разработчикам решать краткосрочные проблемы, как теоретические, так и практические.
Считается, что квантовые вычисления помогут в развитии инноваций завтрашнего дня, включая ИИ. Вот почему Google выделяет значительные ресурсы на создание специализированного квантового оборудования и программного обеспечения.
Квантовые вычисления - это новая парадигма, которая сыграет большую роль в ускорении задач ИИ. Google стремится предложить исследователям и разработчикам доступ к фреймворкам с открытым исходным кодом и вычислительным мощностям, которые могут работать за пределами классических вычислительных возможностей.
Основные направления работы Google AI Quantum:
- Сверхпроводящие кубитные процессоры: сверхпроводящие кубиты с масштабируемой архитектурой на основе микросхем, нацеленные на ошибку двухкубитного затвора <0.5%.
- Метрология кубитов: снижение потерь двух кубитов ниже 0.2% имеет решающее значение для исправления ошибок. Мы работаем над экспериментом квантового превосходства, чтобы приблизительно создать образец квантовой схемы, выходящей за рамки возможностей современных классических компьютеров и алгоритмов.
- Квантовая симуляция: моделирование физических систем - одно из самых ожидаемых приложений квантовых вычислений. Особое внимание мы уделяем квантовым алгоритмам моделирования систем взаимодействующих электронов с приложениями в химии и материаловедении.
- Квантовая оптимизация: мы разрабатываем гибридные квантово-классические решатели для приближенной оптимизации. Температурные скачки в классических алгоритмах преодоления энергетических барьеров могут быть улучшены за счет квантовых обновлений. Мы особенно заинтересованы в последовательном перемещении населения.
- Квантовые нейронные сети: мы разрабатываем платформу для реализации квантовой нейронной сети на процессорах, которые используются в ближайшем будущем. Нам интересно понять, какие преимущества могут возникнуть при генерации массивных состояний суперпозиции во время работы сети.
Основные инструменты, разработанные Google AI Quantum, представляют собой платформы с открытым исходным кодом, специально разработанные для разработки новых квантовых алгоритмов, которые помогают решать краткосрочные приложения для практических задач. Они включают:
- Cirq: квантовый фреймворк с открытым исходным кодом для создания и экспериментов с шумными квантовыми алгоритмами промежуточного масштаба (NISQ) на квантовых процессорах краткосрочного использования
- OpenFermion: платформа с открытым исходным кодом для перевода проблем химии и материаловедения в квантовые схемы, которые могут быть выполнены на существующих платформах
Ближайшие приложения Google AI Quantum включают:
Квантовое моделирование
Разработка новых материалов и разъяснение сложной физики посредством точного моделирования химии и моделей конденсированного состояния являются одними из наиболее многообещающих приложений квантовых вычислений.
Методы устранения ошибок
Мы работаем над разработкой методов на пути к полной квантовой коррекции ошибок, которые могут значительно снизить уровень шума в современных устройствах. В то время как полномасштабные отказоустойчивые квантовые вычисления могут потребовать значительных разработок, мы разработали метод квантового расширения подпространства, чтобы помочь использовать методы квантовой коррекции ошибок для повышения производительности приложений на краткосрочных устройствах. Более того, эти методы облегчают тестирование сложных квантовых кодов на устройствах краткосрочного использования. Мы активно внедряем эти методы в новые области и используем их в качестве основы для разработки ближайших экспериментов.
Квантовое машинное обучение
Мы разрабатываем гибридные методы квантово-классического машинного обучения на квантовых устройствах в ближайшем будущем. Мы изучаем универсальное квантовое схемное обучение для классификации и кластеризации квантовых и классических данных. Мы также заинтересованы в генеративных и дискриминирующих квантовых нейронных сетях, которые могут использоваться в качестве квантовых повторителей и блоков очистки состояний в квантовых коммуникационных сетях или для проверки других квантовых схем.
Квантовая оптимизация
Дискретная оптимизация в аэрокосмической, автомобильной и других отраслях может выиграть от гибридной квантово-классической оптимизации, например, моделируемый отжиг, алгоритм квантовой оптимизации (QAOA) и квантово-улучшенный перенос населения могут быть полезны в современных процессорах.
Чтобы более подробно ознакомиться с учебным планом сертификации, вы можете расширить и проанализировать таблицу ниже.
Учебная программа сертификации EITC/AI/TFQML TensorFlow по квантовому машинному обучению ссылается на дидактические материалы с открытым доступом в виде видео. Учебный процесс разбит на пошаговую структуру (программы -> уроки -> темы), охватывающую соответствующие разделы учебного плана. Также предоставляются неограниченные консультации с экспертами в предметной области.
Подробнее о процедуре сертификации см. Как это работает.
Справочные ресурсы по учебной программе
TensorFlow Quantum (TFQ) - это библиотека квантового машинного обучения для быстрого прототипирования гибридных квантово-классических моделей машинного обучения. Исследования квантовых алгоритмов и приложений могут использовать фреймворки квантовых вычислений Google прямо из TensorFlow. TensorFlow Quantum фокусируется на квантовых данных и построении гибридных квантово-классических моделей. Он объединяет алгоритмы и логику квантовых вычислений, разработанные в Cirq, и предоставляет примитивы квантовых вычислений, совместимые с существующими API-интерфейсами TensorFlow, а также высокопроизводительные симуляторы квантовых схем. Подробнее читайте в официальном документе TensorFlow Quantum. В качестве дополнительной справки вы можете ознакомиться с обзором и запустить учебные пособия по записной книжке.
https://www.tensorflow.org/quantum
Цирк
Cirq - это платформа с открытым исходным кодом для компьютеров Noisy Intermediate Scale Quantum (NISQ). Он был разработан командой Google AI Quantum, и об общедоступной альфа-версии было объявлено на Международном семинаре по квантовому программному обеспечению и квантовому машинному обучению 18 июля 2018 года. Демо от QC Ware показало реализацию QAOA, решающую пример максимального сокращения проблема решается на симуляторе Cirq. Квантовые программы в Cirq представлены «Circuit» и «Schedule», где «Circuit» представляет собой квантовую схему, а «Schedule» представляет квантовую схему с информацией о времени. Программы могут выполняться на локальных симуляторах. В следующем примере показано, как создать и измерить состояние Bell в Cirq.
Импортировать Cirq
# Выбрать кубиты
кубит0 = Cirq.GridКубит(0, 0)
кубит1 = Cirq.GridКубит(0, 1)
# Создать схему
схема = Cirq.Цепь.from_ops(
Cirq.H(кубит0),
Cirq.CNOT(кубит0, кубит1),
Cirq.проводить измерение(кубит0, ключ='m0'),
Cirq.проводить измерение(кубит1, ключ='m1')
)
При печати схемы отображается ее схема
Распечатать(схема)
# отпечаток
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Повторное моделирование схемы показывает, что измерения кубитов коррелированы.
имитатор = Cirq.Симулятор()
результат = имитатор.пробег(схема, репетиции=5)
Распечатать(результат)
# отпечаток
# m0 = 11010
# m1 = 11010
Загрузите полные подготовительные материалы для автономного самообучения для программы квантового машинного обучения EITC/AI/TFQML TensorFlow в файле PDF.
Подготовительные материалы EITC/AI/TFQML – стандартная версия
Подготовительные материалы EITC/AI/TFQML – расширенная версия с контрольными вопросами