EITC/AI/TFQML TensorFlow Quantum Machine Learning is het Europese IT-certificeringsprogramma voor het gebruik van Google TensorFlow Quantum-bibliotheek voor het implementeren van machine learning op Google Quantum Processor Sycamore-architectuur.
Het curriculum van de EITC/AI/TFQML TensorFlow Quantum Machine Learning richt zich op theoretische kennis en praktische vaardigheden bij het gebruik van de TensorFlow Quantum-bibliotheek van Google voor geavanceerd machinaal leren op basis van kwantumcomputermodellen op de Google Quantum Processor Sycamore-architectuur, georganiseerd binnen de volgende structuur en omvat uitgebreide video didactische inhoud als referentie voor deze EITC-certificering.
TensorFlow Quantum (TFQ) is een quantum machine learning-bibliotheek voor snelle prototyping van hybride quantum-klassieke ML-modellen. Onderzoek naar kwantumalgoritmen en applicaties kan gebruikmaken van de kwantumcomputerkaders van Google, allemaal vanuit TensorFlow.
TensorFlow Quantum richt zich op kwantumdata en het bouwen van hybride kwantum-klassieke modellen. Het integreert kwantumcomputeralgoritmen en logica die zijn ontworpen in Cirq (kwantumprogrammeringskader op basis van kwantumcircuits-model), en biedt kwantumcomputerprimitieven die compatibel zijn met bestaande TensorFlow-API's, samen met hoogwaardige kwantumcircuitsimulatoren. Lees meer in de TensorFlow Quantum whitepaper.
Quantum computing is het gebruik van kwantumfenomenen zoals superpositie en verstrengeling om berekeningen uit te voeren. Computers die kwantumberekeningen uitvoeren, staan bekend als kwantumcomputers. Aangenomen wordt dat kwantumcomputers bepaalde rekenproblemen, zoals factorisatie van gehele getallen (die ten grondslag ligt aan RSA-codering), aanzienlijk sneller kunnen oplossen dan klassieke computers. De studie van quantum computing is een deelgebied van de quantuminformatiewetenschap.
Quantum computing begon in de vroege jaren tachtig, toen natuurkundige Paul Benioff een kwantummechanisch model van de Turing-machine voorstelde. Richard Feynman en Yuri Manin suggereerden later dat een kwantumcomputer het potentieel had om dingen te simuleren die een klassieke computer niet kon. In 1980 ontwikkelde Peter Shor een kwantumalgoritme voor het ontbinden van gehele getallen die het potentieel hadden om RSA-gecodeerde communicatie te decoderen. Ondanks voortdurende experimentele vooruitgang sinds het einde van de jaren negentig, zijn de meeste onderzoekers van mening dat "fouttolerante kwantumcomputers nog steeds een verre droom zijn". In de afgelopen jaren zijn de investeringen in onderzoek naar quantum computing zowel in de publieke als in de private sector toegenomen. Op 1994 oktober 1990 beweerde Google AI, in samenwerking met de Amerikaanse National Aeronautics and Space Administration (NASA), een kwantumberekening te hebben uitgevoerd die op geen enkele klassieke computer haalbaar is (het zogenaamde kwantum-suprematie-resultaat).
Er zijn verschillende modellen van kwantumcomputers (of liever, kwantumcomputersystemen), waaronder het kwantumcircuitmodel, de kwantum-Turing-machine, de adiabatische kwantumcomputer, een eenrichtings-kwantumcomputer en verschillende kwantumcellulaire automaten. Het meest gebruikte model is het kwantumcircuit. Kwantumschakelingen zijn gebaseerd op de kwantumbit, of "qubit", wat enigszins analoog is aan de bit in klassieke berekeningen. Qubits kunnen een 1 of 0 kwantumtoestand hebben, of ze kunnen een superpositie hebben van de 1 en 0 toestanden. Wanneer qubits worden gemeten, is het resultaat van de meting echter altijd een 0 of een 1; de waarschijnlijkheid van deze twee uitkomsten hangt af van de kwantumtoestand waarin de qubits zich bevonden vlak voor de meting.
Vooruitgang bij het bouwen van een fysieke kwantumcomputer richt zich op technologieën zoals transmonen, ionenvallen en topologische kwantumcomputers, die tot doel hebben hoogwaardige qubits te maken. Deze qubits kunnen anders worden ontworpen, afhankelijk van het computermodel van de volledige kwantumcomputer, of het nu gaat om kwantumlogica-poorten, kwantumgloeiing of adiabatische kwantumberekening. Er zijn momenteel een aantal belangrijke obstakels bij het bouwen van bruikbare kwantumcomputers. In het bijzonder is het moeilijk om de kwantumtoestanden van qubits te behouden, omdat ze lijden aan kwantumdecoherentie en staatgetrouwheid. Kwantumcomputers hebben daarom foutcorrectie nodig. Elk rekenprobleem dat kan worden opgelost door een klassieke computer, kan ook worden opgelost door een kwantumcomputer. Omgekeerd kan elk probleem dat kan worden opgelost door een kwantumcomputer, ook worden opgelost door een klassieke computer, althans in principe met voldoende tijd. Met andere woorden, kwantumcomputers gehoorzamen de stelling van de Kerk en Turing. Hoewel dit betekent dat kwantumcomputers geen extra voordelen bieden ten opzichte van klassieke computers in termen van berekenbaarheid, hebben kwantumalgoritmen voor bepaalde problemen aanzienlijk lagere tijdcomplexiteiten dan overeenkomstige bekende klassieke algoritmen. Met name wordt aangenomen dat kwantumcomputers in staat zijn om snel bepaalde problemen op te lossen die geen enkele klassieke computer in een haalbare tijd zou kunnen oplossen - een prestatie die bekend staat als 'kwantumsuprematie'. De studie van de computationele complexiteit van problemen met betrekking tot kwantumcomputers staat bekend als de kwantumcomplexiteitstheorie.
Google Sycamore is een kwantumprocessor die is gemaakt door de afdeling kunstmatige intelligentie van Google Inc. Het bestaat uit 53 qubits.
In 2019 voltooide Sycamore een taak in 200 seconden waarvan Google beweerde, in een Nature-paper, dat een ultramoderne supercomputer 10,000 jaar nodig zou hebben om te voltooien. Google beweerde dus kwantumoverheersing te hebben bereikt. Om de tijd te schatten die een klassieke supercomputer nodig zou hebben, voerde Google delen van de kwantumcircuitsimulatie uit op de Summit, de krachtigste klassieke computer ter wereld. Later kwam IBM met een tegenargument en beweerde dat de taak slechts 2.5 dag zou duren op een klassiek systeem als Summit. Als de beweringen van Google worden aanvaard, zou dit een exponentiële sprong in rekenkracht betekenen.
In augustus rapporteerden 2020 kwantumingenieurs die voor Google werkten de grootste chemische simulatie op een kwantumcomputer - een Hartree-Fock-benadering met Sycamore gecombineerd met een klassieke computer die resultaten analyseerde om nieuwe parameters voor het 12-qubit-systeem op te leveren.
In december 2020 behaalde de Chinese op fotonen gebaseerde Jiuzhang-processor, ontwikkeld door USTC, een verwerkingskracht van 76 qubits en was 10 miljard keer sneller dan Sycamore, waarmee het de tweede computer werd die kwantumoverheersing bereikte.
Het Quantum Artificial Intelligence Lab (ook wel het Quantum AI Lab of QuAIL genoemd) is een gezamenlijk initiatief van NASA, Universities Space Research Association en Google (specifiek Google Research) met als doel baanbrekend onderzoek te doen naar hoe quantum computing kan helpen bij machine learning en andere moeilijke computerwetenschappelijke problemen. Het lab wordt gehost in het Ames Research Center van NASA.
Het Quantum AI Lab werd aangekondigd door Google Research in een blogpost op 16 mei 2013. Op het moment van lancering gebruikte het Lab de meest geavanceerde commercieel verkrijgbare kwantumcomputer, D-Wave Two van D-Wave Systems.
Op 20 mei 2013 werd aangekondigd dat mensen zich konden aanmelden om tijd te gebruiken op de D-Wave Two at the Lab. Op 10 oktober 2013 bracht Google een korte film uit die de huidige staat van het Quantum AI Lab beschrijft. Op 18 oktober 2013 kondigde Google aan dat het kwantumfysica in Minecraft had opgenomen.
In januari 2014 rapporteerde Google resultaten waarin de prestaties van de D-Wave Two in het laboratorium werden vergeleken met die van klassieke computers. De resultaten waren dubbelzinnig en veroorzaakten verhitte discussies op internet. Op 2 september 2014 werd aangekondigd dat het Quantum AI Lab, in samenwerking met UC Santa Barbara, een initiatief zou lanceren om kwantuminformatieprocessors te creëren op basis van supergeleidende elektronica.
Op 23 oktober 2019 kondigde het Quantum AI Lab in een paper aan dat het kwantum-suprematie had bereikt.
Google AI Quantum bevordert kwantumcomputers door kwantumprocessors en nieuwe kwantumalgoritmen te ontwikkelen om onderzoekers en ontwikkelaars te helpen bij het oplossen van zowel theoretische als praktische problemen op korte termijn.
Quantum computing wordt beschouwd als een hulpmiddel bij de ontwikkeling van de innovaties van morgen, waaronder AI. Daarom zet Google aanzienlijke middelen in voor het bouwen van speciale kwantumhardware en -software.
Quantum computing is een nieuw paradigma dat een grote rol zal spelen bij het versnellen van taken voor AI. Google wil onderzoekers en ontwikkelaars toegang bieden tot open source frameworks en rekenkracht die verder gaan dan de klassieke rekenmogelijkheden.
De belangrijkste aandachtsgebieden van Google AI Quantum zijn
- Supergeleidende qubit-processors: supergeleidende qubits met op chips gebaseerde schaalbare architectuur gericht op twee-qubit gate-fout <0.5%.
- Qubit-metrologie: het verminderen van het verlies van twee qubits tot minder dan 0.2% is cruciaal voor foutcorrectie. We werken aan een kwantum-suprematie-experiment, om ongeveer een kwantumcircuit te bemonsteren dat de mogelijkheden van de modernste klassieke computers en algoritmen te boven gaat.
- Quantumsimulatie: simulatie van fysieke systemen is een van de meest verwachte toepassingen van quantum computing. We richten ons vooral op kwantumalgoritmen voor het modelleren van systemen voor interactie met elektronen met toepassingen in de chemie en materiaalkunde.
- Kwantumondersteunde optimalisatie: we ontwikkelen hybride kwantum-klassieke oplossers voor benaderende optimalisatie. Thermische sprongen in klassieke algoritmen om energiebarrières te overwinnen, kunnen worden verbeterd door kwantumupdates aan te roepen. We zijn in het bijzonder geïnteresseerd in coherente bevolkingsoverdracht.
- Kwantumneurale netwerken: we ontwikkelen een raamwerk om een kwantumneuraal netwerk te implementeren op kortetermijnprocessoren. We zijn benieuwd welke voordelen kunnen voortvloeien uit het genereren van enorme superpositietoestanden tijdens de werking van het netwerk.
De belangrijkste tools die door Google AI Quantum zijn ontwikkeld, zijn open-source frameworks die speciaal zijn ontworpen voor het ontwikkelen van nieuwe kwantumalgoritmen om toepassingen op korte termijn voor praktische problemen op te lossen. Waaronder:
- Cirq: een open-source kwantumraamwerk voor het bouwen van en experimenteren met lawaaierige quantumalgoritmen op middellange schaal (NISQ) op korte termijn kwantumprocessors
- OpenFermion: een open-sourceplatform voor het vertalen van problemen in de chemie en materiaalkunde naar kwantumcircuits die op bestaande platforms kunnen worden uitgevoerd
Google AI Quantum-toepassingen voor de korte termijn zijn onder meer:
Quantumsimulatie
Het ontwerp van nieuwe materialen en de opheldering van complexe fysica door middel van nauwkeurige simulaties van scheikunde en modellen van gecondenseerde materie behoren tot de meest veelbelovende toepassingen van quantum computing.
Technieken voor het beperken van fouten
We werken aan de ontwikkeling van methoden op weg naar volledige kwantumfoutcorrectie die het vermogen hebben om ruis in huidige apparaten drastisch te verminderen. Hoewel fouttolerante kwantumcomputers op volledige schaal aanzienlijke ontwikkelingen kunnen vereisen, hebben we de kwantumdeelruimte-expansietechniek ontwikkeld om technieken van kwantumfoutcorrectie te helpen gebruiken om de prestaties van toepassingen op kortetermijnapparatuur te verbeteren. Bovendien vergemakkelijken deze technieken het testen van complexe kwantumcodes op apparaten voor de korte termijn. We duwen deze technieken actief naar nieuwe gebieden en gebruiken ze als basis voor het ontwerpen van experimenten op korte termijn.
Quantum machine learning
We ontwikkelen hybride kwantum-klassieke machine learning-technieken op korte termijn kwantumapparaten. We bestuderen universeel leren van kwantumcircuits voor classificatie en clustering van kwantumgegevens en klassieke gegevens. We zijn ook geïnteresseerd in generatieve en discriminerende kwantumneurale netwerken, die kunnen worden gebruikt als kwantumrepeaters en toestandszuiveringseenheden binnen kwantumcommunicatienetwerken, of voor verificatie van andere kwantumcircuits.
Quantum-optimalisatie
Discrete optimalisaties in de lucht- en ruimtevaart, de automobielindustrie en andere industrieën kunnen profiteren van hybride kwantum-klassieke optimalisatie, bijvoorbeeld gesimuleerde gloeiing, kwantumondersteund optimalisatie-algoritme (QAOA) en kwantumverbeterde populatieoverdracht kunnen nuttig zijn voor hedendaagse processoren.
Om u in detail vertrouwd te maken met het certificeringscurriculum kunt u onderstaande tabel uitvouwen en analyseren.
Het EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum verwijst naar open access didactisch materiaal in videovorm. Het leerproces is opgedeeld in een stapsgewijze structuur (programma's -> lessen -> onderwerpen) die relevante curriculumonderdelen omvat. Onbeperkt advies met domeinexperts wordt ook geboden.
Voor meer informatie over de certificeringsprocedure, zie Hoe het werkt.
Referentiebronnen voor leerplannen
TensorFlow Quantum (TFQ) is een quantum machine learning-bibliotheek voor snelle prototyping van hybride quantum-klassieke ML-modellen. Onderzoek naar kwantumalgoritmen en applicaties kan gebruikmaken van de kwantumcomputerkaders van Google, allemaal vanuit TensorFlow. TensorFlow Quantum richt zich op kwantumdata en het bouwen van hybride kwantum-klassieke modellen. Het integreert kwantumcomputeralgoritmen en logica die zijn ontworpen in Cirq, en biedt kwantumcomputerprimitieven die compatibel zijn met bestaande TensorFlow-API's, samen met hoogwaardige kwantumcircuitsimulatoren. Lees meer in de TensorFlow Quantum whitepaper. Als extra referentie kunt u het overzicht bekijken en de notebook-tutorials uitvoeren.
https://www.tensorflow.org/quantum
Circa
Cirq is een open-source framework voor Noisy Intermediate Scale Quantum (NISQ) -computers. Het is ontwikkeld door het Google AI Quantum Team en de openbare alfa werd aangekondigd tijdens de Internationale Workshop over Quantum Software en Quantum Machine Learning op 18 juli 2018. Een demo van QC Ware toonde een implementatie van QAOA waarmee een voorbeeld van de maximale verlaging werd opgelost probleem wordt opgelost op een Cirq-simulator. Quantum-programma's in Cirq worden vertegenwoordigd door "Circuit" en "Schedule", waarbij "Circuit" een Quantum-circuit vertegenwoordigt en "Schedule" een Quantum-circuit met timinginformatie vertegenwoordigt. De programma's kunnen op lokale simulatoren worden uitgevoerd. Het volgende voorbeeld laat zien hoe u een Bell-status in Cirq maakt en meet.
importeren cirq
# Kies qubits
Qubit0 = cirq.RasterQubit(0, 0)
Qubit1 = cirq.RasterQubit(0, 1)
# Maak een circuit
circuit = cirq.Circuit.van_ops(
cirq.H(Qubit0),
cirq.NIET(Qubit0, Qubit1),
cirq.maatregel(Qubit0, sleutel='m0'),
cirq.maatregel(Qubit1, sleutel='m1')
)
Als u het circuit afdrukt, wordt het diagram weergegeven
print(circuit)
# afdrukken
# (0, 0): ───H─── @ ───M ('m0') ───
#
# (0, 1): ───────X───M ('m1') ───
Door het circuit herhaaldelijk te simuleren, blijkt dat de metingen van de qubits met elkaar in verband staan.
simulator = cirq.Simulator()
resultaat = simulator.lopen(circuit, repetities=5)
print(resultaat)
# afdrukken
# m0 = 11010
# m1 = 11010
Download het volledige offline zelflerende voorbereidende materiaal voor het EITC/AI/TFQML TensorFlow Quantum Machine Learning-programma in een PDF-bestand
EITC/AI/TFQML voorbereidende materialen – standaardversie
EITC/AI/TFQML voorbereidend materiaal – uitgebreide versie met evaluatievragen