EITC/AI/TFQML TensorFlow Quantum Machine Learning - це європейська програма ІТ-сертифікації щодо використання бібліотеки Google TensorFlow Quantum для впровадження машинного навчання в архітектурі Sycamore від Google Quantum Processor.
Навчальний план квантового машинного навчання EITC/AI/TFQML TensorFlow фокусується на теоретичних знаннях та практичних навичках використання бібліотеки Google TensorFlow Quantum для вдосконаленого машинного навчання на основі квантових обчислювальних моделей на архітектурі Google Quantum Processor Sycamore, організованої в такій структурі, що охоплює всебічне відео дидактичний зміст як посилання на цю сертифікацію EITC.
TensorFlow Quantum (TFQ) - це бібліотека квантового машинного навчання для швидкого прототипування гібридних квантово-класичних моделей ML. Дослідження квантових алгоритмів та додатків можуть використовувати механізми квантових обчислень Google, все з TensorFlow.
TensorFlow Quantum фокусується на квантових даних та побудові гібридних квантово-класичних моделей. Він інтегрує алгоритми квантових обчислень та логіку, розроблені в Cirq (система квантового програмування, заснована на моделі квантових схем), та забезпечує примітивні квантові обчислення, сумісні з існуючими API TensorFlow, поряд із високопродуктивними симуляторами квантових схем. Детальніше читайте в технічному папері TensorFlow Quantum.
Квантові обчислення - це використання квантових явищ, таких як суперпозиція та заплутаність для виконання обчислень. Комп’ютери, що виконують квантові обчислення, відомі як квантові комп’ютери. Вважається, що квантові комп’ютери здатні вирішувати певні обчислювальні проблеми, такі як цілочисельна факторизація (яка лежить в основі RSA-шифрування), значно швидше, ніж класичні комп’ютери. Вивчення квантових обчислень є підполем квантової інформатики.
Квантові обчислення почалися на початку 1980-х, коли фізик Пол Беніофф запропонував квантово-механічну модель машини Тьюрінга. Пізніше Річард Фейнман та Юрій Манін припустили, що квантовий комп'ютер має потенціал для імітації речей, яких класичний комп'ютер не міг. У 1994 році Пітер Шор розробив квантовий алгоритм для множення цілих чисел, які могли б розшифрувати RSA-зашифровані комунікації. Незважаючи на постійний експериментальний прогрес з кінця 1990-х років, більшість дослідників вважають, що "відмовостійкі квантові обчислення все ще є досить далекою мрією". За останні роки інвестиції в квантові обчислення зросли як у державному, так і в приватному секторі. 23 жовтня 2019 року Google AI у партнерстві з Національним управлінням аеронавтики та космосу США (NASA) заявив, що здійснив квантові обчислення, які неможливі на будь-якому класичному комп’ютері (так званий результат квантової переваги).
Існує кілька моделей квантових комп'ютерів (вірніше, квантових обчислювальних систем), включаючи квантову схему, квантову машину Тьюрінга, адіабатичний квантовий комп'ютер, односторонній квантовий комп'ютер та різні квантові клітинні автомати. Найбільш широко використовувана модель - квантовий контур. Квантові схеми базуються на квантовому біті, або “кубіті”, який є дещо аналогічним біту в класичних обчисленнях. Кубіти можуть перебувати в квантовому стані 1 або 0, або вони можуть бути в суперпозиції станів 1 і 0. Однак, коли вимірюють кубіти, результат вимірювання завжди дорівнює 0 або 1; ймовірності цих двох результатів залежать від квантового стану, в якому знаходились кубіти безпосередньо перед вимірюванням.
Прогрес у створенні фізичного квантового комп'ютера фокусується на таких технологіях, як трансмони, іонні пастки та топологічні квантові комп'ютери, які мають на меті створити високоякісні кубіти. Ці кубіти можуть бути розроблені по-різному, залежно від обчислювальної моделі повного квантового комп'ютера, чи є квантові логічні ворота, квантовий відпал або адіабатичні квантові обчислення. В даний час існує низка суттєвих перешкод на шляху побудови корисних квантових комп'ютерів. Зокрема, важко підтримувати квантові стани кубітів, оскільки вони страждають від квантової декогерентності та вірності стану. Тому квантові комп'ютери вимагають виправлення помилок. Будь-яку обчислювальну задачу, яку можна вирішити класичним комп’ютером, також може вирішити квантовий комп’ютер. І навпаки, будь-яку проблему, яка може бути вирішена квантовим комп’ютером, також може бути вирішена класичним комп’ютером, принаймні, в принципі, з урахуванням достатнього часу. Іншими словами, квантові комп’ютери підкоряються тезі Церкви – Тьюрінга. Хоча це означає, що квантові обчислювальні машини не надають додаткових переваг перед класичними обчислювальними машинами з точки зору обчислюваності, квантові алгоритми для певних задач мають значно менші часові складності, ніж відповідні відомі класичні алгоритми. Варто відзначити, що квантові комп’ютери здатні швидко вирішувати певні проблеми, які жоден класичний комп’ютер не міг би вирішити за будь-який можливий проміжок часу - подвиг, відомий як “квантове зверхність”. Вивчення обчислювальної складності задач щодо квантових комп'ютерів відоме як теорія квантової складності.
Google Sycamore - це квантовий процесор, створений підрозділом штучного інтелекту Google Inc. Він містить 53 кубіта.
У 2019 році Sycamore виконав завдання за 200 секунд, яке, як стверджував Google, у газеті Nature вимагає 10,000 тисяч років, щоб виконати надсучасний суперкомп’ютер. Таким чином, Google стверджував, що досяг квантового переваги. Щоб оцінити час, який витратив би класичний суперкомп'ютер, Google запустив частини моделювання квантових схем на саміті, найпотужнішому класичному комп'ютері у світі. Пізніше IBM зробила контраргумент, стверджуючи, що на класичну систему, як-от Summit, на виконання завдання знадобиться лише 2.5 дні. Якщо позови Google будуть задоволені, то це буде експоненціальним стрибком у обчислювальній потужності.
У серпні 2020 року квантові інженери, що працюють в Google, повідомили про найбільше хімічне моделювання на квантовому комп'ютері - наближення Хартрі-Фока з Sycamore в парі з класичним комп'ютером, який аналізував результати, щоб забезпечити нові параметри для 12-кубітової системи.
У грудні 2020 року китайський процесор Jiuzhang на основі фотонів, розроблений USTC, досяг обчислювальної потужності 76 кубітів і був у 10 мільярдів разів швидшим за Sycamore, що робить його другим комп'ютером, який досяг квантового переваги.
Лабораторія квантового штучного інтелекту (також звана Quantum AI Lab або QuAIL) - спільна ініціатива NASA, Асоціації космічних досліджень університетів та Google (зокрема, Google Research), метою якої є піонерські дослідження щодо того, як квантові обчислення можуть допомогти в машинному навчанні та інші складні проблеми інформатики. Лабораторія розміщена в Дослідницькому центрі Еймса НАСА.
Лабораторія Quantum AI була оголошена Google Research у дописі в блозі 16 травня 2013 р. На момент запуску лабораторія використовувала найдосконаліший комерційно доступний квантовий комп’ютер D-Wave Two від D-Wave Systems.
20 травня 2013 року було оголошено, що люди можуть подати заявку на використання часу на хвилі D у Лабораторії. 10 жовтня 2013 року Google випустив короткометражний фільм, що описує поточний стан лабораторії Quantum AI. 18 жовтня 2013 року Google оголосив, що включив квантову фізику в Minecraft.
У січні 2014 року Google повідомив про результати порівняння продуктивності D-Wave Two в лабораторії та класичних комп’ютерів. Результати були неоднозначними та викликали бурхливу дискусію в Інтернеті. 2 вересня 2014 року було оголошено, що лабораторія Quantum AI у партнерстві з UC Santa Barbara розпочне ініціативу щодо створення квантових інформаційних процесорів на основі надпровідної електроніки.
23 жовтня 2019 р. Лабораторія Quantum AI оголосила у своєму документі, що досягла квантового переважання.
Google AI Quantum розвиває квантові обчислення, розробляючи квантові процесори та нові квантові алгоритми, щоб допомогти дослідникам та розробникам вирішувати короткострокові проблеми як теоретичні, так і практичні.
Вважається, що квантові обчислення допомагають розвивати інновації завтрашнього дня, включаючи ШІ. Ось чому Google виділяє значні ресурси для створення спеціального квантового обладнання та програмного забезпечення.
Квантові обчислення - це нова парадигма, яка зіграє велику роль у прискоренні завдань для ШІ. Google прагне запропонувати дослідникам та розробникам доступ до фреймворків з відкритим кодом та обчислювальних потужностей, які можуть виходити за рамки класичних можливостей обчислень.
Основними напрямками роботи Google AI Quantum є
- Надпровідні кубітові процесори: надпровідні кубіти з масштабованою архітектурою на базі мікросхеми, націленою на похибку двокубітного затвора <0.5%.
- Метрологія Qubit: Зменшення втрат на два кубіти нижче 0.2% є критичним для виправлення помилок. Ми працюємо над експериментом з квантовою перевагою, щоб приблизно відібрати квантову схему, що перевищує можливості сучасних класичних комп’ютерів та алгоритмів.
- Квантове моделювання: моделювання фізичних систем є одним із найбільш очікуваних застосувань квантових обчислень. Ми особливо зосереджуємось на квантових алгоритмах для моделювання систем взаємодіючих електронів із застосуванням у хімії та матеріалознавстві.
- Квантова допоміжна оптимізація: Ми розробляємо гібридні квантово-класичні вирішувачі для наближеної оптимізації. Теплові стрибки в класичних алгоритмах для подолання енергетичних бар'єрів можуть бути посилені за допомогою квантових оновлень. Ми, зокрема, зацікавлені у когерентному переміщенні населення.
- Квантові нейронні мережі: Ми розробляємо основу для реалізації квантової нейронної мережі на короткочасних процесорах. Ми зацікавлені в тому, щоб зрозуміти, які переваги можуть виникнути від генерації масивних станів суперпозиції під час роботи мережі.
Основними інструментами, розробленими Google AI Quantum, є фреймворки з відкритим кодом, спеціально розроблені для розробки нових квантових алгоритмів, які допомагають вирішувати короткострокові програми для практичних проблем. До них належать:
- Cirq: квантова система з відкритим кодом для побудови та експериментів із галасливими квантовими алгоритмами середнього масштабу (NISQ) на короткочасних квантових процесорах
- OpenFermion: платформа з відкритим кодом для перекладу проблем хімії та матеріалознавства в квантові схеми, які можна виконувати на існуючих платформах
До найближчих програм Google AI Quantum належать:
Квантове моделювання
Розробка нових матеріалів та з'ясування складної фізики за допомогою точного моделювання хімії та моделей конденсованої речовини є одними з найбільш перспективних застосувань квантових обчислень.
Методи зменшення помилок
Ми працюємо над розробкою методів на шляху до повної квантової корекції помилок, які мають можливість різко зменшити шум в поточних пристроях. Хоча повномасштабні відмовостійкі квантові обчислення можуть вимагати значних розробок, ми розробили техніку розширення квантового підпростору, щоб допомогти використовувати методи квантової корекції помилок для поліпшення продуктивності додатків на короткочасних пристроях. Більше того, ці методи полегшують тестування складних квантових кодів на короткострокових пристроях. Ми активно просуваємо ці методи в нові сфери та використовуємо їх як основу для проектування найближчих експериментів.
Квантове машинне навчання
Ми розробляємо гібридні квантово-класичні методи машинного навчання на короткочасних квантових пристроях. Ми вивчаємо універсальне навчання квантових ланцюгів для класифікації та кластеризації квантових та класичних даних. Ми також зацікавлені в генеративних та дискримінаційних квантових нейронних мережах, які можуть бути використані як квантові ретранслятори та блоки очищення стану в квантових мережах зв'язку, або для перевірки інших квантових ланцюгів.
Квантова оптимізація
Дискретна оптимізація в аерокосмічній, автомобільній та інших галузях може отримати вигоду від гібридної квантово-класичної оптимізації, наприклад, модельований відпал, алгоритм квантової допоміжної оптимізації (QAOA) та посилений квантовий перенос населення можуть бути корисними для сучасних процесорів.
Для більш детального ознайомлення з навчальною програмою сертифікації Ви можете розгорнути та проаналізувати наведену нижче таблицю.
Навчальна програма сертифікації квантового машинного навчання EITC/AI/TFQML TensorFlow містить посилання на дидактичні матеріали відкритого доступу у формі відео. Процес навчання поділений на покрокову структуру (програми -> уроки -> теми), що охоплює відповідні частини навчального плану. Також надаються необмежені консультації з експертами в галузі.
Детальніше про процедуру сертифікації див Як це працює?.
Довідкові ресурси навчальної програми
TensorFlow Quantum (TFQ) - це бібліотека квантового машинного навчання для швидкого прототипування гібридних квантово-класичних моделей ML. Дослідження квантових алгоритмів та додатків можуть використовувати механізми квантових обчислень Google, все з TensorFlow. TensorFlow Quantum фокусується на квантових даних та побудові гібридних квантово-класичних моделей. Він інтегрує алгоритми квантових обчислень та логіку, розроблені в Cirq, та забезпечує примітиви квантових обчислень, сумісні з існуючими API TensorFlow, поряд із високопродуктивними симуляторами квантових схем. Детальніше читайте в технічному папері TensorFlow Quantum. Як додаткове посилання ви можете ознайомитися з оглядом та запустити підручники для ноутбуків.
https://www.tensorflow.org/quantum
Cirq
Cirq - це фреймворк з відкритим кодом для комп’ютерів Noisy Intermediate Scale Quantum (NISQ). Він був розроблений командою Google AI Quantum, а загальнодоступна альфа-версія була оголошена на Міжнародному семінарі з квантового програмного забезпечення та квантового машинного навчання 18 липня 2018 року. Демонстрація від QC Ware показала реалізацію QAOA, що вирішує приклад максимального скорочення проблема, що вирішується на симуляторі Cirq. Квантові програми в Cirq представлені "Circuit" і "Schedule", де "Circuit" представляє квантову схему, а "Schedule" - квантову схему з інформацією про терміни. Програми можна виконувати на локальних тренажерах. Наступний приклад показує, як створити та виміряти стан дзвона в Cirq.
імпорт обр
# Підбирайте кубіти
кубіт0 = обр.GridQubit(0, 0)
кубіт1 = обр.GridQubit(0, 1)
# Створіть схему
схема = обр.схема.from_ops(
обр.H(кубіт0),
обр.NOT(кубіт0, кубіт1),
обр.вимір(кубіт0, ключ='m0'),
обр.вимір(кубіт1, ключ='m1')
)
Друк схеми відображає її схему
друк(схема)
# відбитки
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Повторне моделювання схеми показує, що вимірювання кубітів корелюють.
симулятор = обр.імітатор()
результат = симулятор.пробіг(схема, репетиції=5)
друк(результат)
# відбитки
# m0 = 11010
# m1 = 11010
Завантажте повні підготовчі матеріали для офлайн-самонавчання для програми EITC/AI/TFQML TensorFlow Quantum Machine Learning у файлі PDF
Підготовчі матеріали EITC/AI/TFQML – стандартна версія
Підготовчі матеріали EITC/AI/TFQML – розширена версія з контрольними запитаннями