S tím, jak se naše životy stále více zaměřují na data, limity konvenční výpočetní techniky nás nutí přejít ke kvantovému strojovému učení. Díky své schopnosti provádět rychlou faktorizaci a zpracovávat obrovská množství datových souborů může kvantové strojové učení urychlit efektivitu, zlepšit rozhodování, zdokonalit rozpoznávání vzorů, posílit zabezpečení a umožnit pokročilé modelování.
Bez ohledu na konkrétní využití je kvantové strojové učení nově vznikající disciplína, která se rozvine rychleji, než si myslíme.
Pokud jste tedy nadšencem do QML, měli byste se vydat na cestu učení a důkladně si osvojit jeho výhody i úskalí. Následující zdroje by vám v tom měly pomoci. Začněme však od základů.
Co je to kvantové strojové učení?
Kvantové strojové učení je v podstatě integrací metod a algoritmů kvantového výpočtu do programů strojového učení. Společnost Google prokázala, že kvantové strojové učení je schopné řešit komplexní problémy, které jsou pro klasické počítače příliš obtížné.
Kvantové strojové učení může být užitečné v mnoha oblastech, od řízení dodavatelského řetězce, přes kryptografii, až po informační technologie.
V čem se kvantové strojové učení liší?
QML se od tradičního strojového učení liší v mnoha aspektech. Zde je 5 hlavních rozdílů:
- Kvantové strojové učení používá pro vylepšení operačních systémů qubity místo bitů.
- Využitím principů superpozice a kvantového provázání mohou kvantové počítače řešit více komplexních úloh současně.
- Potenciál pro zrychlení výpočtů u QML je obrovský a kvantové počítače si poradí i s daty o vysoké dimenzi.
- V budoucnu může kvantové strojové učení přinést pokročilejší bezpečnostní protokoly, urychlit vývoj nových léčiv a zlepšit systémy doporučování.
Teď, když víte, že QML je rychle se rozvíjející oblast, udržte si náskok díky těmto kurzům, knihám a doporučeným platformám:
Kvantové strojové učení: edX
Tento kurz Kvantového strojového učení, který spolupořádá University of Toronto, je skvělým startovním bodem pro pochopení algoritmů kvantového strojového učení a jejich implementace v Pythonu.
Tento pokročilý kurz, který vyžaduje pouze 6–9 hodin studia týdně, probíhá převážně samostudiem. Kurz je možné absolvovat dvěma způsoby. Placenou, ověřenou cestou, a bezplatnou, auditovanou cestou. Hlavní rozdíl spočívá v neomezeném přístupu ke studijním materiálům a certifikátu o absolvování s hodnocenými testy, který je dostupný pouze v placené verzi.
Kurz vede Petter Wittek, odborný asistent na University of Toronto. V kurzu osvětluje současné i budoucí kvantové technologie a jejich potenciál překonat klasické počítače.
Naučíte se variační obvody, hybridní algoritmy klasického a kvantového učení, jednoduché stavy pro pravděpodobnostní modely a neobvyklé funkce jádra.
Kromě toho se také naučíte implementovat následující algoritmy:
- Kvantová Fourierova transformace
- Kvantový odhad fáze
- Kvantová fázová matice
- Gaussovské procesy
QC101 Quantum Computing
Tento kurz QC101 Quantum Computing, který nabízí Udemy, přibližuje kvantovou fyziku skrze studium polarizovaného světla.
Kurz nabízí matematický úvod do kvantového počítání, a zároveň se naučíte kvantovou kryptografii pro zabezpečenou komunikaci. Získáte také zkušenost s kvantovou platformou IBM. A navíc si vyzkoušíte trénink vektorového stroje s kvantovou podporou pro předpovídání na základě reálných dat.
Prostřednictvím 12 hodin videa, 10 článků a 5 zdrojů ke stažení se naučíte:
- Jak vyvíjet a simulovat kvantové programy na IBM Qiskit a Microsoft Q# a jak je ladit
- Jak analyzovat kvantové obvody pomocí Diracovy notace a modelů kvantové fyziky
- Jak může kvantové počítání pomoci v AI, strojovém učení a jak revolucionizuje oblast datové vědy
Tento kurz Udemy o kvantovém učení doporučují i společnosti po celém světě svým zaměstnancům. Kurz je rozdělen do 17 sekcí a 284 přednášek a zabere více než 12 hodin.
Pro absolvování tohoto kurzu potřebujete znalosti matematiky a přírodních věd ze střední školy, se zaměřením na booleovskou logiku, komplexní čísla, lineární algebru, pravděpodobnost a statistiku.
Kvantové strojové učení: OpenHPI
Chcete se naučit, jak sestavovat základní i pokročilé modely kvantového strojového učení? Tento kurz kvantového strojového učení od OpenHPI je zdarma. Učí ho Dr. Christa Zoufal, Julien Gacon a Dr. David Sutter.
V tomto kurzu se naučíte:
- Jak vytvářet základní a pokročilé modely učení
- Jak používat Python a Qiskit k implementaci algoritmů pro řešení úloh ML
- Jaké jsou výzvy a budoucí vyhlídky kvantového ML
Tento kurz, ideální pro studenty informatiky, nadšence do kvantového učení a experty na strojové učení, trvá dva týdny a je zakončen závěrečnou zkouškou, kterou musíte složit.
Pohled do programu přednášek 1. týdne naznačuje, že se bude probírat podpora vektorových strojů a variační kvantové klasifikátory. Ve 2. týdnu se zaměříme na kvantové generativní adversariální sítě a kvantové Boltzmannovy stroje s praktickými technikami implementace.
Globální letní škola společnosti Qiskit
Dalším bezplatným zdrojem kvantového strojového učení je série přednášek Qiskit, které jsou dostupné na YouTube.
Co býval dvoutýdenní intenzivní letní školou, je nyní vzdělávací série na YouTube, která má více než 25 epizod, každá trvající hodinu nebo dvě. Kurz je rozdělen do 20 přednášek a 5 laboratorních aplikací.
V tomto kurzu se naučíte:
- Jak zkoumat kvantové aplikace
- Úvod do kvantových obvodů, algoritmů a operací kvantového počítání
- Jak sestavovat kvantové klasifikátory, konkrétně kvantová jádra v praxi
- Pokročilé algoritmy QML, kvantový hardware a jak se vyhnout neplodným planinám a problémům s trénovatelností
Pokud hledáte bezplatné a spolehlivé zdroje, abyste mohli začít s QML, ale dosud jste tak neučinili, považujte to za znamení!
Strojové Učení S Kvantovými Počítači
Kniha Machine Learning With Quantum Computers (2021), kterou napsali Maria Schuld a Francesco Petruccione, je dobrým startovním bodem pro hlubší proniknutí do pokročilého kvantového strojového učení.
Kniha odhaluje teoretické i praktické techniky, od krátkodobých po chybově odolné algoritmy kvantového učení:
- Parametrizované kvantové obvody
- Hybridní optimalizace
- Kódování dat
- Kvantové mapy rysů
- Metody jádra
- Teorie kvantového učení
- Kvantové neuronové sítě
Co je na druhém vydání zvláštního? A jak se liší od prvního vydání? Jde nad rámec metod učení pod dohledem a pojednává o budoucnosti metod a algoritmů kvantového strojového učení.
Praktické kvantové ML s Pythonem
Cílem knihy Hands-On Quantum Machine Learning With Python, kterou napsal Dr. Frank Zickert, je udělat z vás odborníka na kvantové strojové učení.
V knize najdete:
- Hluboký ponor do základů kvantového učení, včetně qubitů, kvantových bran a kvantových obvodů
- Jak aplikovat Quantum Support Vector Machines (QSVM), Quantum k-means a Quantum Boltzmann Machines na problémy s kombinatorickou optimalizací
- Několik reálných řešení běžných problémů, jako je problém obchodního cestujícího (TSP) a problém kvadratické neomezené binární optimalizace (QUBO).
- Jak využít kvantové fluktuace a řešit problémy pomocí kvantového žíhání
- Algoritmy jako Quantum Approximate Optimization Algorithm (QAOA) a Variational Quantum Eigensolver (VQE)
- Kvantové výpočetní rámce, reálné aplikace a praktické příklady
Kvantové ML s Pythonem
Chcete si osvojit základy kvantového strojového učení? Kniha Santanu Pattanayaka o kvantovém strojovém učení s Pythonem je ideální pro inženýry a nadšence do QML.
V knize se dozvíte:
- Základy kvantového ML, jako jsou Diracovy notace, qubity a Bellův stav
- Kvantové algoritmy, jako je kvantová Fourierova transformace, odhad fáze a HHL (Harrow-Hassidim-Lloyd)
- Jak používat QML k řešení problémů ve financích, prognózování, genomice, logistice dodavatelského řetězce atd.
- Kvantové adiabatické procesy a optimalizaci založenou na kvantech
- Použití sady nástrojů Qiskit od IBM a Cirq od Google Research pro práci na algoritmech kvantového počítání
- Implementaci některých dalších kvantových algoritmů v Pythonu a prozkoumání hlavních výzev aplikací v reálném životě
Pokud se nechcete zastavit u zdrojů QML, pokračujte ve své cestě učení a prozkoumejte tyto platformy kvantového počítání:
IBM Quantum
Získejte bezplatný cloudový přístup k nejpokročilejším kvantovým počítačům online s IBM Quantum. IBM, ideální pro pedagogy, vývojáře i studenty, vám umožní spouštět kvantové obvody pouhým přihlášením a získáním tokenu API.
Získáte přístup k simulátorům a 7-qubitovým a 5-qubitovým QPU, kde se můžete učit, vyvíjet a spouštět programy. Kvantová platforma IBM vám navíc umožňuje:
- Učit se kvantové programování pomocí průvodce krok za krokem
- Použít IBM Quantum Composer, který vám pomůže vytvářet a graficky vizualizovat kvantové obvody na kvantovém hardwaru i simulátorech.
- Kódovat, programovat a vytvářet prototypy s Pythonem v IBM Quantum lab, cloudovém prostředí Jupyter Notebook
A to není vše. Můžete se přihlásit do programu Quantum Researcher a programu Educator. Katalog dokumentace IBM je také velmi rozsáhlý. Najdete zde vše, co potřebujete, od dokumentace k Quantum Composer pro začátečníky až po Qiskit Runtime pro vývojáře.
Pokud jste pedagog, můžete k výuce témat využít Field Guide. A také si můžete vyzkoušet výukové programy Quantum lab pro vytváření a testování algoritmů jako výzkumníci.
Cirq společnosti Google
Google Cirq je softwarová knihovna v Pythonu, kterou můžete použít k sestavování a optimalizaci kvantových obvodů a jejich spouštění na kvantovém hardwaru i simulátorech. Jelikož je zcela open source, umožňuje vám dosahovat nejmodernějších výsledků pomocí abstrakcí vytvořených pro dnešní kvantové počítače.
Cirq je ideální pro začátečníky i pokročilé uživatele. Jako začátečník se můžete naučit, jak sestavit a simulovat kvantové obvody pro provádění transformací.
Jako pokročilý uživatel vám Cirq umožňuje napsat kvantový přibližný optimalizační algoritmus pro hardware NISQ pro optimalizaci řešení, která byla v klasickém výpočetním prostředí nemyslitelná. Podívejme se na funkce Cirq společnosti Google Quantum AI, které vám mohou pomoci:
- Prozkoumat strategie vkládání QML pro vytváření požadovaných kvantových obvodů a jejich vylepšení
- Naučit se definovat zařízení a hardware, abyste zjistili, zda jsou obvody QML praktické a nebudou mít provozní omezení
- Simulovat pomocí Cirq nebo simulátoru vlnových funkcí qism a napodobovat kvantový hardware a Quantum Virtual Machine
- Provádět úplné experimenty s kvantovými procesy Google a projít si kód předchozích simulátorů
Spolehlivost Cirq je dána podrobnými návody a průvodci, které obsahuje. Naučíte se vše od toho, jak pracovat s Cirq, přes dobrý seznam učebnicových kvantových algoritmů až po pochopení jemností a úskalí Quantum Virtual Machine (QVM).
A co je nejdůležitější, můžete se také naučit implementovat algoritmy kvantové optimalizace na skutečném hardwaru. Ale to není vše!
Jelikož se jedná o komunitu s otevřeným zdrojovým kódem, můžete se připojit k týdenním schůzkám a začít přispívat do rámce open source.
Amazon Braket
Amazon Braket, navržený pro urychlení výzkumu kvantových počítačů, je plně spravovaná služba. Zde jsou nejdůležitější vlastnosti:
- Používání jednotné sady vývojových nástrojů pro práci na kvantových počítačích
- Vytváření kvantových algoritmů v důvěryhodném cloudu a jejich testování ve vysoce výkonných simulátorech
- Inovace s pomocí technologií a odborných pokynů z laboratoří Amazon Quantum Solutions
- Výzkum algoritmů a přístup k supravodivým, zachyceným iontům, neutrálním atomům a fotonickým zařízením pro testování různého hardwaru
- Vytváření kvantového softwaru nebo vývoj rámců s otevřeným zdrojovým kódem
Můžete se zaregistrovat do bezplatné úrovně AWS na 1 rok nebo začít s akademickým výzkumem v rámci programu AWS Cloud Credit for Research.
Azure Quantum Cloud Service
Cloudová služba zahrnující kvantový hardware, software a rozmanité portfolio nástrojů: to je cloudová služba Azure Quantum. Co vám tato platforma umožňuje? Podívejme se na to:
- Získání lepší představy o spouštění kvantových aplikací pomocí nástroje Azure quantum resource estimator
- Kombinování klasických a kvantových výpočetních metod pro vytváření hybridních algoritmů
- Získání přístupu ke vzdělávacím zdrojům, jako je Microsoft Learn, výukové programy Quantum Kata a průmyslové příklady použití, abyste pochopili svět QML
Můžete začít s bezplatným přístupem k vývojové sadě s otevřeným zdrojovým kódem, která je kompatibilní s Q#, Cirq a Qiskit.
Shrnutí
Probrali jsme pokročilé kurzy QML, které vám pomohou udržet si přehled o dění v kvantovém světě. Můžete však začít s knihami, které vám poskytnou tradiční a strukturovaný úvod do kvantového počítání.
Můžete také prozkoumat 4 platformy (IBM, Google Cirq, Amazon Braket a Azure), abyste získali praktické zkušenosti s kvantovým strojovým učením s přístupem ke kvantovému hardwaru a cloudu.
Většina těchto platforem je open source, a pokud hledáte komunitu, se kterou byste mohli růst, jsou ideální!
Můžete také prozkoumat některé nejlepší kurzy Data Science.