EITC/AI/TFQML TensorFlow Quantum Machine Learning je evropský IT certifikační program využívající knihovnu Google TensorFlow Quantum pro implementaci strojového učení na architektuře Google Quantum Processor Sycamore.
Učební plán EITC/AI/TFQML kvantového strojového učení TensorFlow se zaměřuje na teoretické znalosti a praktické dovednosti při používání knihovny TensorFlow Quantum společnosti Google pro pokročilé strojové učení založené na kvantovém výpočetním modelu na architektuře Google Quantum Processor Sycamore organizované v následující struktuře, zahrnující komplexní video didaktický obsah jako reference pro tuto certifikaci EITC.
TensorFlow Quantum (TFQ) je knihovna kvantového strojového učení pro rychlé prototypování hybridních kvantově klasických modelů ML. Výzkum kvantových algoritmů a aplikací může využít kvantové výpočetní rámce Google, a to vše v rámci TensorFlow.
TensorFlow Quantum se zaměřuje na kvantová data a vytváření hybridních kvantově klasických modelů. Integruje kvantové výpočetní algoritmy a logiku navrženou v Cirq (rámec kvantového programování založený na modelu kvantových obvodů) a poskytuje kvantové výpočetní primitivy kompatibilní se stávajícími API TensorFlow spolu s vysoce výkonnými kvantovými simulátory obvodů. Přečtěte si více v bílé knize TensorFlow Quantum.
Kvantové počítání je použití kvantových jevů, jako je superpozice a zapletení, k provádění výpočtu. Počítače, které provádějí kvantové výpočty, se nazývají kvantové počítače. Předpokládá se, že kvantové počítače dokážou vyřešit určité výpočetní problémy, jako je celočíselná faktorizace (která je základem šifrování RSA), podstatně rychlejší než klasické počítače. Studium kvantového výpočtu je dílčím oborem kvantové informační vědy.
Kvantové výpočty začaly počátkem 1980. let, kdy fyzik Paul Benioff navrhl kvantově mechanický model Turingova stroje. Richard Feynman a Yuri Manin později navrhli, že kvantový počítač měl potenciál simulovat věci, které klasický počítač nedokázal. V roce 1994 Peter Shor vyvinul kvantový algoritmus pro factoring celých čísel, který měl potenciál dešifrovat komunikaci šifrovanou RSA. Navzdory pokračujícímu experimentálnímu pokroku od konce 1990. let se většina vědců domnívá, že „kvantový výpočet odolný vůči chybám je stále poměrně vzdáleným snem“. V posledních letech vzrostly investice do výzkumu kvantové výpočetní techniky ve veřejném i soukromém sektoru. Dne 23. října 2019 společnost Google AI ve spolupráci s americkým Národním úřadem pro letectví a vesmír (NASA) prohlásila, že provedla kvantový výpočet, který je na jakémkoli klasickém počítači neproveditelný (tzv. Výsledek kvantové nadřazenosti).
Existuje několik modelů kvantových počítačů (nebo spíše kvantových výpočetních systémů), včetně modelu kvantových obvodů, kvantového Turingova stroje, adiabatického kvantového počítače, jednosměrného kvantového počítače a různých kvantových celulárních automatů. Nejpoužívanějším modelem je kvantový obvod. Kvantové obvody jsou založeny na kvantovém bitu neboli „qubitu“, který je v klasickém výpočtu poněkud analogický bitu. Qubity mohou být v kvantovém stavu 1 nebo 0, nebo mohou být v superpozici stavů 1 a 0. Když se však měří qubits, výsledkem měření je vždy buď 0 nebo 1; pravděpodobnosti těchto dvou výsledků závisí na kvantovém stavu, ve kterém se qubits nacházeli bezprostředně před měřením.
Pokrok v budování fyzického kvantového počítače se zaměřuje na technologie, jako jsou transmony, iontové pasti a topologické kvantové počítače, jejichž cílem je vytvářet vysoce kvalitní qubity. Tyto qubits mohou být navrženy odlišně, v závislosti na výpočetním modelu celého kvantového počítače, ať už jde o kvantové logické brány, kvantové žíhání nebo adiabatický kvantový výpočet. V současné době existuje řada významných překážek ve způsobu konstrukce užitečných kvantových počítačů. Zejména je obtížné udržovat kvantové stavy qubitů, protože trpí kvantovou dekoherencí a věrností stavu. Kvantové počítače proto vyžadují opravu chyb. Jakýkoli výpočetní problém, který lze vyřešit klasickým počítačem, lze vyřešit také kvantovým počítačem. Naopak jakýkoli problém, který lze vyřešit kvantovým počítačem, lze vyřešit také klasickým počítačem, alespoň v zásadě s dostatečným časem. Jinými slovy, kvantové počítače se řídí teorií Church-Turing. I když to znamená, že kvantové počítače neposkytují oproti klasickým počítačům žádné další výhody, pokud jde o vypočítatelnost, kvantové algoritmy pro určité problémy mají výrazně nižší časovou složitost než odpovídající známé klasické algoritmy. Především se předpokládá, že kvantové počítače dokážou rychle vyřešit určité problémy, které by žádný klasický počítač nedokázal vyřešit v jakémkoli proveditelném čase - výkon známý jako „kvantová nadřazenost“. Studium výpočetní složitosti problémů s ohledem na kvantové počítače je známé jako teorie kvantové složitosti.
Google Sycamore je kvantový procesor vytvořený divizí umělé inteligence společnosti Google Inc. Skládá se z 53 qubitů.
V roce 2019 společnost Sycamore dokončila úkol za 200 sekund, o kterém společnost Google tvrdila, že v článku Nature bude trvat 10,000 let, než dokončí nejmodernější superpočítač. Google tedy tvrdil, že dosáhl kvantové nadvlády. Google odhadl čas, který by si vzal klasický superpočítač, spustil části simulace kvantových obvodů na Summitu, nejvýkonnějším klasickém počítači na světě. Později IBM učinila protiargument a prohlásila, že u klasického systému, jako je Summit, bude tento úkol trvat jen 2.5 dne. Pokud budou tvrzení společnosti Google potvrzena, představovalo by to exponenciální skok ve výpočetní síle.
V srpnu 2020 kvantoví inženýři pracující pro Google ohlásili největší chemickou simulaci na kvantovém počítači - Hartree-Fockova aproximace se Sycamore spárovaná s klasickým počítačem, který analyzoval výsledky a poskytl nové parametry pro 12kbitový systém.
V prosinci 2020 dosáhl čínský fotonový procesor Jiuzhang vyvinutý společností USTC zpracovatelského výkonu 76 qubitů a byl 10 miliardkrát rychlejší než Sycamore, čímž se stal druhým počítačem, který dosáhl kvantové nadvlády.
Laboratoř Quantum Artificial Intelligence Lab (nazývaná také laboratoř Quantum AI Lab nebo QuAIL) je společnou iniciativou NASA, Asociace pro vesmírný výzkum univerzit a Google (konkrétně Google Research), jejichž cílem je propagovat výzkum, jak by kvantové výpočty mohly pomoci při strojovém učení a další obtížné problémy s informatikou. Laboratoř je umístěna v Amesově výzkumném středisku NASA.
Laboratoř Quantum AI Lab byla oznámena společností Google Research v příspěvku na blogu 16. května 2013. V době uvedení na trh laboratoř využívala nejpokročilejší komerčně dostupný kvantový počítač D-Wave Two od společnosti D-Wave Systems.
20. května 2013 bylo oznámeno, že lidé mohou požádat o využití času na D-Wave Two v laboratoři. 10. října 2013 společnost Google vydala krátký film popisující současný stav laboratoře Quantum AI. 18. října 2013 Google oznámil, že do Minecraftu začlenil kvantovou fyziku.
V lednu 2014 Google oznámil výsledky srovnávající výkon D-Wave Two v laboratoři s výkonem klasických počítačů. Výsledky byly nejednoznačné a vyvolaly vášnivou diskusi na internetu. Dne 2. září 2014 bylo oznámeno, že Quantum AI Lab ve spolupráci s UC Santa Barbara zahájí iniciativu na vytvoření kvantových informačních procesorů založených na supravodivé elektronice.
23. října 2019 laboratoř Quantum AI Lab v příspěvku oznámila, že dosáhla kvantové nadvlády.
Google AI Quantum vylepšuje kvantové výpočty vývojem kvantových procesorů a nových kvantových algoritmů, které pomáhají výzkumným pracovníkům a vývojářům řešit krátkodobé problémy teoretické i praktické.
Kvantové výpočty jsou považovány za pomoc při vývoji inovací zítřka, včetně AI. Proto Google věnuje značné prostředky na budování vyhrazeného kvantového hardwaru a softwaru.
Kvantové výpočty jsou novým paradigmatem, které bude hrát velkou roli při zrychlování úkolů pro AI. Google si klade za cíl nabídnout výzkumným pracovníkům a vývojářům přístup k open source frameworkům a výpočetnímu výkonu, který může fungovat nad rámec klasických výpočetních schopností.
Hlavní oblasti zaměření Google AI Quantum jsou
- Supravodivé qubitové procesory: Supravodivé qubity s škálovatelnou architekturou založenou na čipu zaměřenou na chybu dvoukbitového hradla <0.5%.
- Metrologie Qubit: Snížení ztráty dvou qubitů pod 0.2% je zásadní pro opravu chyb. Pracujeme na experimentu kvantové nadvlády, abychom přibližně ochutnali kvantový obvod nad možnosti nejmodernějších klasických počítačů a algoritmů.
- Kvantová simulace: Simulace fyzických systémů patří mezi nejočekávanější aplikace kvantové práce na počítači. Zaměřujeme se zejména na kvantové algoritmy pro modelování systémů interagujících elektronů s aplikacemi v chemii a vědě o materiálech.
- Kvantová asistovaná optimalizace: Vyvíjíme hybridní kvantově-klasické řešiče pro přibližnou optimalizaci. Tepelné skoky v klasických algoritmech k překonání energetických bariér by mohly být vylepšeny vyvoláním kvantových aktualizací. Zajímá nás zejména koherentní přenos populace.
- Kvantové neurální sítě: Vyvíjíme rámec pro implementaci kvantové neurální sítě na krátkodobých procesorech. Zajímá nás, jaké výhody mohou vzniknout při generování masivních stavů superpozice během provozu sítě.
Hlavními nástroji vyvinutými společností Google AI Quantum jsou open-source rámce speciálně určené pro vývoj nových kvantových algoritmů, které pomáhají řešit krátkodobé aplikace pro praktické problémy. Tyto zahrnují:
- Cirq: otevřený zdrojový kvantový rámec pro vytváření a experimentování s hlučnými kvantovými algoritmy (NISQ) na krátkodobých kvantových procesorech
- OpenFermion: open-source platforma pro převádění problémů v chemii a materiálové vědě do kvantových obvodů, které lze provádět na stávajících platformách
Krátkodobé aplikace Google AI Quantum zahrnují:
Kvantová simulace
Návrh nových materiálů a objasnění složité fyziky pomocí přesných simulací modelů chemie a kondenzovaných látek patří mezi nejslibnější aplikace kvantového výpočtu.
Techniky zmírňování chyb
Pracujeme na vývoji metod na cestě k úplné kvantové korekci chyb, které mají schopnost dramaticky snížit šum v současných zařízeních. Zatímco kvantové výpočty odolné proti chybám v plném rozsahu mohou vyžadovat značný vývoj, vyvinuli jsme techniku rozšiřování kvantového podprostoru, abychom pomohli využít techniky od kvantové korekce chyb ke zlepšení výkonu aplikací na zařízeních s krátkodobým dosahem. Tyto techniky navíc usnadňují testování složitých kvantových kódů na krátkodobých zařízeních. Aktivně tlačíme tyto techniky do nových oblastí a využíváme je jako základ pro návrh krátkodobých experimentů.
Kvantové strojové učení
Vyvíjíme hybridní techniky kvantového klasického strojového učení na krátkodobých kvantových zařízeních. Studujeme univerzální kvantové obvodové učení pro klasifikaci a shlukování kvantových a klasických dat. Zajímáme se také o generativní a diskriminační kvantové neuronové sítě, které by mohly být použity jako kvantové opakovače a jednotky čištění stavu v kvantových komunikačních sítích, nebo pro ověření dalších kvantových obvodů.
Kvantová optimalizace
Diskrétní optimalizace v leteckém, automobilovém a jiném průmyslu mohou těžit z hybridní kvantově-klasické optimalizace, například simulované žíhání, kvantově asistovaný optimalizační algoritmus (QAOA) a kvantově vylepšený přenos populace mohou mít u dnešních procesorů užitek.
Chcete-li se podrobně seznámit s certifikačním kurikulem, můžete rozšířit a analyzovat níže uvedenou tabulku.
Certifikační kurikulum pro kvantové strojové učení EITC/AI/TFQML TensorFlow Quantum Machine Learning odkazuje na didaktické materiály s otevřeným přístupem ve formě videa. Učební proces je rozdělen do struktury krok za krokem (programy -> lekce -> témata) pokrývající příslušné části kurikula. Poskytujeme také neomezené poradenství s odborníky na domény.
Podrobnosti o kontrole certifikačního postupu Jak to funguje.
Zdroje referenčních osnov
TensorFlow Quantum (TFQ) je knihovna kvantového strojového učení pro rychlé prototypování hybridních kvantově klasických modelů ML. Výzkum kvantových algoritmů a aplikací může využít kvantové výpočetní rámce Google, a to vše v rámci TensorFlow. TensorFlow Quantum se zaměřuje na kvantová data a vytváření hybridních kvantově klasických modelů. Integruje kvantové výpočetní algoritmy a logiku navrženou v Cirq a poskytuje kvantové výpočetní primitivy kompatibilní se stávajícími API TensorFlow spolu s vysoce výkonnými simulátory kvantových obvodů. Přečtěte si více v bílé knize TensorFlow Quantum. Jako další odkaz si můžete prohlédnout přehled a spustit tutoriály pro notebooky.
https://www.tensorflow.org/quantum
Circq
Cirq je open-source framework pro počítače Noisy Intermediate Scale Quantum (NISQ). Byl vyvinut týmem Google AI Quantum a veřejná verze alfa byla vyhlášena na Mezinárodním workshopu o kvantovém softwaru a kvantovém strojovém učení 18. července 2018. Demo od QC Ware ukázalo implementaci QAOA řešící příklad maximálního snížení problém řešený na simulátoru Cirq. Kvantové programy v Cirq jsou reprezentovány „Circuit“ a „Schedule“, kde „Circuit“ představuje kvantový obvod a „Schedule“ představuje kvantový obvod s časovými informacemi. Programy lze provádět na lokálních simulátorech. Následující příklad ukazuje, jak vytvořit a měřit stav Bell v Cirq.
import cirk
# Vyberte qubits
qubit0 = cirk.GridQubit(0, 0)
qubit1 = cirk.GridQubit(0, 1)
# Vytvořte obvod
obvod = cirk.Obvod.from_ops(
cirk.H(qubit0),
cirk.CNOT(qubit0, qubit1),
cirk.opatření(qubit0, klíč='m0'),
cirk.opatření(qubit1, klíč='m1')
)
Tisk obvodu zobrazí jeho diagram
vytisknout(obvod)
# výtisků
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Simulace obvodu opakovaně ukazuje, že měření qubitů jsou korelována.
Simulátor = cirk.Simulator()
následek = Simulátor.běh(obvod, zkoušky=5)
vytisknout(následek)
# výtisků
# m0 = 11010
# m1 = 11010
Stáhněte si kompletní offline přípravné materiály pro samoučení pro program EITC/AI/TFQML TensorFlow Quantum Machine Learning v souboru PDF
Přípravné materiály EITC/AI/TFQML – standardní verze
Přípravné materiály EITC/AI/TFQML – rozšířená verze s kontrolními otázkami