EITC/AI/TFQML TensorFlow Quantum Machine Learning minangka program Sertifikasi TI Eropa nggunakake perpustakaan Google TensorFlow Quantum kanggo ngetrapake pembelajaran mesin ing arsitektur Sycamore Processor Google Quantum.
Kurikulum EITC/AI/TFQML TensorFlow Quantum Machine Learning fokus ing ilmu teoritis lan katrampilan praktis nggunakake perpustakaan TensorFlow Quantum Google kanggo pamulangan mesin adhedhasar komputasi tingkat lanjut ing arsitektur Sycamore Prosesor Google Quantum sing diatur ing struktur ing ngisor iki, kalebu video lengkap konten didaktik minangka referensi kanggo Sertifikasi EITC iki.
TensorFlow Quantum (TFQ) minangka perpustakaan pembelajaran mesin kuantum kanggo prototipe cepet model ML kuantum-klasik hibrida. Riset ing algoritma lan aplikasi kuantum bisa nggunakake kerangka komputasi kuantum Google, kabeh saka ing TensorFlow.
TensorFlow Quantum fokus ing data kuantum lan nggawe model kuantum-klasik hibrida. Nggabungake kalkulus komputerisasi kuantum lan logika sing dirancang ing Cirq (kerangka pemrograman kuantum adhedhasar model sirkuit kuantum), lan nyedhiyakake primitif komputasi kuantum sing kompatibel karo API TensorFlow sing ana, uga simulator sirkuit kuantum kinerja tinggi. Waca liyane ing kertas putih TensorFlow Quantum.
Komputasi kuantum yaiku nggunakake fénoména kuantum kayata superposisi lan entanglement kanggo nindakake komputasi. Komputer sing nindakake komputasi kuantum dikenal minangka komputer kuantum. Komputer kuantum dipercaya bisa ngatasi masalah komputasional tartamtu, kayata faktor integer (sing ndasari enkripsi RSA), kanthi substansial luwih cepet tinimbang komputer klasik. Sinau babagan komputasi kuantum minangka subfield ilmu informasi kuantum.
Komputasi kuantum diwiwiti ing wiwitan taun 1980an, nalika fisikawan Paul Benioff ngusulake model mekanik kuantum mesin Turing. Richard Feynman lan Yuri Manin banjur menehi saran supaya komputer kuantum duweni potensi kanggo simulasi samubarang sing ora bisa ditindakake komputer klasik. Ing taun 1994, Peter Shor nggawe algoritma kuantum kanggo ngetung bilangan bulat sing duweni potensi decrypt komunikasi enkripsi RSA. Sanajan ana kemajuan eksperimen wiwit pungkasan taun 1990an, umume panaliti percaya manawa "komputasi kuantum sing bisa ngatasi kesalahan isih dadi impen sing adoh banget.". Ing taun-taun pungkasan, investasi menyang riset komputasi kuantum tambah akeh ing sektor publik lan swasta. Ing 23 Oktober 2019, Google AI, kanthi kemitraan karo US National Aeronautics and Space Administration (NASA), ngaku wis nindakake komputasi kuantum sing ora bisa ditindakake ing komputer klasik (sing diarani asil supremasi kuantum).
Ana sawetara model komputer kuantum (utawa luwih becik, sistem komputasi kuantum), kalebu model sirkuit kuantum, mesin Turing kuantum, komputer kuantum adiabatic, komputer kuantum siji arah, lan macem-macem automata seluler kuantum. Model sing paling akeh digunakake yaiku sirkuit kuantum. Sirkuit kuantum adhedhasar bit kuantum, utawa "qubit", sing meh padha karo bit ing petungan klasik. Qubit bisa ana ing negara kuantum 1 utawa 0, utawa bisa uga ana ing superposisi negara 1 lan 0. Nanging, yen qubit diukur asil pangukuran mesthi ana 0 utawa 1; kemungkinan rong asil kasebut gumantung saka kahanan kuantum sing ana ing qubit sadurunge pangukuran.
Kemajuan kanggo nggawe komputer kuantum fisik fokus ing teknologi kayata transmon, perangkap ion lan komputer kuantum topologis, sing tujuane nggawe qubit bermutu. Qubit iki bisa uga dirancang kanthi beda, gumantung saka model komputasi komputer kuantum lengkap, apa gerbang logika kuantum, anil kuantum, utawa komputasi kuantum adiabatic. Saiki ana sawetara alangan penting babagan cara nggawe komputer kuantum sing migunani. Utamane, angel kanggo njaga kahanan kuantum qubit amarga ngalami decoherence kuantum lan kasetyan negara. Mulane komputer kuantum mbutuhake koreksi kesalahan. Masalah komputasi apa wae sing bisa ditanggulangi komputer klasik uga bisa dirampungake karo komputer kuantum. Kosok baline, masalah apa wae sing bisa ditanggulangi komputer kuantum uga bisa ditanggulangi karo komputer klasik, paling ora miturut prinsip cukup wektu. Kanthi tembung liyane, komputer kuantum manut skripsi Gréja – Turing. Nalika iki tegese komputer kuantum ora menehi kaluwihan tambahan tinimbang komputer klasik ing babagan komputabilitas, algoritma kuantum kanggo masalah tartamtu duwe kompleksitas wektu kanthi nyata luwih murah tinimbang algoritma klasik sing dingerteni. Utamane, komputer kuantum dipercaya bisa ngatasi masalah tartamtu kanthi cepet sing ora ana komputer klasik sing bisa ngatasi wektu sing bisa ditindakake - sawijining prestasi sing dikenal minangka "supremasi kuantum." Sinau babagan kompleksitas komputasi masalah babagan komputer kuantum dikenal minangka teori kompleksitas kuantum.
Google Sycamore minangka prosesor kuantum sing digawe dening divisi Intelijen Ponggawa Google Inc. Isine 53 qubit.
Ing taun 2019, Sycamore ngrampungake tugas sajrone 200 detik sing diklaim Google, ing sawijining makalah Alam, bakal mbutuhake supercomputer paling canggih 10,000 taun rampung. Mangkene, Google ngaku wis entuk kaunggulan kuantum. Kanggo ngramal wektu sing bakal ditindakake dening supercomputer klasik, Google nglakokake bagean saka simulasi sirkuit kuantum ing KTT, komputer klasik sing paling kuat ing saindenging jagad. Banjur, IBM nggawe argumen kontra, ujar manawa tugas kasebut mung bakal njupuk 2.5 dina ing sistem klasik kaya KTT. Yen klaim Google dijaluk, mula bakal nuduhake eksponensial ing kekuwatan komputasi.
Ing wulan Agustus 2020 para insinyur kuantum sing makarya ing Google nglaporake simulasi kimia paling gedhe ing komputer kuantum - pendekatan Hartree-Fock karo Sycamore dipasangkan karo komputer klasik sing nganalisa asil kanggo menehi paramèter anyar kanggo sistem 12-qubit.
Ing wulan Desember 2020, prosesor Jiuzhang berbasis foton Cina, dikembangake dening USTC, entuk tenaga pangolahan 76 qubit lan 10 milyar kali luwih cepet tinimbang Sycamore, dadi komputer nomer loro sing entuk supremasi kuantum.
Lab Intelijen Ponggawa Quantum (uga diarani Quantum AI Lab utawa QuAIL) minangka inisiatif gabungan saka NASA, Asosiasi Penelitian Antariksa Universitas, lan Google (khusus, Penelitian Google) sing tujuane kanggo ngrintis riset babagan komputasi kuantum bisa mbantu sinau mesin lan masalah ilmu komputer sing angel liyane. Laboratorium kasebut dianakake ing Pusat Penelitian Ames NASA.
Lab Quantum AI diumumake dening Google Research ing postingan blog tanggal 16 Mei 2013. Nalika diluncurake, Lab nggunakake komputer kuantum sing paling canggih sing kasedhiya paling maju, D-Wave Two saka D-Wave Systems.
Tanggal 20 Mei 2013, diumumake manawa masarakat bisa ndhaptar nggunakake wektu ing D-Wave Two ing Lab. Tanggal 10 Oktober 2013, Google nerbitake film cekak sing nggambarake kahanan saiki Lab Quantum AI. Ing tanggal 18 Oktober 2013, Google ngumumake manawa nggabungake fisika kuantum menyang Minecraft.
Ing wulan Januari 2014, Google nglaporake asil mbandhingake kinerja D-Wave Two ing laboratorium karo komputer klasik. Asil kasebut ambigu lan nyebabake diskusi panas ing Internet. Tanggal 2 September 2014, diumumake manawa Quantum AI Lab, kanthi kemitraan karo UC Santa Barbara, bakal ngluncurake inisiatif kanggo nggawe pemroses informasi kuantum adhedhasar elektronik superconduktor.
Ing tanggal 23 Oktober 2019, Quantum AI Lab ngumumake ing makalah manawa dheweke entuk supremasi kuantum.
Google AI Quantum ngembangake komputasi kuantum kanthi ngembangake prosesor kuantum lan algoritma kuantum novel kanggo mbantu peneliti lan pangembang ngatasi masalah jangka teoritis lan praktis.
Komputasi kuantum dianggep bisa mbantu pangembangan inovasi sesuk, kalebu AI. Mula Google nggawe sumber daya sing penting kanggo mbangun perangkat keras lan perangkat lunak kuantum khusus.
Komputasi kuantum minangka paradigma anyar sing bakal duwe peran gedhe kanggo nyepetake tugas kanggo AI. Google tujuane nawakake peneliti lan pangembang akses menyang kerangka kerja open source lan kekuwatan komputasi sing bisa ngluwihi kemampuan komputasi klasik.
Area fokus utama Google AI Quantum yaiku
- Prosesor qubit superconducting: qubit superconduktor kanthi arsitektur keukur adhedhasar chip sing nargetake kesalahan gerbang loro-qubit <0.5%.
- Metrologi Qubit: Ngurangi kerugian loro-qubit ing ngisor 0.2% penting kanggo koreksi kesalahan. Kita nggarap eksperimen supremasi kuantum, kira-kira conto sirkuit kuantum ngluwihi kemampuan komputer lan algoritma klasik sing canggih.
- Simulasi kuantum: Simulasi sistem fisik kalebu aplikasi komputasi kuantum sing paling diantisipasi. Kita utamane fokus ing algoritma kuantum kanggo sistem pemodelan elektron sing berinteraksi karo aplikasi ing ilmu kimia lan bahan.
- Optimisasi pitulung kuantum: Kita nggawe solvers klasik-kelas hibrida kanggo optimalisasi kira-kira. Langsung termal ing algoritma klasik kanggo ngatasi alangan energi bisa ditambah kanthi njaluk nganyari kuantum. Kita kepincut khusus kanggo transfer populasi sing koheren.
- Jaringan saraf kuantum: Kita nggawe kerangka kerja kanggo ngetrapake jaringan saraf kuantum ing prosesor jangka cedhak. Kita kepengin ngerti apa kaluwihan sing bisa ditindakake nalika ngasilake negara-negara superposisi massal sajrone operasi jaringan kasebut.
Piranti utama sing digawe dening Google AI Quantum yaiku kerangka kerja open-source sing dirancang khusus kanggo ngembangake algoritma kuantum novel kanggo mbantu ngrampungake aplikasi jangka pendek kanggo masalah praktis. Iki kalebu:
- Cirq: kerangka kerja kuantum sumber terbuka kanggo nggawe lan eksperimen karo algoritma kuantum skala menengah (NISQ) rame ing prosesor kuantum jangka cedhak
- OpenFermion: platform open-source kanggo nerjemahake masalah ing ilmu kimia lan ilmu material menyang sirkuit kuantum sing bisa ditindakake ing platform sing wis ana
Aplikasi jangka pendek Google AI Quantum kalebu:
Simulasi Kuantum
Desain bahan anyar lan panjelasan fisika kompleks liwat simulasi kimia sing akurat lan model materi kondensasi minangka salah sawijining aplikasi komputasi kuantum sing paling janjeni.
Teknik mitigasi kesalahan
Kita kerja kanggo nggawe metode ing dalan kanggo mbenerake kesalahan kuantum lengkap sing duwe kemampuan nyuda swara ing piranti saiki. Nalika komputasi kuantum toleransi kanthi skala lengkap bisa uga mbutuhake pangembangan sing cukup, kita wis ngembangake teknik ekspansi subspace kuantum kanggo mbantu nggunakake teknik saka koreksi kesalahan kuantum kanggo nambah kinerja aplikasi ing piranti sing cedhak. Kajaba iku, teknik-teknik kasebut nggampangake tes kode kuantum kompleks ing piranti sing cedhak. Kita aktif nyepetake teknik kasebut menyang wilayah anyar lan nggunakake minangka basis kanggo desain eksperimen sing cedhak.
Sinau Mesin Kuantum
Kita ngembangake teknik pembelajaran mesin kuantum-klasik hibrida ing piranti kuantum sing cedhak. Kita sinau pembelajaran sirkuit kuantum universal kanggo klasifikasi lan klompok data kuantum lan klasik. Kita uga kasengsem karo jaringan saraf kuantum generatif lan diskriminatif, sing bisa digunakake minangka pengulang kuantum lan unit pemurnian negara ing jaringan komunikasi kuantum, utawa kanggo verifikasi sirkuit kuantum liyane.
Optimisasi Quantum
Optimisasi diskriminasi ing aerospace, otomotif, lan industri liyane bisa entuk manfaat saka optimasi kuantum-klasikal hibrida, kayata annealing simulasi, algoritma optimasi pitulung kuantum (QAOA) lan transfer populasi kuantum sing ditambah bisa uga duwe prosesor karo prosesor saiki.
Kanggo ngerteni kanthi rinci babagan kurikulum sertifikasi, sampeyan bisa nggedhekake lan nganalisa tabel ing ngisor iki.
Kurikulum Sertifikasi Pembelajaran Mesin Kuantum EITC/AI/TFQML TensorFlow Quantum Machine referensi referensi materi didaktik mbukak-akses ing wangun video. Proses sinau dipérang dadi struktur langkah-langkah (program -> pelajaran -> topik) sing nyakup bagean kurikulum sing relevan. Konsultasi tanpa wates karo ahli domain uga diwenehake.
Kanggo rincian mriksa prosedur Sertifikasi Cara kerjane.
Sumber Referensi Kurikulum
TensorFlow Quantum (TFQ) minangka perpustakaan pembelajaran mesin kuantum kanggo prototipe cepet model ML kuantum-klasik hibrida. Riset ing algoritma lan aplikasi kuantum bisa nggunakake kerangka komputasi kuantum Google, kabeh saka ing TensorFlow. TensorFlow Quantum fokus ing data kuantum lan nggawe model kuantum-klasik hibrida. Nggabungake kalkulus komputerisasi kuantum lan logika sing dirancang ing Cirq, lan nyedhiyakake primitif komputasi kuantum sing kompatibel karo API TensorFlow sing wis ana, uga simulator sirkuit kuantum kinerja tinggi. Waca liyane ing kertas putih TensorFlow Quantum. Minangka referensi tambahan, sampeyan bisa mriksa ringkesan lan mbukak tutorial notebook.
https://www.tensorflow.org/quantum
Circq
Cirq minangka kerangka kerja open-source kanggo komputer Noisy Intercalate Scale Quantum (NISQ). Iki digawe dening Tim Quantum AI Google, lan alpha publik diumumake ing Lokakarya Internasional babagan Quantum Software lan Quantum Machine Learning tanggal 18 Juli 2018. Demo dening QC Ware nuduhake implementasi QAOA kanggo ngrampungake conto potongan maksimum masalah ditanggulangi ing simulator Cirq. Program kuantum ing Cirq diwakili dening "Sirkuit" lan "Jadwal" ing endi "Sirkuit" nggambarake sirkuit Quantum lan "Jadwal" nggambarake sirkuit Quantum kanthi informasi wektu. Program kasebut bisa dileksanakake ing simulator lokal. Tuladha ing ngisor iki nuduhake cara nggawe lan ngukur negara Bell ing Cirq.
ngimpor keliling
# Pilih qubits
qubit0 = keliling.GridQubit(0, 0)
qubit1 = keliling.GridQubit(0, 1)
# Gawe sirkuit
sirkuit = keliling.sirkuit.saka_ops(
keliling.H(qubit0),
keliling.CNOT(qubit0, qubit1),
keliling.langkah(qubit0, tombol='m0'),
keliling.langkah(qubit1, tombol='m1')
)
Nyithak sirkuit nampilake diagrame
print(sirkuit)
# cetakan
# (0, 0): ───H─── @ ───M ('m0') ───
#
# (0, 1): ───────X───M ('m1') ───
Simulasi sirkuit bola-bali nuduhake manawa pangukuran qubit ana hubungane.
simulasi = keliling.simulator()
asil = simulasi.roto(sirkuit, repetisi=5)
print(asil)
# cetakan
# m0 = 11010
# m1 = 11010
Unduh materi persiapan sinau mandiri offline lengkap kanggo program EITC/AI/TFQML TensorFlow Quantum Machine Learning ing file PDF
Bahan persiapan EITC/AI/TFQML – versi standar
Bahan persiapan EITC/AI/TFQML - versi lengkap kanthi pitakonan review