EITC/AI/TFQML TensorFlow Quantum Machine Learning on eurooppalainen IT-sertifiointiohjelma, joka käyttää Google TensorFlow Quantum -kirjastoa koneoppimisen toteuttamiseen Google Quantum Processor Sycamore -arkkitehtuurissa.
EITC/AI/TFQML TensorFlow Quantum Machine Learning -opetussuunnitelma keskittyy teoreettiseen tietoon ja käytännön taitoihin Googlen TensorFlow Quantum -kirjaston käytöstä kehittyneeseen kvanttilaskennalliseen malliin perustuvaan koneoppimiseen Google Quantum Processor Sycamore -arkkitehtuurissa, joka on järjestetty seuraavassa rakenteessa ja joka sisältää kattavan videon didaktinen sisältö tämän EITC-sertifikaatin viitteenä.
TensorFlow Quantum (TFQ) on kvanttikoneoppimiskirjasto hybridikvantti-klassisten ML-mallien nopeaan prototyyppiin. Kvanttialgoritmien ja -sovellusten tutkimus voi hyödyntää Googlen kvanttilaskentakehyksiä TensorFlow'n sisällä.
TensorFlow Quantum keskittyy kvanttitietoihin ja hybridikvantti-klassisten mallien rakentamiseen. Se integroi kvanttilaskennan algoritmit ja logiikan, jotka on suunniteltu Cirqiin (kvanttiohjelmointikehys, joka perustuu kvanttipiirimalliin), ja tarjoaa kvanttilaskennan primitiivit, jotka ovat yhteensopivia nykyisten TensorFlow-sovellusliittymien kanssa, sekä tehokkaat kvanttipiirisimulaattorit. Lue lisää TensorFlow Quantum -taulukosta.
Kvanttilaskenta on kvantti-ilmiöiden, kuten päällekkäisyyden ja sotkeutumisen, käyttö laskennan suorittamiseen. Kvanttilaskennat suorittavat tietokoneet tunnetaan kvanttitietokoneina. Kvanttitietokoneiden uskotaan pystyvän ratkaisemaan tietyt laskennalliset ongelmat, kuten kokonaislukufaktorointi (joka perustuu RSA-salaukseen), huomattavasti nopeammin kuin klassiset tietokoneet. Kvanttilaskennan tutkimus on kvanttitieteen osa-alue.
Kvanttilaskenta alkoi 1980-luvun alussa, kun fyysikko Paul Benioff ehdotti kvanttimekaanista mallia Turingin koneesta. Richard Feynman ja Juri Manin ehdottivat myöhemmin, että kvanttitietokoneella oli mahdollisuus simuloida asioita, joita klassinen tietokone ei voinut. Vuonna 1994 Peter Shor kehitti kvanttialgoritmin kokonaislukujen jakamiseksi, jolla oli mahdollisuus purkaa RSA-salattu viestintä. Huolimatta jatkuvasta kokeellisesta edistyksestä 1990-luvun lopulta lähtien, useimmat tutkijat uskovat, että "vikasietoinen kvanttilaskenta on edelleen melko kaukainen unelma". Viime vuosina investoinnit kvanttilaskennan tutkimukseen ovat lisääntyneet sekä julkisella että yksityisellä sektorilla. Google AI väitti 23. lokakuuta 2019 yhteistyössä Yhdysvaltain kansallisen ilmailu- ja avaruushallinnon (NASA) kanssa suorittaneen kvanttilaskennan, joka on mahdotonta millään klassisella tietokoneella (ns. Kvantti-ylivalta).
Kvanttitietokoneista (tai pikemminkin kvanttilaskentajärjestelmistä) on useita malleja, mukaan lukien kvanttipiirimalli, kvantti-Turing-kone, adiabaattinen kvanttitietokone, yksisuuntainen kvanttitietokone ja erilaisia kvanttisolukoneautomaatteja. Laajimmin käytetty malli on kvanttipiiri. Kvanttipiirit perustuvat kvanttibitiin eli “qubitiin”, joka on jonkin verran analoginen bitille klassisessa laskennassa. Qubitit voivat olla 1 tai 0 kvanttitilassa tai ne voivat olla 1 ja 0 tilan päällekkäin. Kuitenkin, kun quitit mitataan, mittaustulos on aina joko 0 tai a 1; Näiden kahden lopputuloksen todennäköisyys riippuu kvanttitilasta, jossa kybitit olivat välittömästi ennen mittausta.
Edistyminen fyysisen kvanttitietokoneen rakentamisessa keskittyy tekniikoihin, kuten transmonit, ionilukot ja topologiset kvanttitietokoneet, joiden tavoitteena on luoda laadukkaita kiibit. Nämä kubit voidaan suunnitella eri tavalla riippuen koko kvanttitietokoneen laskentamallista, olivatpa ne sitten kvanttiloogisia portteja, kvanttihehkutusta vai adiabaattista kvanttilaskentaa. Hyödyllisten kvanttitietokoneiden rakentamisessa on tällä hetkellä useita merkittäviä esteitä. Erityisesti on vaikea ylläpitää kvittien kvanttitiloja, koska ne kärsivät kvanttidekoherenssista ja tilan uskollisuudesta. Kvanttitietokoneet vaativat siksi virheiden korjaamista. Mikä tahansa laskennallinen ongelma, joka voidaan ratkaista klassisella tietokoneella, voidaan ratkaista myös kvanttitietokoneella. Päinvastoin, mikä tahansa ongelma, joka voidaan ratkaista kvanttitietokoneella, voidaan ratkaista myös klassisella tietokoneella, ainakin periaatteessa riittävän ajan. Toisin sanoen, kvanttitietokoneet tottelevat kirkon – Turingin opinnäytetöitä. Vaikka tämä tarkoittaa, että kvanttitietokoneet eivät tarjoa mitään muita etuja klassisiin tietokoneisiin verrattuna laskettavuuden suhteen, tiettyjen ongelmien kvanttialgoritmeilla on huomattavasti pienempi aikakompleksisuus kuin vastaavilla tunnetuilla klassisilla algoritmeilla. Erityisesti kvanttitietokoneiden uskotaan pystyvän ratkaisemaan nopeasti tietyt ongelmat, joita mikään klassinen tietokone ei pysty ratkaisemaan mahdollisen ajan kuluessa - ominaisuus, joka tunnetaan nimellä "kvantti-ylivalta". Kvanttitietokoneiden ongelmien laskennallisen monimutkaisuuden tutkimus tunnetaan kvanttikompleksiteoriana.
Google Sycamore on kvanttiprosessori, jonka on luonut Google Inc.:n tekoälyjako. Se käsittää 53 kbittiä.
Vuonna 2019 Sycamore suoritti tehtävän 200 sekunnissa, jonka Google väitti Nature-julkaisussa, että huipputietokoneen suorittaminen vie 10,000 vuotta. Siten Google väitti saavuttaneensa kvantti-ylivallan. Arvioidakseen klassisen supertietokoneen käyttämän ajan Google suoritti osan kvanttipiirisimulaatiosta Summitissa, joka on maailman tehokkain klassinen tietokone. Myöhemmin IBM esitti vastalauseen väittäen, että tehtävä vie vain 2.5 päivää klassisessa järjestelmässä, kuten Summit. Jos Googlen vaatimukset hyväksytään, se merkitsisi eksponentiaalista harppausta laskentatehossa.
Elokuussa 2020 Googlen palveluksessa työskentelevät kvantti-insinöörit ilmoittivat kvanttitietokoneen suurimmasta kemiallisesta simulaatiosta - Hartree-Fock-likiarvon Sycamoren kanssa pariksi klassisen tietokoneen kanssa, joka analysoi tuloksia saadakseen uusia parametreja 12-kbittiselle järjestelmälle.
Joulukuussa 2020 USTC: n kehittämä kiinalainen fotonipohjainen Jiuzhang-prosessori saavutti 76 kubitin prosessointitehon ja oli 10 miljardia kertaa nopeampi kuin Sycamore, tehden siitä toisen tietokoneen, jolla saavutettiin kvantti-ylivalta.
Quantum Artificial Intelligence Lab (kutsutaan myös nimellä Quantum AI Lab tai QuAIL) on NASA: n, Universities Space Research Associationin ja Googlen (erityisesti Google Research) yhteinen aloite, jonka tavoitteena on olla edelläkävijä tutkimuksessa siitä, kuinka kvanttilaskenta voi auttaa koneoppimisessa ja muita vaikeita tietojenkäsittelytieteen ongelmia. Laboratoriota isännöi NASA: n Ames Research Center.
Google Research ilmoitti Quantum AI -laboratoriosta blogikirjoituksessa 16. toukokuuta 2013. Lanseeraushetkellä Lab käytti kaupallisesti edistyneintä kvanttitietokonetta, D-Wave Two D-Wave Systemsiltä.
20. toukokuuta 2013 ilmoitettiin, että ihmiset voivat hakea aikaa käyttämään D-Wave Two -laboratoriossa. 10. lokakuuta 2013 Google julkaisi lyhytelokuvan, joka kuvaa Quantum AI Labin nykytilaa. 18. lokakuuta 2013 Google ilmoitti sisällyttäneensä kvanttifysiikan Minecraftiin.
Tammikuussa 2014 Google ilmoitti tuloksista, joissa verrattiin D-Wave Two: n suorituskykyä laboratoriossa klassisten tietokoneiden suorituskykyyn. Tulokset olivat epäselviä ja herättivät kiivasta keskustelua Internetissä. 2. syyskuuta 2014 ilmoitettiin, että Quantum AI Lab aloittaa yhteistyössä UC Santa Barbaran kanssa aloitteen suprajohtavaan elektroniikkaan perustuvien kvanttitietoprosessorien luomiseksi.
23. lokakuuta 2019 Quantum AI Lab ilmoitti paperissaan saavuttaneensa kvantti-ylivallan.
Google AI Quantum kehittää kvanttilaskentaa kehittämällä kvanttiprosessoreita ja uusia kvanttialgoritmeja, jotka auttavat tutkijoita ja kehittäjiä ratkaisemaan sekä teoreettisia että käytännönläheisiä lähiajan ongelmia.
Kvanttilaskennan katsotaan auttavan kehittämään tulevaisuuden innovaatioita, mukaan lukien tekoäly. Siksi Google käyttää merkittäviä resursseja omistettujen kvanttilaitteistojen ja -ohjelmistojen rakentamiseen.
Kvanttilaskenta on uusi paradigma, jolla on suuri rooli tekoälyn tehtävien nopeuttamisessa. Google pyrkii tarjoamaan tutkijoille ja kehittäjille pääsyn avoimen lähdekoodin kehyksiin ja laskentatehoon, joka voi toimia perinteisten laskentamahdollisuuksien ulkopuolella.
Google AI Quantumin pääpainopisteet ovat
- Suprajohtavat qubit-prosessorit: Suprajohtavat qubitit sirupohjaisella skaalattavalla arkkitehtuurilla, joka kohdistaa kahden kbittin gate-virheen <0.5%.
- Qubit-metrologia: Kahden kvittin häviön vähentäminen alle 0.2% on kriittinen virheenkorjauksessa. Työskentelemme kvantti-ylivalta-kokeessa, jotta otaksemme suunnilleen kvanttipiirin, joka ylittää uusimpien klassisten tietokoneiden ja algoritmien kyvyt.
- Kvanttisimulaatio: Fyysisten järjestelmien simulointi on yksi odotetuimmista kvanttilaskennan sovelluksista. Keskitymme erityisesti kvanttialgoritmeihin vuorovaikutuksessa olevien elektronien järjestelmien mallintamiseksi kemian ja materiaalitieteen sovellusten kanssa.
- Kvanttiavusteinen optimointi: Kehitämme kvantti-klassisia hybridiratkaisijoita likimääräiseen optimointiin. Klassisten algoritmien lämpöhyppyjä energianesteiden voittamiseksi voitaisiin parantaa kvanttipäivityksillä. Olemme erityisen kiinnostuneita johdonmukaisesta väestönsiirrosta.
- Kvantti-hermoverkot: Kehitämme kehystä kvantti-hermoverkon toteuttamiseksi lyhytaikaisissa prosessoreissa. Olemme kiinnostuneita ymmärtämään, mitä etuja voi syntyä massiivisten päällekkäisyystilojen luomisesta verkon käytön aikana.
Tärkeimmät Google AI Quantumin kehittämät työkalut ovat avoimen lähdekoodin kehyksiä, jotka on erityisesti suunniteltu kehittämään uusia kvanttialgoritmeja, jotka auttavat ratkaisemaan lähiajan sovelluksia käytännön ongelmiin. Nämä sisältävät:
- Cirq: avoimen lähdekoodin kvanttikehys meluisten välitason kvantti (NISQ) -algoritmien rakentamiseksi ja kokeilemiseksi lähiajan kvanttiprosessoreissa
- OpenFermion: avoimen lähdekoodin foorumi kemian ja materiaalitieteen ongelmien muuntamiseksi kvanttipiireiksi, jotka voidaan suorittaa olemassa olevilla alustoilla
Google AI Quantumin lähiajan sovellukset sisältävät:
Kvanttisimulaatio
Uusien materiaalien suunnittelu ja monimutkaisen fysiikan selvittäminen tarkkojen kemian ja tiivistettyjen aineiden mallien simulaatioiden avulla ovat lupaavimpia kvanttilaskennan sovelluksia.
Virheiden lieventämistekniikat
Pyrimme kehittämään menetelmiä täydellisen kvanttivirheiden korjaamisen tiellä, jotka kykenevät vähentämään dramaattisesti melua nykyisissä laitteissa. Vaikka täysimittainen vikasietoinen kvanttilaskenta voi vaatia huomattavaa kehitystä, olemme kehittäneet kvanttialatilan laajennustekniikan auttamaan kvanttivirheiden korjaamisen tekniikoiden hyödyntämisessä sovellusten suorituskyvyn parantamiseksi lyhytaikaisissa laitteissa. Lisäksi nämä tekniikat helpottavat monimutkaisten kvanttikoodien testaamista lähiajan laitteilla. Työnnämme näitä tekniikoita aktiivisesti uusille alueille ja hyödynnämme niitä lähiajan kokeiden suunnittelun perustana.
Kvanttikoneoppiminen
Kehitämme hybridikvantti-klassisia koneoppimistekniikoita lyhytaikaisilla kvanttilaitteilla. Tutkimme universaalia kvanttipiirin oppimista kvantti- ja klassisen datan luokittelua ja klusterointia varten. Olemme kiinnostuneita myös generatiivisista ja erottelevista kvantti-hermoverkoista, joita voitaisiin käyttää kvanttitoistimina ja tilanpuhdistusyksiköinä kvanttiviestintäverkoissa tai muiden kvanttipiirien todentamiseksi.
Kvanttioptimointi
Diskreetit optimoinnit ilmailu-, auto- ja muilla teollisuudenaloilla voivat hyötyä hybridi-kvantti-klassisesta optimoinnista, esimerkiksi simuloidusta hehkuttamisesta, kvanttiavusteisella optimointialgoritmilla (QAOA) ja kvanttitehostetulla väestönsiirrolla voi olla hyötyä nykypäivän prosessoreille.
Tutustuaksesi sertifioinnin opetussuunnitelmaan yksityiskohtaisesti voit laajentaa ja analysoida alla olevaa taulukkoa.
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum viittaa avoimen pääsyn didaktisiin materiaaleihin videomuodossa. Oppimisprosessi on jaettu vaiheittaiseen rakenteeseen (ohjelmat -> oppitunnit -> aiheet), joka kattaa olennaiset opetussuunnitelman osat. Tarjolla on myös rajoittamaton konsultointi toimialueen asiantuntijoiden kanssa.
Katso tarkemmat tiedot sertifiointimenettelystä Miten se toimii.
Opetussuunnitelman viiteresurssit
TensorFlow Quantum (TFQ) on kvanttikoneoppimiskirjasto hybridikvantti-klassisten ML-mallien nopeaan prototyyppiin. Kvanttialgoritmien ja -sovellusten tutkimus voi hyödyntää Googlen kvanttilaskentakehyksiä TensorFlow'n sisällä. TensorFlow Quantum keskittyy kvanttitietoihin ja hybridikvantti-klassisten mallien rakentamiseen. Se integroi Cirqissä suunnitellut kvanttilaskennan algoritmit ja logiikan, ja tarjoaa kvanttilaskennan primitiivit, jotka ovat yhteensopivia olemassa olevien TensorFlow-sovellusliittymien kanssa, sekä tehokkaita kvanttipiirisimulaattoreita. Lue lisää TensorFlow Quantum -taulukosta. Lisäviitteenä voit tarkistaa yleiskatsauksen ja suorittaa muistikirjan oppaat.
https://www.tensorflow.org/quantum
Circ
Cirq on avoimen lähdekoodin kehys Noisy Intermediate Scale Quantum (NISQ) -tietokoneille. Sen on kehittänyt Google AI Quantum -tiimi, ja julkinen alfa ilmoitettiin kansainvälisessä työpajassa Quantum Software and Quantum Machine Learning 18. heinäkuuta 2018. QC Waren demo osoitti QAOA: n toteutuksen ratkaisemalla esimerkin maksimileikkauksesta ongelma ratkaistaan Cirq-simulaattorilla. Cirqissa olevia kvanttiohjelmia edustavat "piiri" ja "aikataulu", jossa "piiri" edustaa kvanttipiiriä ja "aikataulu" edustaa kvanttipiiriä ajoitustiedoilla. Ohjelmat voidaan suorittaa paikallisilla simulaattoreilla. Seuraava esimerkki näyttää kuinka luoda ja mitata kellotila Cirqissä.
tuoda noin
# Valitse qubitit
qubit0 = noin.GridQubit(0, 0)
qubit1 = noin.GridQubit(0, 1)
# Luo piiri
piiri = noin.Piiri.from_ops(
noin.H(qubit0),
noin.EI(qubit0, qubit1),
noin.mitata(qubit0, avain='m0'),
noin.mitata(qubit1, avain='m1')
)
Piirin tulostaminen näyttää sen kaavion
painaa(piiri)
# tulosteita
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Piirin simulointi osoittaa toistuvasti, että kuittien mittaukset korreloivat.
simulaattori = noin.Simulaattori()
johtua = simulaattori.ajaa(piiri, harjoitukset=5)
painaa(johtua)
# tulosteita
# m0 = 11010
# m1 = 11010
Lataa täydelliset offline-itseoppimisen valmistelumateriaalit EITC/AI/TFQML TensorFlow Quantum Machine Learning -ohjelmaa varten PDF-tiedostona
EITC/AI/TFQML-valmistelumateriaalit – vakioversio
EITC/AI/TFQML-valmistelumateriaalit – laajennettu versio tarkistuskysymyksillä