EITC/AI/TFQML TensorFlow Quantum Machine Learning е европейската програма за ИТ сертифициране за използване на библиотеката Google TensorFlow Quantum за внедряване на машинно обучение в архитектурата на Sycamore на Google Quantum Processor.
Учебната програма на EITC/AI/TFQML TensorFlow Quantum Machine Learning се фокусира върху теоретични знания и практически умения за използване на библиотеката TensorFlow Quantum на Google за усъвършенствано машинно обучение на базата на квантови изчислителни модели на архитектурата на Google Quantum Processor Sycamore, организирана в следната структура, обхващаща изчерпателно видео дидактическо съдържание като справка за това сертифициране на EITC.
TensorFlow Quantum (TFQ) е библиотека за квантово машинно обучение за бързо прототипиране на хибридни квантово-класически ML модели. Изследванията в областта на квантовите алгоритми и приложения могат да се възползват от квантовите изчислителни рамки на Google, всичко от TensorFlow.
TensorFlow Quantum се фокусира върху квантовите данни и изграждането на хибридни квантово-класически модели. Той интегрира квантови изчислителни алгоритми и логика, проектирани в Cirq (рамка за квантово програмиране, базирана на модел на квантови схеми), и осигурява примитиви на квантовите изчисления, съвместими със съществуващите API на TensorFlow, заедно с високопроизводителни симулатори на квантови вериги. Прочетете повече в бялата хартия TensorFlow Quantum.
Квантовите изчисления са използването на квантови явления като суперпозиция и заплитане за извършване на изчисления. Компютрите, които извършват квантови изчисления, са известни като квантови компютри. Смята се, че квантовите компютри могат да решават определени изчислителни проблеми, като например целочислено факторизиране (което е в основата на RSA криптирането), значително по-бързо от класическите компютри. Изследването на квантовите изчисления е подполе на квантовата информационна наука.
Квантовите изчисления започват в началото на 1980-те години, когато физикът Пол Бениоф предлага квантово-механичен модел на машината на Тюринг. Ричард Файнман и Юрий Манин по-късно предполагат, че квантовият компютър има потенциала да симулира неща, които класическият компютър не може. През 1994 г. Питър Шор разработва квантов алгоритъм за факторизиране на цели числа, които имат потенциал да дешифрират RSA-криптирани комуникации. Въпреки продължаващия експериментален напредък от края на 1990-те години на миналия век, повечето изследователи смятат, че „квантовите изчисления, устойчиви на грешки, все още са доста далечна мечта“. През последните години инвестициите в квантови изчисления се увеличиха както в публичния, така и в частния сектор. На 23 октомври 2019 г. Google AI, в партньорство с Националната администрация по аеронавтика и космос на САЩ (NASA), твърди, че е извършил квантово изчисление, което е невъзможно на всеки класически компютър (т.нар. Резултат от квантово надмощие).
Има няколко модела на квантови компютри (или по-точно квантови изчислителни системи), включително квантовия модел, квантовата машина на Тюринг, адиабатния квантов компютър, еднопосочния квантов компютър и различни квантови клетъчни автомати. Най-широко използваният модел е квантовата верига. Квантовите вериги се основават на квантовия бит или „кубит“, което е донякъде аналогично на бита при класическите изчисления. Кубитите могат да бъдат в 1 или 0 квантово състояние, или могат да бъдат в суперпозиция на 1 и 0 състояния. Когато обаче се измерват кубитите, резултатът от измерването винаги е 0 или 1; вероятностите за тези два резултата зависят от квантовото състояние, в което са били кубитите непосредствено преди измерването.
Напредъкът към изграждането на физически квантов компютър се фокусира върху технологии като трансмони, йонни капани и топологични квантови компютри, които имат за цел да създадат висококачествени кубити. Тези кубити могат да бъдат проектирани по различен начин, в зависимост от изчислителния модел на пълния квантов компютър, дали квантовите логически порти, квантовото отгряване или адиабатното квантово изчисление. Понастоящем има редица значителни препятствия по пътя на конструирането на полезни квантови компютри. По-специално е трудно да се поддържат квантовите състояния на кубитите, тъй като те страдат от квантова декохерентност и вярност на състоянието. Следователно квантовите компютри изискват корекция на грешки. Всеки изчислителен проблем, който може да бъде решен от класически компютър, може да бъде решен и от квантов компютър. И обратно, всеки проблем, който може да бъде разрешен от квантов компютър, може да бъде решен и от класически компютър, поне по принцип, като му се даде достатъчно време. С други думи, квантовите компютри се подчиняват на тезата на Църква-Тюринг. Докато това означава, че квантовите компютри не предоставят допълнителни предимства пред класическите компютри по отношение на изчислимостта, квантовите алгоритми за определени проблеми имат значително по-ниска времева сложност от съответните известни класически алгоритми. По-специално се смята, че квантовите компютри могат бързо да решават определени проблеми, които нито един класически компютър не би могъл да реши за каквото и да е осъществимо време - подвиг, известен като „квантово надмощие“. Изследването на изчислителната сложност на проблемите по отношение на квантовите компютри е известно като теория на квантовата сложност.
Google Sycamore е квантов процесор, създаден от подразделението за изкуствен интелект на Google Inc. Състои се от 53 кубита.
През 2019 г. Sycamore изпълни задача за 200 секунди, за която Google твърди, че в хартия на Nature ще отнеме най-съвременния суперкомпютър 10,000 2.5 години, за да го завърши. По този начин Google твърди, че е постигнал квантово надмощие. За да изчисли времето, което ще бъде необходимо на класически суперкомпютър, Google пусна части от симулацията на квантовата верига на върха, най-мощният класически компютър в света. По-късно IBM направи контрааргумент, твърдейки, че задачата ще отнеме само XNUMX дни на класическа система като Summit. Ако претенциите на Google бъдат потвърдени, това би представлявало експоненциален скок в изчислителната мощ.
През август 2020 г. квантовите инженери, работещи за Google, съобщиха за най-голямата химическа симулация на квантов компютър - приближение на Хартри-Фок със Sycamore, сдвоено с класически компютър, който анализира резултатите, за да предостави нови параметри за 12-кубитовата система.
През декември 2020 г. китайският процесор Jiuzhang, базиран на фотони, разработен от USTC, постигна мощност на обработка от 76 кубита и беше 10 милиарда пъти по-бърз от Sycamore, което го направи вторият компютър, постигнал квантово надмощие.
Лабораторията за квантов изкуствен интелект (наричана още Quantum AI Lab или QuAIL) е съвместна инициатива на НАСА, Университетската асоциация за космически изследвания и Google (по-конкретно Google Research), чиято цел е да бъде пионер в изследванията как квантовите изчисления могат да помогнат за машинно обучение и други трудни проблеми на компютърните науки. Лабораторията е домакин на изследователския център на НАСА Ames.
Quantum AI Lab бе обявено от Google Research в публикация в блог на 16 май 2013 г. По време на стартирането лабораторията използваше най-модерния в търговската мрежа квантов компютър D-Wave Two от D-Wave Systems.
На 20 май 2013 г. беше обявено, че хората могат да кандидатстват за използване на времето в D-Wave Two в лабораторията. На 10 октомври 2013 г. Google пусна кратък филм, описващ текущото състояние на Quantum AI Lab. На 18 октомври 2013 г. Google обяви, че е включила квантовата физика в Minecraft.
През януари 2014 г. Google съобщи резултати, сравняващи производителността на D-Wave Two в лабораторията с тази на класическите компютри. Резултатите бяха двусмислени и предизвикаха разгорещена дискусия в Интернет. На 2 септември 2014 г. бе обявено, че Quantum AI Lab, в партньорство с UC Santa Barbara, ще стартира инициатива за създаване на квантови информационни процесори, базирани на свръхпроводяща електроника.
На 23 октомври 2019 г. лабораторията Quantum AI обяви в свой документ, че е постигнала квантово надмощие.
Google AI Quantum напредва в квантовите изчисления, като разработва квантови процесори и нови квантови алгоритми, за да помогне на изследователите и разработчиците да решават краткосрочни теоретични и практически проблеми.
Счита се, че квантовите изчисления помагат за развитието на иновациите на утрешния ден, включително AI. Ето защо Google отделя значителни ресурси за изграждане на специален квантов хардуер и софтуер.
Квантовите изчисления са нова парадигма, която ще играе голяма роля за ускоряване на задачите за ИИ. Google се стреми да предложи на изследователите и разработчиците достъп до рамки с отворен код и изчислителна мощ, които могат да работят извън класическите възможности на изчисленията.
Основните фокусни области на Google AI Quantum са
- Свръхпроводящи кубит процесори: Свръхпроводящи кубити с базирана на чипове мащабируема архитектура, насочена към грешка на две кубитови порта <0.5%.
- Qubit метрология: Намаляването на загуба от два кубита под 0.2% е критично за корекция на грешките. Работим върху експеримент за квантово надмощие, за да извадим приблизително проба от квантова верига извън възможностите на най-съвременните класически компютри и алгоритми.
- Квантова симулация: Симулацията на физически системи е сред най-очакваните приложения на квантовите изчисления. Специално се фокусираме върху квантовите алгоритми за моделиране на системи на взаимодействащи електрони с приложения в химията и материалознанието.
- Квантово подпомогната оптимизация: Разработваме хибридни квантово-класически решатели за приблизителна оптимизация. Термичните скокове в класическите алгоритми за преодоляване на енергийните бариери могат да бъдат подобрени чрез извикване на квантови актуализации. Ние се интересуваме по-специално от съгласуван трансфер на население.
- Квантови невронни мрежи: Разработваме рамка за внедряване на квантова невронна мрежа на краткосрочни процесори. Интересуваме се да разберем какви предимства могат да възникнат от генерирането на масивни състояния на суперпозиция по време на работа на мрежата.
Основните инструменти, разработени от Google AI Quantum, са рамки с отворен код, специално проектирани за разработване на нови квантови алгоритми, които помагат за решаването на краткосрочни приложения за практически проблеми. Те включват:
- Cirq: квантова рамка с отворен код за изграждане и експериментиране с шумни квантови алгоритми с междинен мащаб (NISQ) на краткосрочни квантови процесори
- OpenFermion: платформа с отворен код за превод на проблеми в химията и науката за материалите в квантови схеми, които могат да бъдат изпълнени на съществуващи платформи
Краткосрочните приложения на Google AI Quantum включват:
Квантова симулация
Проектирането на нови материали и изясняване на сложната физика чрез точни симулации на модели на химия и кондензирана материя са сред най-обещаващите приложения на квантовите изчисления.
Техники за смекчаване на грешки
Работим за разработване на методи по пътя към пълна корекция на квантовите грешки, които имат способността драстично да намаляват шума в настоящите устройства. Въпреки че пълномащабните квантови изчисления, устойчиви на неизправности, може да изискват значителни разработки, ние разработихме техниката за разширяване на квантовото подпространство, за да помогнем да използваме техники от корекция на квантовите грешки, за да подобрим работата на приложенията на краткосрочни устройства. Освен това тези техники улесняват тестването на сложни квантови кодове на краткосрочни устройства. Ние активно прокарваме тези техники в нови области и ги използваме като основа за проектиране на краткосрочни експерименти.
Квантово машинно обучение
Разработваме хибридни квантово-класически техники за машинно обучение на краткосрочни квантови устройства. Ние изучаваме универсално квантово обучение за класификация и групиране на квантови и класически данни. Ние също се интересуваме от генеративни и дискриминационни квантови невронни мрежи, които могат да бъдат използвани като квантови повторители и пречистващи състояния в квантовите комуникационни мрежи или за проверка на други квантови вериги.
Квантова оптимизация
Дискретни оптимизации в космическата, автомобилната и други индустрии могат да се възползват от хибридната квантово-класическа оптимизация, например симулирано отгряване, алгоритъм за квантово подпомагане на оптимизацията (QAOA) и квантово подобрен трансфер на населението могат да бъдат полезни с днешните процесори.
За да се запознаете в детайли с учебната програма за сертифициране, можете да разширите и анализирате таблицата по-долу.
Учебната програма за сертифициране на квантово машинно обучение EITC/AI/TFQML TensorFlow препраща към дидактически материали с отворен достъп във видео форма. Процесът на обучение е разделен на структура стъпка по стъпка (програми -> уроци -> теми), обхващащи съответните части от учебната програма. Предоставят се и неограничени консултации с експерти по домейни.
За подробности относно процедурата за сертифициране проверете Как работи.
Референтни ресурси за учебната програма
TensorFlow Quantum (TFQ) е библиотека за квантово машинно обучение за бързо прототипиране на хибридни квантово-класически ML модели. Изследванията в областта на квантовите алгоритми и приложения могат да се възползват от квантовите изчислителни рамки на Google, всичко от TensorFlow. TensorFlow Quantum се фокусира върху квантовите данни и изграждането на хибридни квантово-класически модели. Той интегрира алгоритми и логика на квантовите изчисления, проектирани в Cirq, и осигурява примитиви за квантови изчисления, съвместими със съществуващите API на TensorFlow, заедно с симулатори на квантови схеми с висока производителност. Прочетете повече в бялата хартия TensorFlow Quantum. Като допълнителна справка можете да разгледате общия преглед и да стартирате уроци за тетрадка.
https://www.tensorflow.org/quantum
Circq
Cirq е рамка с отворен код за компютри Noisy Intermediate Scale Quantum (NISQ). Той е разработен от екипа на Google AI Quantum, а публичната алфа е обявена на Международния семинар по квантов софтуер и квантово машинно обучение на 18 юли 2018 г. Демонстрация от QC Ware показва изпълнение на QAOA, решаващ пример за максимално намаляване проблемът се решава на симулатор на Cirq. Квантовите програми в Cirq са представени от "Circuit" и "Schedule", където "Circuit" представлява Quantum схема, а "Schedule" представлява Quantum схема с информация за времето. Програмите могат да се изпълняват на локални симулатори. Следващият пример показва как да създадете и измерите състояние на Bell в Cirq.
внос около
# Изберете кубити
qubit0 = около.GridQubit(0, 0)
qubit1 = около.GridQubit(0, 1)
# Създайте схема
верига = около.Верига.от_ops(
около.H(qubit0),
около.NOT(qubit0, qubit1),
около.мярка(qubit0, ключ=„m0“),
около.мярка(qubit1, ключ=„m1“)
)
Отпечатването на веригата показва нейната схема
печат(верига)
# разпечатки
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M („m1“) ───
Симулирането на веригата многократно показва, че измерванията на кубитите са свързани.
тренажор = около.Тренажор()
резултат = тренажор.тичам(верига, репетиции=5)
печат(резултат)
# разпечатки
# m0 = 11010
# m1 = 11010
Изтеглете пълните офлайн подготвителни материали за самообучение за програмата EITC/AI/TFQML TensorFlow Quantum Machine Learning в PDF файл
EITC/AI/TFQML подготвителни материали – стандартна версия
Подготвителни материали за EITC/AI/TFQML – разширена версия с въпроси за преглед