Jak se naše životy stále více orientují na data, omezení klasické výpočetní techniky vyžadují přechod na kvantové strojové učení. Díky schopnosti rychle faktorovat a zpracovávat obrovské množství datových sad může kvantové strojové učení urychlit efektivitu, rozhodování, vylepšené rozpoznávání vzorů, vylepšené zabezpečení a pokročilé modelování.
Bez ohledu na využití kvantového strojového učení je to nově vznikající obor, který rozkvete dříve, než si dokážeme myslet.
Proto, pokud jste nadšenec QML, měli byste se vydat na cestu učení a ovládnout jemnosti a nevýhody QML. I když jsou níže uvedené zdroje navrženy tak, aby vám s tím pomohly, začněme se základy.
Table of Contents
Co je kvantové strojové učení?
Kvantové strojové učení není nic jiného než integrace kvantových výpočetních metod a algoritmů do programů strojového učení. Podle Googlu bylo prokázáno, že kvantové strojové učení je schopno řešit složité problémy, které jsou náročné pro klasické/tradiční počítače.
Kvantové strojové učení může být užitečné pro různé oblasti, od řízení dodavatelského řetězce přes kryptografii až po IT.
Způsoby, kterými se kvantové strojové učení liší
QML se od běžného strojového učení liší v mnoha ohledech; diskutujeme o těchto 5:
- Kvantové strojové učení používá ke zlepšení operačních systémů qubity místo bitů
- Využitím konceptů superpozice a kvantového zapletení mohou kvantové počítače provádět více komplexních problémů současně.
- Potenciál zrychlení QML je obrovský a kvantové počítače zvládnou i vysokorozměrná data
- V budoucnu může kvantové strojové učení přinést vylepšené bezpečnostní protokoly, urychlit vývoj nových léků a rozšířit návrhy systému doporučení.
Nyní, když víte, že QML je rychle se rozvíjející obor, zůstaňte o krok napřed díky těmto kurzům, knihám a doporučením platforem:
Kvantové strojové učení: edX
Tento kurz Quantum Machine Learning, který spolunabízí University of Toronto, je dobrým výchozím bodem pro algoritmy kvantového strojového učení a pro to, jak je člověk musí implementovat v Pythonu.
Tento pokročilý kurz, který vyžaduje pouze 6–9 hodin týdně, probíhá převážně samostatně. Tento kurz lze absolvovat dvěma způsoby. Ověřená trasa, která je zpoplatněna, a auditovaná trasa, to je zdarma. To, co je odlišuje, je neomezený přístup k výukovým zdrojům. Kromě sdíleného certifikátu o absolvování s hodnocenými hodnoceními a zkouškami dostupnými v placené verzi.
Petter Wittek, asst. Profesor na University of Toronto vyučuje tento kurz. Pomáhá osvětlit současné a blízké kvantové technologie. A jak se od nich očekává, že předčí klasické počítače.
Určitě se naučíte variační obvody, klasicko-kvantové hybridní algoritmy učení, jednoduché stavy pro pravděpodobnostní modely a neobvyklé funkce jádra.
Kromě toho se můžete také naučit, jak implementovat následující algoritmy:
- Kvantová Fourierova transformace
- Kvantový odhad fáze
- Kvantová fázová matice
- Gaussovy procesy
QC101 Quantum Computing
Tento kurz QC101 Quantum Computing, který nabízí Udemy, přibližuje kvantovou fyziku prostřednictvím studia polarizovaného světla.
Ve skutečnosti to vyžaduje matematický úvod do kvantového počítání, zatímco se naučíte kvantovou kryptografii, abyste mohli bezpečně komunikovat. Navíc můžete zažít kvantovou zkušenost IBM. Kromě toho vycvičte vektorový stroj s kvantovou podporou, aby mohl předpovídat na základě reálných dat.
Kromě toho se prostřednictvím 12 hodin videa, 10 článků a 5 zdrojů ke stažení naučíte:
- Jak vyvíjet a simulovat kvantové programy na IBM Qiskit a Microsoft Q# při jejich ladění
- Jak analyzovat kvantové obvody pomocí Diracovy notace a modelů kvantové fyziky
- Podobně může kvantové počítání pomoci v AI, strojovém učení a revoluci v oblasti datové vědy
Tento kurz Udemy o kvantovém učení také doporučují podniky po celém světě svým zaměstnancům. Se 17 sekcemi a 284 přednáškami je tento kurz rozložen na více než 12 hodin.
K naučení tohoto kurzu budete potřebovat znalosti matematiky a přírodních věd 12. třídy se zvláštním zaměřením na booleovskou logiku, komplexní čísla, lineární algebru, pravděpodobnost a statistiku.
Kvantové strojové učení: OpenHPI
Chcete se naučit, jak sestavit základní i pokročilé modely kvantového strojového učení? Tento kurz kvantového strojového učení od OpenHPI je zdarma. Učí to Dr. Christa Zoufal, Julien Gacon a Dr. David Sutter.
V tomto kurzu se to naučíte
- Jak vytvořit základní a pokročilé modely učení
- Jak používat Python a Qiskit k implementaci algoritmů pro řešení úloh ML
- Výzvy a budoucí vyhlídky Quantum ML
Tento kurz, který je ideální pro studenty informatiky, nadšence kvantového učení a experty na strojové učení, bude trvat dva týdny, po nichž bude následovat závěrečná zkouška, kterou musíte složit.
Pohled do plánu přednášek 1. týdne nám říká, že se toho bude hodně dít s ohledem na podporu vektorových strojů a variačních kvantových klasifikátorů. Ve 2. týdnu uvidíme více Quantum Generative Adversarial Networks a Quantum Boltzmann strojů s praktickými implementačními technikami.
Globální letní škola společnosti Qiskit
Dále máme další bezplatný zdroj kvantového strojového učení, který je zdarma a s otevřeným zdrojovým kódem. Série přednášek Qiskit je ve skutečnosti dostupná na YouTube.
To, co bylo dvoutýdenní intenzivní letní školou, je nyní vzdělávací seriál na YouTube, který má více než 25 epizod, z nichž každá trvá hodinu nebo dvě. Tento kurz je rozdělen do 20 přednášek a 5 laboratorních aplikací.
V tomto kurzu se to naučíte
- Jak zkoumat kvantové aplikace
- Úvod do kvantových obvodů, kvantových výpočetních algoritmů a operací
- Jak postavit kvantové klasifikátory, viz kvantová jádra v praxi
- Pokročilé algoritmy QML, kvantový hardware a jak se vyhnout neplodným plošinám a problémům s trénovatelností
Pokud jste hledali bezplatné a spolehlivé zdroje, abyste mohli začít na své cestě QML, ale dosud jste tak neučinili, považujte to za své znamení!
Strojové Učení S Kvantovými Počítači
Tato kniha Machine Learning With Quantum Computers (2021), kterou napsali Maria Schuld a Francesco Petruccione, je dobrým výchozím bodem pro ponoření se do pokročilého kvantového strojového učení.
Tato kniha odhaluje teoretické a praktické techniky, od krátkodobých až 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? Navíc, 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
Tato kniha Hands-On Quantum Machine Learning With Python, kterou napsal Dr. Frank Zickert, má za cíl udělat z vás odborníka na kvantové strojové učení.
Uvnitř najdete:
- Hluboký ponor do základů kvantového učení, včetně mimo jiné 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
- Kromě toho existuje několik skutečných řešení běžných problémů, jako je problém cestujícího obchodníka (TSP) a problém kvadratické neomezené binární optimalizace (QUBO).
- Jak využít kvantové fluktuace a řešit problémy pomocí kvantového žíhání
- Také 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 zvládnout základy kvantového strojového učení? Kniha Santanu Pattanayaka o Quantum Machine With Python je ideální pro inženýry a nadšence QML.
Uvnitř se dozvíte:
- Základy výpočtu kvantového ML, jako jsou Diracovy notace, Qubity a stav Bell
- Kvantové algoritmy, jako je kvantová Fourierova transformace, fázový odhad a HHL (Harrow-Hassidim-Lloyd)
- Jak používat QML k řešení problémů ve financích, prognózování, genomice, logistice dodavatelského řetězce atd
- Kromě kvantových adiabatických procesů a optimalizace založené na kvantech
- Použijte sadu nástrojů Qiskit od IBM a Cirq od Google Research k práci na kvantových výpočetních algoritmech
- Použijte Python k implementaci některých dalších algoritmů založených na kvantech a prozkoumejte hlavní výzvy aplikací v reálném životě
Pokud se nechcete zastavit pouze u zdrojů QML, pokračujte ve své cestě učení prozkoumáním těchto kvantových počítačových platforem:
IBM Quantum
Získejte bezplatný cloudový přístup k nejpokročilejším kvantovým počítačům online s IBM Quantum.
IBM, ideální pro pedagogy, vývojáře a studenty, vám umožní provozovat vaše kvantové obvody pouhým přihlášením a získáním tokenu API.
Najdete zde tedy přístup k simulátorům a 7-qubitovým a 5-qubitovým QPU, kde máte šanci učit se, vyvíjet a spouštět programy. Kromě toho vám kvantová platforma IBM umožňuje:
- Naučte se kvantové programování pomocí průvodce krok za krokem
- Použijte také IBM Quantum Composer, který vám pomůže vytvořit a graficky vizualizovat kvantové obvody na kvantovém hardwaru a simulátorech.
- Kód, program a prototyp s Pythonem v IBM Quantum lab, cloudovém prostředí Jupyter Notebook
Je toho víc. Můžete se přihlásit do programu Quantum Researcher a programu Educator. Adresář dokumentů IBM je navíc poměrně výkonný. Od dokumentace k Quantum Composer pro začátečníky až po Qiskit Runtime pro vývojáře, zde určitě najdete vše, co potřebujete.
Navíc, pokud jste pedagog, můžete k výuce témat využít Field Guide. Kromě vyzkoušení výukových programů Quantum lab k vytváření a testování algoritmů jako výzkumníci.
Cirq společnosti Google
Google Cirq je softwarová knihovna Pythonu, kterou můžete použít k sestavení a optimalizaci kvantových obvodů a jejich spouštění na kvantovém hardwaru a simulátorech. Protože je zcela open source, umožňuje vám dosahovat nejmodernějších výsledků pomocí abstrakcí vytvořených pro dnešní kvantové počítače.
Cirq je ideální pro začátečníky i pokročilé uživatele a má nabídku, která vyhovuje každému. 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. Pojďme se podívat na funkce Cirq společnosti Google Quantum AI, které vám mohou pomoci:
- Prozkoumejte strategie vkládání QML, abyste vytvořili požadované kvantové obvody a vylepšili je
- Naučte se definovat zařízení a hardware, abyste zjistili, zda jsou obvody QML praktické a nebudou mít provozní omezení
- Simulujte pomocí Cirq nebo simulátoru vlnových funkcí qism a zesměšňujte kvantový hardware a Quantum Virtual Machine
- Provádějte úplné experimenty s kvantovými procesy Google a projděte si kód předchozích simulátorů
Co dělá Cirq spolehlivým, jsou podrobné návody a průvodce, které obsahuje. Od toho, jak se naučit pracovat s Cirq, přes dobrý seznam učebnicových kvantových algoritmů až po naučení se jemností a nevýhod Quantum Virtual Machine (QVM), se dozvíte vše, co je nejdůležitější.
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:
- Používejte konzistentní sadu vývojových nástrojů pro práci na kvantových počítačích
- Vytvářejte kvantové algoritmy na důvěryhodném cloudu a testujte je ve vysoce výkonných simulátorech
- Inovujte pomocí technologií a odborných pokynů z laboratoří Amazon Quantum Solutions
- Výzkumné algoritmy a přístup k supravodivým, zachyceným iontům, neutrálním atomům a fotonickým zařízením pro testování různého hardwaru
- Vytvářejte kvantový software nebo vyvíjejte rámce 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:
- Získejte lepší představu o spouštění kvantových aplikací pomocí nástroje Azure quantum resource estimator
- Kromě toho kombinujte klasické výpočetní a kvantové výpočetní metody a vytvořte hybridní algoritmy
- Získejte přístup ke vzdělávacím zdrojům, jako je Microsoft Learn, výukové programy Quantum Kata a průmyslové příklady použití, abyste pochopili svět QML
Můžete tedy začít s bezplatným přístupem k vývojové sadě s otevřeným zdrojovým kódem, která je kompatibilní s Q#, Cirq a Qiskit.
souhrn
Zatímco jsme probírali pokročilé kurzy QML, které vám pomohou udržet si přehled o tom, co se děje v kvantovém světě, můžete začít s knihami pro tradičně strukturovaný úvod do kvantového počítání.
Můžete také prozkoumat 4 platformy (IBM, Google Cirq, Amazon Braket a Azure), abyste získali praktickou zkušenost s kvantovým strojovým učením s přístupem ke kvantovému hardwaru a cloudu.
Většina z těchto platforem je open source, a pokud hledáte komunitu, se kterou byste mohli růst, byly by perfektní!
Můžete také prozkoumat některé nejlepší kurzy Data Science.