Pe măsură ce viețile noastre devin din ce în ce mai orientate spre date, limitările computerului clasic necesită o tranziție la învățarea automată cuantică. Cu capacitatea de a factoriza și procesa rapid cantități mari de seturi de date, învățarea automată cuantică poate accelera eficiența, luarea deciziilor, recunoașterea îmbunătățită a modelelor, securitatea îmbunătățită și modelarea avansată.
Indiferent de utilizările învățării automate cuantice, este un domeniu în curs de dezvoltare care va înflori mai devreme decât ne putem gândi.
Prin urmare, dacă sunteți un pasionat de QML, ar trebui să porniți într-o călătorie de învățare și să stăpâniți dezavantajele QML. În timp ce resursele de mai jos sunt concepute pentru a vă ajuta să faceți exact acest lucru, să începem cu elementele de bază.
Cuprins
Ce este învățarea automată cuantică?
Învățarea automată cuantică nu este altceva decât integrarea metodelor și algoritmilor de calcul cuantic în cadrul programelor de învățare automată. Potrivit Google, s-a demonstrat că învățarea automată cuantică este capabilă să rezolve probleme complexe care sunt provocatoare pentru computerele clasice/tradiționale.
Învățarea cuantică a mașinilor poate fi utilă pentru diferite domenii, de la managementul lanțului de aprovizionare la criptare la IT.
Modalități în care învățarea automată cuantică este diferită
QML diferă de învățarea automată obișnuită în multe privințe; discutăm despre aceste 5:
- Învățarea automată cuantică folosește qubiți în loc de biți pentru a îmbunătăți sistemele operaționale
- Prin valorificarea conceptelor de suprapunere și încrucișare cuantică, calculatoarele cuantice pot realiza simultan mai multe probleme complexe.
- Potențialul de accelerare al QML este masiv, iar computerele cuantice pot gestiona și date cu dimensiuni mari
- În viitor, învățarea automată cuantică poate aduce protocoale de securitate îmbunătățite, poate accelera dezvoltarea de noi medicamente și poate amplifica sugestiile de sisteme de recomandare
Acum că știți că QML este un domeniu în creștere rapidă, rămâneți înaintea curbei cu aceste cursuri, cărți și recomandări de platforme:
Învățare automată cuantică: edX
Cooferit de Universitatea din Toronto, acest curs de învățare cuantică a mașinilor este un bun punct de plecare pentru algoritmii de învățare cuantică a mașinilor și modul în care trebuie să le implementăm în Python.
Necesind doar 6-9 ore pe săptămână, acest curs avansat este în mare parte auto-ritm. Există două moduri de a urma acest curs. Pista verificată, care vine contra cost, iar o pistă de audit, care este gratuită. Ceea ce îi diferențiază pe cei doi este accesul nelimitat la resurse de învățare. În plus față de un certificat de finalizare care poate fi partajat cu evaluări și examene gradate, disponibil în versiunea plătită.
Petter Wittek, conf. Un profesor la Universitatea din Toronto predă acest curs. Ajută la luminarea tehnologiilor cuantice actuale și viitoare. Și cum se așteaptă să depășească computerele clasice.
Sunteți sigur că veți învăța circuite variaționale, algoritmi de învățare hibrid clasic-cuantic, stări simple pentru modele probabilistice și funcții neobișnuite ale nucleului.
Mai mult, puteți învăța și cum să implementați următorii algoritmi:
- Transformarea cuantică Fourier
- Estimarea fazei cuantice
- Matricea fazei cuantice
- procese gaussiene
QC101 Calcul cuantic
Oferit de Udemy, acest curs QC101 Quantum Computing abordează fizica cuantică prin studiul luminii polarizate.
De fapt, este nevoie de o introducere bazată pe matematică în calculul cuantic în timp ce înveți criptografia cuantică pentru a comunica în siguranță. În plus, puteți experimenta experiența cuantică IBM. În plus, antrenați o mașină de vector de suport cuantic pentru a face predicții bazate pe date din lumea reală.
În plus, prin 12 ore de video, 10 articole și 5 resurse descărcabile, puteți învăța:
- Cum să dezvoltați și să simulați programe cuantice pe IBM Qiskit și Microsoft Q# în timp ce le depanați
- Cum se analizează circuitele cuantice prin notația lui Dirac și modelele de fizică cuantică
- De asemenea, modul în care calculul cuantic poate ajuta în inteligența artificială, învățarea automată și revoluționează domeniul științei datelor
Acest curs Udemy despre învățarea cuantică este, de asemenea, recomandat de companiile din întreaga lume angajaților lor. Cu 17 secțiuni și 284 de prelegeri, acest curs se desfășoară pe parcursul a 12 ore.
Veți avea nevoie de cunoștințe de matematică și știință de clasa a XII-a pentru a învăța acest curs, cu un accent special pe logica booleană, numerele complexe, algebră liniară, probabilitate și statistică.
Învățare automată cuantică: OpenHPI
Doriți să învățați cum să construiți atât modele de învățare automată cuantică de bază, cât și avansate? Acest curs de învățare automată cuantică de la OpenHPI este gratuit. Este predat de dr. Christa Zoufal, Julien Gacon și dr. David Sutter.
În acest curs, vei învăța
- Cum să construiți modele de învățare de bază și avansate
- Cum să utilizați Python și Qiskit pentru a implementa algoritmi de rezolvare a sarcinilor ML
- Provocări și perspective de viitor ale Quantum ML
Perfect pentru studenții la informatică, pasionații de învățare cuantică și experții în învățarea automată, acest curs va dura două săptămâni, urmat de un examen final pe care trebuie să-l promovați.
O privire asupra planului de prelegeri din săptămâna 1 ne spune că se vor întâmpla multe în ceea ce privește suportul mașinilor vectoriale și clasificatoarelor cuantice variaționale. Săptămâna 2 va vedea mai multe rețele adverse generative cuantice și mașini Boltzmann cuantice, cu tehnici practice de implementare.
Școala de vară globală a lui Qiskit
În continuare, avem o altă resursă gratuită de învățare automată cuantică, care este gratuită și open-source. De fapt, seria de prelegeri a lui Qiskit este disponibilă pe YouTube.
Ceea ce a fost o școală intensivă de vară de două săptămâni este acum un serial de învățare YouTube construit în 25 de episoade, fiecare cu o oră sau două. Acest curs este împărțit în 20 de prelegeri și 5 aplicații de laborator.
În acest curs, vei învăța
- Cum să explorezi aplicațiile cuantice
- Introducere în circuite cuantice, algoritmi și operații de calcul cuantic
- Cum să construiți clasificatoare cuantice, vedeți nucleele cuantice în practică
- Algoritmi avansați QML, hardware cuantic și cum să evitați platourile sterile și problemele de antrenament
Dacă ați căutat surse gratuite și de încredere pentru a începe călătoria dvs. QML, dar nu ați făcut-o până acum, consideră că acesta este semnul tău!
Învățare automată cu calculatoare cuantice
Scrisă de Maria Schuld și Francesco Petruccione, această carte Machine Learning With Quantum Computers (2021) este un bun punct de plecare pentru a explora învățarea automată cuantică avansată.
De la algoritmi de învățare cuantică pe termen scurt până la cei toleranți la erori, această carte dezvăluie tehnici teoretice și practice privind:
- Circuite cuantice parametrizate
- Optimizare hibridă
- Codificarea datelor
- Hărți de caracteristici cuantice
- Metode kernel
- Teoria învățării cuantice
- Rețele neuronale cuantice
Acum, care este lucrul special la a doua ediție? În plus, prin ce diferă de prima ediție? Depășește metodele de învățare supravegheată și discută viitorul metodelor și algoritmilor de învățare cu mașină cuantică.
Practic Quantum ML cu Python
Scrisă de Dr. Frank Zickert, această carte Hands-On Quantum Machine Learning With Python își propune să vă facă un expert în învățarea cuantică a mașinilor.
În interior vei găsi:
- O scufundare profundă în elementele fundamentale ale învățării cuantice, inclusiv, dar fără a se limita la qubiți, porți cuantice și circuite cuantice
- Cum să aplicați mașinile vectoriale cuantice de suport (QSVM), k-means cuantice și mașinile cuantice Boltzmann la problemele de optimizare combinatorie
- În plus, mai multe soluții din viața reală la probleme comune, cum ar fi Problema vânzătorului călător (TSP) și problema Optimizării binare neconstrânse quadratice (QUBO)
- Cum să valorificați fluctuațiile cuantice și să rezolvați problemele prin recoacere cuantică
- De asemenea, algoritmi precum algoritmul de optimizare aproximativă cuantică (QAOA) și soluția proprie cuantică variațională (VQE)
- Cadre de calcul cuantic, aplicații din lumea reală și exemple practice
Quantum ML cu Python
Doriți să stăpâniți bazele de învățare automată cuantică? Cartea lui Santanu Pattanayak despre Quantum Machine With Python este perfectă pentru ingineri și entuziaști QML.
În interior, vei învăța:
- Fundamentele calculului cuantic ML, cum ar fi notațiile Dirac, Qubits și starea Bell
- Algoritmi bazați pe cuanți precum transformarea Fourier cuantică, estimarea fazei și HHL (Harrow-Hassidim-Lloyd)
- Cum să utilizați QML pentru a rezolva probleme în finanțe, prognoză, genomica, logistica lanțului de aprovizionare etc.
- Pe lângă procesele adiabatice cuantice și optimizarea bazată pe Quantum
- Utilizați setul de instrumente Qiskit de la IBM și Cirq de la Google Research pentru a lucra la algoritmi de calcul Quantum
- Utilizați Python pentru a implementa mai mulți algoritmi bazați pe Quantum și pentru a revizui provocările majore ale aplicațiilor din viața reală
Dacă nu doriți să vă opriți doar la resursele QML, continuați-vă călătoria de învățare explorând aceste platforme de calcul Quantum:
IBM Quantum
Obțineți acces gratuit în cloud la cele mai avansate computere cuantice online cu Quantum de la IBM.
Perfect pentru educatori, dezvoltatori și cursanți, IBM vă permite să vă rulați circuitele cuantice doar prin înscrierea și obținerea unui token API.
Așadar, veți găsi acces la simulatoare și QPU-uri de 7 și 5 qubiți unde aveți șansa de a învăța, dezvolta și rula programe. În plus, iată ce vă permite să faceți platforma cuantică IBM:
- Învață programarea cuantică folosind ghiduri pas cu pas
- De asemenea, utilizați IBM Quantum Composer pentru a ajuta la construirea și vizualizarea grafică a circuitelor cuantice pe hardware și simulatoare cuantice
- Cod, program și prototip cu Python în laboratorul IBM Quantum, un mediu Jupyter Notebook compatibil cu cloud
Mai este. Vă puteți înscrie la programul Quantum Researcher și la programul Educator. În plus, directorul IBM docs este, de asemenea, destul de puternic. De la documentația Quantum Composer pentru începători la Qiskit Runtime pentru dezvoltatori, cu siguranță veți găsi tot ce aveți nevoie aici.
În plus, dacă ești educator, poți folosi Ghidul de teren pentru a preda subiecte. Pe lângă testarea tutorialelor de laborator Quantum pentru a construi și a testa algoritmi în calitate de cercetători.
Cirq de la Google
Cirq de la Google este o bibliotecă de software Python pe care o puteți folosi pentru a construi și optimiza circuite cuantice și a le rula pe hardware și simulatoare cuantice. Fiind în întregime open-source, vă permite să obțineți rezultate de ultimă generație folosind abstracții realizate pentru calculatoarele cuantice de astăzi.
Cirq este perfect atât pentru începători, cât și pentru utilizatorii avansați și are oferte care se potrivesc fiecăruia. Ca începător, puteți învăța cum să construiți și să simulați circuite cuantice pentru a efectua transformări.
Ca utilizator avansat, Cirq vă permite să scrieți un algoritm de optimizare cuantică aproximativă pentru hardware-ul NISQ pentru a optimiza soluții care erau de neconceput în calculul clasic. Să aruncăm o privire la caracteristicile Cirq de la Google Quantum AI care vă pot împuternici:
- Explorați strategiile de inserare QML pentru a construi circuite cuantice dorite și pentru a le îmbunătăți
- Învățați să definiți dispozitivele și hardware-ul pentru a determina dacă circuitele QML sunt practice și nu vor avea restricții operaționale
- Simulați cu Cirq sau simulatorul cu funcție de undă qism și bateți joc de hardware cuantic și de mașină virtuală cuantică
- Efectuați experimente end-to-end pe procesele cuantice Google și parcurgeți codul simulatoarelor anterioare
Ceea ce face ca Cirq să fie de încredere sunt tutorialele detaliate pas cu pas și ghidurile pe care le prezintă. De la a învăța cum să studiezi Cirq la o listă bună de algoritmi cuantici de manuale până la a învăța dezavantajele mașinii virtuale cuantice (QVM), ajungi să cunoști totul esențial.
Cel mai important, puteți învăța și cum să implementați algoritmii de optimizare cuantică pe hardware real. Dar asta nu este tot!
Deoarece este o comunitate open-source, vă puteți alătura întâlnirilor săptămânale și puteți începe să contribui la cadrul open-source.
Amazon Braket
Conceput pentru a accelera cercetarea în calculul cuantic, Amazon Braket este un serviciu complet gestionat. Iată cele mai importante caracteristici:
- Utilizați un set consistent de instrumente de dezvoltare pentru a lucra pe computere cuantice
- Construiți algoritmi cuantici pe un cloud de încredere și testați-i în simulatoare de înaltă performanță
- Inovați cu îndrumări tehnice și de experți de la laboratoarele Amazon Quantum Solutions
- Algoritmi de cercetare și acces la dispozitive supraconductoare, ioni prinși, atom neutru și fotonici pentru a testa diferite hardware
- Creați software cuantic sau dezvoltați cadre open-source
Vă puteți înscrie la AWS Free Tier timp de 1 an sau puteți începe cercetarea academică în cadrul programului AWS Cloud Credit for Research.
Serviciul Azure Quantum Cloud
Un serviciu cloud care încorporează hardware, software cuantic și un portofoliu divers de instrumente: acesta este serviciul cloud Azure Quantum. Ce vă permite să faceți această platformă? Hai să aruncăm o privire:
- Obțineți o idee mai bună despre executarea aplicațiilor cuantice folosind instrumentul de estimare a resurselor cuantice Azure
- În plus, amestecați metodele clasice de calcul și calculul cuantic pentru a construi algoritmi hibrizi
- Accesați resurse educaționale precum Microsoft Learn, tutorialele Quantum Kata și cazuri de utilizare din industrie pentru a înțelege lumea QML
Deci, puteți începe cu acces gratuit la kitul de dezvoltare open-source care este compatibil cu Q#, Cirq și Qiskit.
rezumat
Deși am discutat despre cursuri QML avansate care vă vor ajuta să rămâneți la curent cu ceea ce se întâmplă în lumea cuantică, puteți începe cu cărțile pentru o introducere structurată în mod tradițional în calculul cuantic.
De asemenea, puteți explora cele 4 platforme (IBM, Google Cirq, Amazon Braket și Azure) pentru a avea o experiență de învățare practică a învățării automate cuantice, cu acces la hardware cuantic și cloud.
Cele mai multe dintre aceste platforme sunt open-source, iar dacă sunteți în căutarea unei comunități cu care să creșteți, ar fi perfecte!
De asemenea, puteți explora unele dintre cele mai bune cursuri de Data Science.