EITC/AI/TFQML TensorFlow Quantum Machine Learning, Google Quantum Processor Sycamore mimarisinde makine öğrenimi uygulamak için Google TensorFlow Quantum kitaplığının kullanımına ilişkin Avrupa BT Sertifikasyon programıdır.
EITC/AI/TFQML TensorFlow Quantum Machine Learning müfredatı, kapsamlı video içeren aşağıdaki yapı içinde düzenlenen Google Quantum Processor Sycamore mimarisinde gelişmiş kuantum hesaplama modeline dayalı makine öğrenimi için Google'ın TensorFlow Quantum kitaplığını kullanmada teorik bilgi ve pratik becerilere odaklanır bu EITC Sertifikasyonu için referans olarak didaktik içerik.
TensorFlow Quantum (TFQ), hibrit kuantum klasik makine öğrenimi modellerinin hızlı prototiplemesi için bir kuantum makine öğrenimi kitaplığıdır. Kuantum algoritmaları ve uygulamalarındaki araştırmalar, Google'ın kuantum hesaplama çerçevelerinden, tümü TensorFlow içinden yararlanarak yararlanabilir.
TensorFlow Quantum, kuantum verilerine ve hibrit kuantum-klasik modeller oluşturmaya odaklanır. Cirq'de (kuantum devreleri modeline dayalı kuantum programlama çerçevesi) tasarlanmış kuantum hesaplama algoritmalarını ve mantığını bütünleştirir ve yüksek performanslı kuantum devre simülatörlerinin yanı sıra mevcut TensorFlow API'leriyle uyumlu kuantum hesaplama ilkelleri sağlar. TensorFlow Quantum teknik incelemesinde daha fazlasını okuyun.
Kuantum hesaplama, hesaplamayı gerçekleştirmek için süperpozisyon ve dolanma gibi kuantum fenomenlerinin kullanılmasıdır. Kuantum hesaplamaları yapan bilgisayarlar, kuantum bilgisayarlar olarak bilinir. Kuantum bilgisayarların, tamsayı çarpanlara ayırma (RSA şifrelemesinin altında yatan) gibi belirli hesaplama problemlerini klasik bilgisayarlardan önemli ölçüde daha hızlı çözebileceklerine inanılıyor. Kuantum hesaplama çalışması, kuantum bilgi biliminin bir alt alanıdır.
Kuantum hesaplama, fizikçi Paul Benioff'un Turing makinesinin kuantum mekaniksel bir modelini önerdiği 1980'lerin başında başladı. Richard Feynman ve Yuri Manin daha sonra bir kuantum bilgisayarın klasik bir bilgisayarın yapamayacağı şeyleri simüle etme potansiyeline sahip olduğunu öne sürdü. 1994'te Peter Shor, RSA şifreli iletişimlerin şifresini çözme potansiyeline sahip tam sayıları çarpanlarına ayırmak için bir kuantum algoritması geliştirdi. 1990'ların sonlarından beri devam eden deneysel ilerlemeye rağmen, çoğu araştırmacı "hataya dayanıklı kuantum hesaplamanın hala oldukça uzak bir rüya" olduğuna inanıyor. Son yıllarda, kuantum hesaplama araştırmalarına yapılan yatırım hem kamu hem de özel sektörde artmıştır. 23 Ekim 2019'da, ABD Ulusal Havacılık ve Uzay Dairesi (NASA) ile ortaklaşa olan Google AI, herhangi bir klasik bilgisayarda gerçekleştirilemeyen bir kuantum hesaplama gerçekleştirdiğini iddia etti (sözde kuantum üstünlüğü sonucu).
Kuantum devre modeli, kuantum Turing makinesi, adyabatik kuantum bilgisayar, tek yönlü kuantum bilgisayar ve çeşitli kuantum hücresel otomatlar dahil olmak üzere birkaç kuantum bilgisayar modeli (veya daha doğrusu kuantum hesaplama sistemleri) vardır. En yaygın kullanılan model kuantum devresidir. Kuantum devreleri, klasik hesaplamadaki bit ile biraz benzer olan kuantum bitine veya "kübit" e dayanır. Qubit'ler 1 veya 0 kuantum durumunda olabilir veya 1 ve 0 durumlarının üst üste binmesinde olabilir. Bununla birlikte, kübit ölçüldüğünde, ölçümün sonucu her zaman ya 0 ya da 1'dir; Bu iki sonucun olasılıkları, kübitlerin ölçümden hemen önce bulunduğu kuantum durumuna bağlıdır.
Fiziksel bir kuantum bilgisayar oluşturmaya yönelik ilerleme, yüksek kaliteli kübitler oluşturmayı amaçlayan transmonlar, iyon tuzakları ve topolojik kuantum bilgisayarlar gibi teknolojilere odaklanır. Bu kübitler, kuantum mantık kapıları, kuantum tavlama veya adyabatik kuantum hesaplama olsun, tam kuantum bilgisayarın hesaplama modeline bağlı olarak farklı şekilde tasarlanabilir. Şu anda yararlı kuantum bilgisayarları inşa etmenin önünde bir dizi önemli engel var. Özellikle, kuantum uyumsuzluğundan ve durum uygunluğundan muzdarip olduklarından, kübitlerin kuantum hallerini korumak zordur. Kuantum bilgisayarlar bu nedenle hata düzeltme gerektirir. Klasik bir bilgisayarla çözülebilen herhangi bir hesaplama problemi, bir kuantum bilgisayarla da çözülebilir. Tersine, bir kuantum bilgisayar tarafından çözülebilen herhangi bir problem, en azından prensipte yeterli zaman verildiğinde, klasik bir bilgisayarla da çözülebilir. Başka bir deyişle, kuantum bilgisayarlar Kilise-Turing tezine uyar. Bu, kuantum bilgisayarların hesaplanabilirlik açısından klasik bilgisayarlara göre ek avantaj sağlamadığı anlamına gelirken, belirli problemler için kuantum algoritmaları, karşılık gelen bilinen klasik algoritmalardan önemli ölçüde daha düşük zaman karmaşıklığına sahiptir. Özellikle, kuantum bilgisayarların, hiçbir klasik bilgisayarın mümkün olan herhangi bir sürede çözemeyeceği belirli sorunları hızlı bir şekilde çözebileceğine inanılıyor - "kuantum üstünlüğü" olarak bilinen bir başarı. Kuantum bilgisayarlarla ilgili problemlerin hesaplama karmaşıklığının incelenmesi, kuantum karmaşıklık teorisi olarak bilinir.
Google Sycamore, Google Inc.'in Yapay Zeka bölümü tarafından oluşturulan bir kuantum işlemcidir. 53 kübitten oluşur.
2019'da Sycamore, Google'ın bir Nature makalesinde son teknoloji ürünü bir süper bilgisayarın bitirmesinin 200 yıl alacağını iddia ettiği bir görevi 10,000 saniyede tamamladı. Böylece Google, kuantum üstünlüğüne ulaştığını iddia etti. Klasik bir süper bilgisayarın harcayacağı zamanı tahmin etmek için Google, dünyanın en güçlü klasik bilgisayarı olan Summit'te kuantum devre simülasyonunun bazı kısımlarını çalıştırdı. Daha sonra IBM, Summit gibi klasik bir sistemde görevin yalnızca 2.5 gün süreceğini iddia ederek bir karşı argüman yaptı. Google'ın iddiaları onaylanırsa, bu bilgi işlem gücünde katlanarak bir sıçrama anlamına gelir.
Ağustos 2020'de Google için çalışan kuantum mühendisleri, bir kuantum bilgisayardaki en büyük kimyasal simülasyonu bildirdi - Sycamore ile bir Hartree-Fock yaklaşımı, 12-kbit sistem için yeni parametreler sağlamak için sonuçları analiz eden klasik bir bilgisayarla eşleştirildi.
Aralık 2020'de, USTC tarafından geliştirilen Çin foton tabanlı Jiuzhang işlemci 76 kübitlik bir işlem gücüne ulaştı ve Sycamore'dan 10 milyar kat daha hızlıydı ve bu da onu kuantum üstünlüğüne ulaşan ikinci bilgisayar haline getirdi.
Kuantum Yapay Zeka Laboratuvarı (Kuantum Yapay Zeka Laboratuvarı veya QuAIL olarak da adlandırılır), amacı kuantum hesaplamanın makine öğrenimine nasıl yardımcı olabileceğine dair araştırmalara öncülük etmek olan NASA, Üniversiteler Uzay Araştırma Derneği ve Google'ın (özellikle Google Araştırmaları) ortak girişimidir. ve diğer zor bilgisayar bilimi sorunları. Laboratuvar, NASA'nın Ames Araştırma Merkezi'nde barındırılıyor.
Quantum AI Lab, 16 Mayıs 2013 tarihinde Google Research tarafından bir blog gönderisinde duyuruldu. Lansman sırasında Lab, piyasada bulunan en gelişmiş kuantum bilgisayarı, D-Wave Systems'dan D-Wave Two kullanıyordu.
20 Mayıs 2013'te, insanların Laboratuvarda D-Wave Two'da zamanı kullanmak için başvurabilecekleri açıklandı. 10 Ekim 2013'te Google, Quantum AI Lab'ın mevcut durumunu anlatan kısa bir film yayınladı. 18 Ekim 2013'te Google, kuantum fiziğini Minecraft'a dahil ettiğini duyurdu.
Ocak 2014'te Google, laboratuvardaki D-Wave Two'nun performansını klasik bilgisayarlarla karşılaştıran sonuçları bildirdi. Sonuçlar belirsizdi ve internette hararetli tartışmalara neden oldu. 2 Eylül 2014'te UC Santa Barbara ile ortaklaşa olan Quantum AI Lab'ın süper iletken elektroniğe dayalı kuantum bilgi işlemcileri oluşturmak için bir girişim başlatacağı duyuruldu.
23 Ekim 2019'da Kuantum Yapay Zeka Laboratuvarı, kuantum üstünlüğüne ulaştığını açıkladı.
Google AI Quantum, araştırmacıların ve geliştiricilerin kısa vadeli sorunları hem teorik hem de pratik olarak çözmelerine yardımcı olmak için kuantum işlemcileri ve yeni kuantum algoritmaları geliştirerek kuantum hesaplamayı ilerletiyor.
Kuantum hesaplamanın, yapay zeka dahil yarının yeniliklerinin geliştirilmesine yardımcı olduğu düşünülüyor. Bu nedenle Google, özel kuantum donanım ve yazılımları oluşturmak için önemli kaynaklar ayırmaktadır.
Kuantum hesaplama, yapay zeka için görevleri hızlandırmada büyük rol oynayacak yeni bir paradigmadır. Google, araştırmacılara ve geliştiricilere, klasik hesaplama yeteneklerinin ötesinde çalışabilen açık kaynak çerçevelerine ve bilgi işlem gücüne erişim sunmayı amaçlamaktadır.
Google AI Quantum'un ana odak alanları şunlardır:
- Süperiletken kübit işlemciler: <% 0.5 iki kübit geçit hatasını hedefleyen çip tabanlı ölçeklenebilir mimariye sahip süper iletken kübitler.
- Qubit metrolojisi: İki kübit kaybını% 0.2'nin altına düşürmek, hata düzeltme için kritiktir. Son teknoloji ürünü klasik bilgisayarların ve algoritmaların yeteneklerinin ötesinde bir kuantum devresini yaklaşık olarak örneklemek için bir kuantum üstünlüğü deneyi üzerinde çalışıyoruz.
- Kuantum simülasyonu: Fiziksel sistemlerin simülasyonu, kuantum hesaplamanın en çok beklenen uygulamaları arasındadır. Özellikle kimya ve malzeme bilimindeki uygulamalarla etkileşen elektronların sistemlerini modellemek için kuantum algoritmalarına odaklanıyoruz.
- Kuantum destekli optimizasyon: Yaklaşık optimizasyon için hibrit kuantum-klasik çözücüler geliştiriyoruz. Enerji engellerini aşmak için klasik algoritmalardaki termal sıçramalar, kuantum güncellemelerini çağırarak geliştirilebilir. Özellikle tutarlı nüfus transferiyle ilgileniyoruz.
- Kuantum sinir ağları: Kısa vadeli işlemcilerde kuantum sinir ağı uygulamak için bir çerçeve geliştiriyoruz. Ağın çalışması sırasında büyük üst üste binme durumları oluşturmanın ne gibi avantajlar ortaya çıkabileceğini anlamakla ilgileniyoruz.
Google AI Quantum tarafından geliştirilen ana araçlar, pratik problemler için kısa vadeli uygulamaları çözmeye yardımcı olacak yeni kuantum algoritmaları geliştirmek için özel olarak tasarlanmış açık kaynaklı çerçevelerdir. Bunlar şunları içerir:
- Cirq: Kısa vadeli kuantum işlemcilerde gürültülü orta ölçekli kuantum (NISQ) algoritmaları oluşturmak ve bunlarla denemek için açık kaynaklı bir kuantum çerçevesi
- OpenFermion: kimya ve malzeme bilimindeki sorunları mevcut platformlarda yürütülebilen kuantum devrelerine çevirmek için açık kaynaklı bir platform
Google AI Quantum kısa vadeli uygulamaları şunları içerir:
Kuantum Simülasyonu
Yeni malzemelerin tasarımı ve karmaşık fiziğin doğru kimya simülasyonları ve yoğunlaştırılmış madde modelleri aracılığıyla aydınlatılması, kuantum hesaplamanın en umut verici uygulamaları arasındadır.
Hata azaltma teknikleri
Mevcut cihazlarda gürültüyü önemli ölçüde azaltma yeteneğine sahip tam kuantum hata düzeltme yolunda yöntemler geliştirmek için çalışıyoruz. Tam ölçekli hata toleranslı kuantum hesaplama önemli gelişmeler gerektirebilirken, kısa vadeli cihazlarda uygulamaların performansını iyileştirmek için kuantum hata düzeltme tekniklerinden yararlanmaya yardımcı olmak için kuantum alt uzay genişletme tekniğini geliştirdik. Dahası, bu teknikler, karmaşık kuantum kodlarının kısa vadeli cihazlarda test edilmesini kolaylaştırır. Bu teknikleri aktif olarak yeni alanlara itiyor ve bunları kısa vadeli deneylerin tasarımı için bir temel olarak kullanıyoruz.
Kuantum Makine Öğrenimi
Kısa vadeli kuantum cihazlarında hibrit kuantum-klasik makine öğrenimi teknikleri geliştiriyoruz. Kuantum ve klasik verilerin sınıflandırılması ve kümelenmesi için evrensel kuantum devre öğrenimi üzerinde çalışıyoruz. Ayrıca kuantum iletişim ağlarında kuantum tekrarlayıcılar ve durum saflaştırma birimleri olarak veya diğer kuantum devrelerinin doğrulanması için kullanılabilen üretken ve ayırt edici kuantum sinir ağlarıyla da ilgileniyoruz.
Kuantum Optimizasyonu
Havacılık, otomotiv ve diğer endüstrilerdeki ayrık optimizasyonlar, hibrit kuantum-klasik optimizasyondan faydalanabilir, örneğin benzetilmiş tavlama, kuantum destekli optimizasyon algoritması (QAOA) ve kuantum geliştirilmiş popülasyon aktarımı günümüz işlemcileri için faydalı olabilir.
Kendinizi sertifika müfredatı hakkında ayrıntılı olarak tanımak için aşağıdaki tabloyu genişletebilir ve analiz edebilirsiniz.
EITC/AI/TFQML TensorFlow Kuantum Makine Öğrenimi Sertifikasyon Müfredatı, açık erişimli didaktik materyalleri bir video biçiminde referans alır. Öğrenme süreci, ilgili müfredat bölümlerini kapsayan adım adım bir yapıya (programlar -> dersler -> konular) bölünmüştür. Alan uzmanları ile sınırsız danışmanlık da sağlanmaktadır.
Sertifikasyon prosedürü kontrolü ile ilgili ayrıntılar için Nasıl Çalışır?.
Müfredat Referans Kaynakları
TensorFlow Quantum (TFQ), hibrit kuantum klasik makine öğrenimi modellerinin hızlı prototiplemesi için bir kuantum makine öğrenimi kitaplığıdır. Kuantum algoritmaları ve uygulamalarındaki araştırmalar, Google'ın kuantum hesaplama çerçevelerinden, tümü TensorFlow içinden yararlanarak yararlanabilir. TensorFlow Quantum, kuantum verilerine ve hibrit kuantum-klasik modeller oluşturmaya odaklanır. Cirq'de tasarlanan kuantum hesaplama algoritmalarını ve mantığını entegre eder ve yüksek performanslı kuantum devre simülatörleri ile birlikte mevcut TensorFlow API'leriyle uyumlu kuantum hesaplama ilkelleri sağlar. TensorFlow Quantum teknik incelemesinde daha fazlasını okuyun. Ek referans olarak, genel bakışı inceleyebilir ve dizüstü bilgisayar eğitimlerini çalıştırabilirsiniz.
https://www.tensorflow.org/quantum
sirk
Cirq, Noisy Intermediate Scale Quantum (NISQ) bilgisayarlar için açık kaynaklı bir çerçevedir. Google AI Quantum Ekibi tarafından geliştirildi ve halka açık alfa, 18 Temmuz 2018'de Uluslararası Kuantum Yazılımı ve Kuantum Makine Öğrenimi Çalıştayı'nda duyuruldu. QC Ware tarafından yapılan bir demo, maksimum kesinti örneğini çözen bir QAOA uygulamasını gösterdi Sorun bir Cirq simülatöründe çözülüyor. Cirq'deki kuantum programları, "Devre" ve "Program" ile temsil edilir; burada "Devre", bir Kuantum devresini ve "Çizelge", zamanlama bilgisine sahip bir Kuantum devresini temsil eder. Programlar yerel simülatörlerde çalıştırılabilir. Aşağıdaki örnek, Cirq'te bir Bell durumunun nasıl oluşturulacağını ve ölçüleceğini gösterir.
ithalat sirk
# Kübit seç
kübit0 = sirk.GridQubit(0, 0)
kübit1 = sirk.GridQubit(0, 1)
# Bir devre oluşturun
devre = sirk.Devre.from_ops(
sirk.H(kübit0),
sirk.KNOT(kübit0, kübit1),
sirk.ölçmek(kübit0, anahtar='M0'),
sirk.ölçmek(kübit1, anahtar='M1')
)
Devrenin yazdırılması şemasını görüntüler
baskı(devre)
# baskı
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Devrenin tekrar tekrar simüle edilmesi, kübitlerin ölçümlerinin ilişkili olduğunu gösterir.
simülatör = sirk.Simülatör()
sonuç = simülatör.koşmak(devre, provalar=5)
baskı(sonuç)
# baskı
# m0 = 11010
# m1 = 11010
EITC/AI/TFQML TensorFlow Quantum Machine Learning programına yönelik çevrimdışı kendi kendine öğrenme hazırlık malzemelerinin tamamını PDF dosyası olarak indirin
EITC/AI/TFQML hazırlık materyalleri – standart versiyon
EITC/AI/TFQML hazırlık materyalleri – inceleme sorularını içeren genişletilmiş versiyon