EITC/AI/TFQML TensorFlow Quantum Machine Learning היא תוכנית הסמכת ה- IT האירופית העושה שימוש בספריית הקוונטים של Google TensorFlow ליישום למידת מכונה בארכיטקטורת השקמה של מעבד הקוונטים של Google.
תוכנית הלימודים של למידת המכונה הקוונטית EITC/AI/TFQML TensorFlow מתמקדת בידע תיאורטי ובמיומנויות מעשיות בשימוש בספריית הקוונטים של TensorFlow לצורך למידת מכונה מבוססת מודל חישובית קוונטית בארכיטקטורת השקמה של מעבד הקוונטים של גוגל המסודרת במבנה הבא, הכוללת וידאו מקיף. תוכן דידקטי כהפניה להסמכת EITC זו.
TensorFlow Quantum (TFQ) היא ספריית למידת מכונות קוונטיות עבור אב טיפוס מהיר של דגמי ML קוונטיים קלאסיים היברידיים. מחקר באלגוריתמים ויישומים קוונטיים יכול למנף את מסגרות המחשוב הקוונטי של גוגל, הכל מתוך TensorFlow.
TensorFlow Quantum מתמקד בנתונים קוונטיים ובבניית מודלים קוונטיים קלאסיים היברידיים. הוא משלב אלגוריתמים ולוגיקה של מחשוב קוונטי שתוכננו ב- Cirq (מסגרת תכנות קוונטית המבוססת על מודל מעגלים קוונטיים), ומספקים פרימיטיבים למחשוב קוונטי התואמים ל- API של TensorFlow קיימים, יחד עם סימולטורי מעגלים קוונטיים בעלי ביצועים גבוהים. קרא עוד במאמר הלבן הקוונטי של TensorFlow.
מחשוב קוונטי הוא השימוש בתופעות קוונטיות כגון סופרפוזיציה והסתבכות לביצוע חישוב. מחשבים שמבצעים חישובים קוונטיים מכונים מחשבים קוונטיים. מחשבים קוונטיים הם האמינו שמסוגלים לפתור בעיות חישוביות מסוימות, כגון פקטוריזציה שלמה (העומדת בבסיס הצפנת RSA), מהירה משמעותית ממחשבים קלאסיים. חקר המחשוב הקוונטי הוא תחום משנה של מדע המידע הקוונטי.
מחשוב קוונטי החל בתחילת שנות השמונים, כאשר הפיזיקאי פול בניוף הציע מודל מכני קוונטי של מכונת טיורינג. מאוחר יותר הציעו ריצ'רד פיינמן ויורי מנין כי למחשב קוונטי יש פוטנציאל לדמות דברים שמחשב קלאסי אינו יכול. בשנת 1980 פיתח פיטר שור אלגוריתם קוונטי לפקטור מספרים שלמים שיש בהם כדי לפענח תקשורת מוצפנת RSA. למרות התקדמות ניסיונית מתמשכת מאז סוף שנות התשעים, רוב החוקרים מאמינים כי "מחשוב קוונטי סובלני לתקלות הוא עדיין חלום רחוק למדי." בשנים האחרונות ההשקעה במחקר מחשוב קוונטי גדלה הן במגזר הציבורי והן במגזר הפרטי. ב- 1994 באוקטובר 1990, Google AI, בשותפות עם מינהל האווירונאוטיקה והחלל האמריקני (NASA), טען כי ביצע חישוב קוונטי שאינו אפשרי בכל מחשב קלאסי (מה שמכונה תוצאה של עליונות קוונטית).
ישנם מספר מודלים של מחשבים קוונטיים (או ליתר דיוק, מערכות מחשוב קוונטי), כולל מודל המעגל הקוונטי, מכונת טיורינג קוונטית, מחשב קוונטי אדיאבטי, מחשב קוונטי חד כיווני ואוטומטיות קוונטיות שונות. המודל הנפוץ ביותר הוא המעגל הקוונטי. מעגלים קוונטיים מבוססים על הסיבית הקוונטית, או "qubit", שהיא מקבילה במקצת לסיבית בחישוב הקלאסי. קוביטים יכולים להיות במצב קוונטי 1 או 0, או שהם יכולים להיות בסופרפוזיציה של מצבי 1 ו- 0. עם זאת, כשמדדים קווביטים התוצאה של המדידה היא תמיד או 0 או 1; ההסתברויות לשתי התוצאות הללו תלויות במצב הקוונטי שהקוויביטים היו מיד לפני המדידה.
התקדמות לקראת בניית מחשב קוונטי פיזי מתמקדת בטכנולוגיות כמו טרנסמונים, מלכודות יונים ומחשבים קוונטיים טופולוגיים, שמטרתם ליצור קוביות איכותיות. קווביטים אלה עשויים להיות מתוכננים אחרת, בהתאם למודל המחשוב של המחשב הקוונטי המלא, בין אם שערי לוגיקה קוונטית, חישול קוונטי או חישוב קוונטי אדיאבטי. ישנם כיום מספר מכשולים משמעותיים בדרך לבניית מחשבים קוונטיים שימושיים. בפרט, קשה לשמור על מצבי הקוואנטים של הקוביטים, מכיוון שהם סובלים מדקוהרנטיות קוונטית ואמינות המדינה. לכן מחשבים קוונטיים דורשים תיקון שגיאות. כל בעיה חישובית שניתן לפתור על ידי מחשב קלאסי יכולה להיפתר גם על ידי מחשב קוונטי. לעומת זאת, כל בעיה שניתן לפתור על ידי מחשב קוונטי יכולה להיפתר גם על ידי מחשב קלאסי, לפחות באופן עקרוני ניתן לו מספיק זמן. במילים אחרות, מחשבים קוונטיים מצייתים לתזה של כנסיית טיורינג. אמנם פירוש הדבר שמחשבים קוונטיים אינם מספקים יתרונות נוספים על פני מחשבים קלאסיים מבחינת יכולת חישוב, אך לאלגוריתמים קוונטיים לבעיות מסוימות מורכבות זמן נמוכה משמעותית בהשוואה לאלגוריתמים קלאסיים ידועים. יש לציין כי מחשבים קוונטיים מאמינים כי הם מסוגלים לפתור במהירות בעיות מסוימות שאף מחשב קלאסי לא יוכל לפתור בכל זמן אפשרי - הישג המכונה "עליונות קוונטית". חקר המורכבות החישובית של בעיות ביחס למחשבים קוונטיים מכונה תורת המורכבות הקוונטית.
Google Sycamore הוא מעבד קוונטי שנוצר על ידי חטיבת הבינה המלאכותית של גוגל בע"מ. הוא כולל 53 קוביטים.
בשנת 2019 השלימה השקמה משימה תוך 200 שניות שלטענת גוגל, בעיתון Nature, ייקח למחשב-על משוכלל 10,000 שנה לסיום. לפיכך, גוגל טענה כי השיגה עליונות קוונטית. כדי להעריך את הזמן שייקח על ידי מחשב-על קלאסי, גוגל העבירה חלקים מסימולציית המעגלים הקוונטיים בפסגה, המחשב הקלאסי החזק ביותר בעולם. מאוחר יותר, יבמ טענה טענה נגדית וטענה כי המשימה תארך רק 2.5 יום במערכת קלאסית כמו סאמיט. אם תביעותיה של גוגל יתקבלו, הדבר מייצג זינוק אקספוננציאלי בכוח המחשוב.
באוגוסט 2020 מהנדסי קוונטים שעבדו עבור גוגל דיווחו על הדמיה כימית הגדולה ביותר במחשב קוונטי - קירוב של Hartree-Fock עם שקמה, יחד עם מחשב קלאסי שניתח תוצאות כדי לספק פרמטרים חדשים למערכת של 12 הקוביטים.
בדצמבר 2020, מעבד ה- Jiuzhang מבוסס הפוטונים הסיני, שפותח על ידי USTC, השיג כוח עיבוד של 76 קילו-ביט והיה מהיר פי עשרה מיליארד מהשקמה, מה שהפך אותו למחשב השני שהשיג עליונות קוונטית.
המעבדה לבינה מלאכותית קוונטית (המכונה גם מעבדה קוונטית AI או QuAIL) היא יוזמה משותפת של נאס"א, האגודה לחקר החלל של האוניברסיטאות וגוגל (באופן ספציפי, Google Research) שמטרתה היא לחלוץ במחקר על האופן שבו מחשוב קוונטי עשוי לעזור בלימוד מכונה. ובעיות קשות אחרות במדעי המחשב. המעבדה מתארחת במרכז המחקר של איימס של נאס"א.
מעבדת AI קוונטית הוכרזה על ידי Google Research בפוסט בבלוג ב- 16 במאי 2013. בזמן ההשקה, המעבדה השתמשה במחשב הקוונטים המתקדם ביותר, D-Wave Two מבית D-Wave Systems.
ב- 20 במאי 2013 הוכרז כי אנשים יוכלו להגיש בקשה לניצול זמן ב- D-Wave Two במעבדה. ב- 10 באוקטובר 2013 פרסמה גוגל סרט קצר המתאר את מצבה הנוכחי של מעבדת AI קוונטית. ב- 18 באוקטובר 2013 גוגל הודיעה כי שילבה את הפיזיקה הקוונטית ב- Minecraft.
בינואר 2014 דיווחה גוגל על תוצאות המשוות את ביצועי ה- D-Wave Two במעבדה לזו של מחשבים קלאסיים. התוצאות היו מעורפלות ועוררו דיון סוער באינטרנט. ב- 2 בספטמבר 2014 הוכרז כי מעבדת AI קוונטית, בשותפות עם UC סנטה ברברה, תשיק יוזמה ליצירת מעבדי מידע קוונטי המבוססים על אלקטרוניקה מוליכת-על.
ב- 23 באוקטובר 2019, מעבדת AI Quantum הודיעה בעיתון כי השיגה עליונות קוונטית.
Google AI Quantum מקדם את המחשוב הקוונטי על ידי פיתוח מעבדים קוונטיים ואלגוריתמים קוונטיים חדשים שיעזרו לחוקרים ומפתחים לפתור בעיות לטווח הקרוב הן תיאורטיות והן מעשיות.
מחשוב קוונטי נחשב כמסייע בפיתוח החידושים של המחר, כולל AI. לכן גוגל מקדישה משאבים משמעותיים לבניית חומרה ותוכנה קוונטיות ייעודיות.
מחשוב קוונטי הוא פרדיגמה חדשה שתמלא תפקיד גדול בהאצת המשימות עבור AI. גוגל שואפת להציע לחוקרים ומפתחים גישה למסגרות קוד פתוח וכוח מחשוב שיכולים לפעול מעבר ליכולות הקלאסיות של חישוב.
אזורי המיקוד העיקריים של Google AI Quantum הם
- מעבדי qubit מוליכים-על: qubits מוליכים-על עם ארכיטקטורה מדרגית מבוססת שבב המכוונת לשגיאת שער של שתי-קווביט <0.5%.
- מטרולוגיה של קוביט: הפחתת הפסד של שתי קוביות מתחת ל -0.2% היא קריטית לתיקון שגיאות. אנו עובדים על ניסוי עליונות קוונטי, כדי לדגום בערך מעגל קוונטי מעבר ליכולות המחשבים והאלגוריתמים הקלאסיים החדישים ביותר.
- סימולציה קוונטית: סימולציה של מערכות פיזיקליות היא בין היישומים הצפויים ביותר של מחשוב קוונטי. אנו מתמקדים במיוחד באלגוריתמים קוונטיים למידול מערכות של אלקטרונים אינטראקציה עם יישומים בכימיה ובמדעי החומרים.
- אופטימיזציה בסיוע קוונטי: אנו מפתחים פתרונות קוונטיים קלאסיים היברידיים לאופטימיזציה משוערת. ניתן לשפר קפיצות תרמיות באלגוריתמים קלאסיים להתגברות על מחסומי אנרגיה על ידי הפעלת עדכונים קוונטיים. אנו מעוניינים במיוחד בהעברת אוכלוסייה קוהרנטית.
- רשתות עצביות קוונטיות: אנו מפתחים מסגרת ליישום רשת עצבית קוונטית על מעבדים לטווח קרוב. אנו מעוניינים להבין אילו יתרונות עשויים לנבוע מייצירת מצבי סופרפוזיציה מאסיביים במהלך הפעלת הרשת.
הכלים העיקריים שפותחו על ידי Google AI Quantum הם מסגרות קוד פתוח שתוכננו במיוחד לפיתוח אלגוריתמים קוונטיים חדשים שיסייעו בפתרון יישומים לטווח קרוב לבעיות מעשיות. אלו כוללים:
- Cirq: מסגרת קוונטית קוד פתוח לבניית וניסויים באלגוריתמים קוונטיים בקנה מידה בינני (NISQ) רועש על מעבדים קוונטיים לטווח קרוב
- OpenFermion: פלטפורמת קוד פתוח לתרגום בעיות בכימיה ומדעי החומרים למעגלים קוונטיים שניתן לבצע בפלטפורמות קיימות
יישומי Google AI Quantum לטווח קצר כוללים:
סימולציה קוונטית
תכנון חומרים חדשים והבהרת פיזיקה מורכבת באמצעות סימולציות מדויקות של כימיה ומודלים של חומרים מרוכזים הם בין היישומים המבטיחים ביותר של מחשוב קוונטי.
טכניקות להפחתת שגיאות
אנו עובדים על פיתוח שיטות בדרך לתיקון שגיאות קוונטיות מלא, היכולות להפחית באופן דרמטי את הרעש במכשירים הנוכחיים. בעוד שחישוב קוונטי בקנה מידה מלא בקנה מידה עשוי לדרוש פיתוחים ניכרים, פיתחנו את טכניקת הרחבת התת שטח הקוונטית כדי לסייע בשימוש בטכניקות מתיקון שגיאות קוונטיות כדי לשפר את ביצועי היישומים במכשירים לטווח קרוב. יתר על כן, טכניקות אלה מקלות על בדיקת קודים קוונטיים מורכבים במכשירים לטווח קצר. אנו דוחפים פעיל טכניקות אלה לתחומים חדשים ומנצלים אותם כבסיס לתכנון ניסויים לטווח הקרוב.
למידת מכונה קוונטית
אנו מפתחים טכניקות למידת מכונות קוונטיות קלאסיות היברידיות במכשירים קוונטיים לטווח קרוב. אנו לומדים למידה במעגלים קוונטיים אוניברסליים לסיווג והתקבצות נתונים קוונטיים ונתונים קלאסיים. אנו מעוניינים גם ברשתות עצביות קוונטיות גנראטיביות ומפלות, שיכולות לשמש כמשחזר קוונטי ויחידות טיהור מדינה בתוך רשתות תקשורת קוונטיות, או לאימות מעגלים קוונטיים אחרים.
אופטימיזציה קוונטית
אופטימיזציות דיסקרטיות בתעשיות חלל, רכב ותעשיות אחרות עשויות להפיק תועלת מאופטימיזציה קוונטית קלאסית היברידית, למשל חישול מדומה, אלגוריתם אופטימיזציה בעזרת קוונטיות (QAOA) והעברת אוכלוסייה משופרת קוונטית עשויים להועיל למעבדים של ימינו.
כדי להכיר את עצמכם באופן מפורט עם תכנית הלימודים להסמכה תוכלו להרחיב ולנתח את הטבלה שלהלן.
תכנית הלימודים של EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification מתייחסת לחומרים דידקטיים בגישה פתוחה בצורת וידאו. תהליך הלמידה מחולק למבנה שלב אחר שלב (תוכניות -> שיעורים -> נושאים) המכסה חלקים רלוונטיים בתכנית הלימודים. ניתן גם ייעוץ ללא הגבלה עם מומחי תחום.
לפרטים על הליך ההסמכה בדוק איך זה עובד?.
משאבי עזר לתכניות הלימודים
TensorFlow Quantum (TFQ) היא ספריית למידת מכונות קוונטיות עבור אב טיפוס מהיר של דגמי ML קוונטיים קלאסיים היברידיים. מחקר באלגוריתמים ויישומים קוונטיים יכול למנף את מסגרות המחשוב הקוונטי של גוגל, הכל מתוך TensorFlow. TensorFlow Quantum מתמקד בנתונים קוונטיים ובבניית מודלים קוונטיים קלאסיים היברידיים. הוא משלב אלגוריתמים ולוגיקה של מחשוב קוונטי שתוכנן ב- Cirq, ומספק פרימיטיבים למחשוב קוונטי התואמים ל- API של TensorFlow קיימים, יחד עם סימולטורי מעגלים קוונטיים בעלי ביצועים גבוהים. קרא עוד במאמר הלבן הקוונטי של TensorFlow. כהפניה נוספת תוכלו לבדוק את הסקירה הכללית ולהפעיל את מדריכי המחברת.
https://www.tensorflow.org/quantum
סירק
Cirq היא מסגרת קוד פתוח למחשבים רועשים בינוניים (NISQ). הוא פותח על ידי צוות הקוואנטים AI של גוגל, והאלפא הציבורי הוכרז בסדנה הבינלאומית לתוכנות קוונטיות ולמידת מכונות קוונטיות ב- 18 ביולי 2018. הדגמה של QC Ware הראתה יישום של QAOA הפותר דוגמה לקיצוץ המקסימלי הבעיה נפתרת בסימולטור Cirq. תוכניות קוונטיות ב- Cirq מיוצגות על ידי "מעגל" ו"תזמון "כאשר" מעגל "מייצג מעגל קוונטי ו"תזמון" מייצג מעגל קוונטי עם מידע תזמון. ניתן לבצע את התוכניות בסימולטורים מקומיים. הדוגמה הבאה מראה כיצד ליצור ולמדוד מצב בל ב- Cirq.
לייבא סירק
# בחר קווביטים
qubit0 = סירק.GridQubit(0, 0)
qubit1 = סירק.GridQubit(0, 1)
# צור מעגל
מעגל = סירק.מעגל.מאת_אופס(
סירק.H(qubit0),
סירק.CNOT(qubit0, qubit1),
סירק.למדוד(qubit0, מפתח='m0'),
סירק.למדוד(qubit1, מפתח='m1')
)
הדפסת המעגל מציגה את התרשים שלה
הדפסה(מעגל)
# הדפסים
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ──────── X───M ('m1') ───
סימולציה של המעגל מראה שוב ושוב כי המידות של הקוביטים מתואמות.
מדמה = סירק.מדמה()
תוצאה = מדמה.לָרוּץ(מעגל, חזרות=5)
הדפסה(תוצאה)
# הדפסים
# m0 = 11010
# m1 = 11010
הורד את חומרי ההכנה המלאים ללמידה עצמית לא מקוונת לתוכנית EITC/AI/TFQML TensorFlow Quantum Machine Learning בקובץ PDF