Ahogy életünk egyre inkább adatorientálttá válik, a klasszikus számítástechnika korlátai megkövetelik a kvantumgépi tanulásra való átállást. Hatalmas mennyiségű adatkészlet gyors faktorálásának és feldolgozásának képességével a kvantumgépi tanulás felgyorsíthatja a hatékonyságot, a döntéshozatalt, a továbbfejlesztett mintafelismerést, a nagyobb biztonságot és a fejlett modellezést.
Nem számít a kvantumgépi tanulás felhasználási módjai, ez egy feltörekvő terület, amely hamarabb virágzik, mint gondolnánk.
Ezért, ha Ön QML-rajongó, induljon el egy tanulási útra, és sajátítsa el a QML csínját-bínját. Bár az alábbi források célja, hogy segítsenek ebben, kezdjük az alapokkal.
Tartalomjegyzék
Mi az a kvantumgépi tanulás?
A kvantumgépi tanulás nem más, mint a kvantumszámítási módszerek és algoritmusok integrálása a gépi tanulási programokba. A Google szerint bebizonyosodott, hogy a kvantumgépi tanulás képes megoldani olyan összetett problémákat, amelyek kihívást jelentenek a klasszikus/hagyományos számítógépek számára.
A Quantum Machine Learning különféle területeken hasznos lehet, az ellátási lánc kezelésétől a kriptográfián át az IT-ig.
Hogyan különbözik a kvantumgépi tanulás
A QML sok tekintetben különbözik a normál gépi tanulástól; erről az 5-ről beszélünk:
- A kvantumgépi tanulás qubiteket használ bitek helyett az operációs rendszerek javítására
- A szuperponálás és a kvantumösszefonódás fogalmának kihasználásával a kvantumszámítógépek több összetett problémát is képesek végrehajtani egyidejűleg
- A QML gyorsítási potenciálja hatalmas, és a kvantumszámítógépek nagy dimenziós adatokat is képesek kezelni
- A jövőben a kvantumgépi tanulás továbbfejlesztett biztonsági protokollokat hozhat létre, felgyorsíthatja az új gyógyszerek fejlesztését és felerősítheti az ajánlási rendszer javaslatait.
Most, hogy tudja, hogy a QML egy gyorsan növekvő terület, maradjon a görbe előtt ezekkel a tanfolyamokkal, könyvekkel és platformjavaslatokkal:
Kvantumgépi tanulás: edX
A Torontói Egyetem által közösen kínált Quantum Machine Learning kurzus jó kiindulópont a kvantumgépi tanulási algoritmusokhoz és ahhoz, hogy hogyan kell implementálni őket Pythonban.
A heti 6–9 órát igénylő haladó tanfolyam nagyrészt saját tempójú. A tanfolyam elvégzésének két módja van. Ellenőrzött pálya, amely térítés ellenében van, és egy audit pálya, ez ingyenes. Ami megkülönbözteti a kettőt, az a tanulási erőforrásokhoz való korlátlan hozzáférés. A fizetett verzióban elérhető, osztályozott értékelésekkel és vizsgákkal ellátott, megosztható teljesítési bizonyítványon kívül.
Petter Wittek, Asst. A Torontói Egyetem professzora tanítja ezt a kurzust. Segít rávilágítani a jelenlegi és a közeljövő kvantumtechnológiáira. És hogy várhatóan miként fogják felülmúlni a klasszikus számítógépeket.
Biztosan megtanulja a variációs áramköröket, a klasszikus-kvantum hibrid tanulási algoritmusokat, a valószínűségi modellek egyszerű állapotait és a szokatlan kernelfüggvényeket.
Ezenkívül megtanulhatja, hogyan kell végrehajtani a következő algoritmusokat:
- Kvantum Fourier transzformáció
- Kvantumfázis becslés
- Kvantumfázis mátrix
- Gauss-folyamatok
QC101 kvantumszámítás
Az Udemy által kínált QC101 Quantum Computing kurzus a polarizált fény tanulmányozásán keresztül közelíti meg a kvantumfizikát.
Valójában egy matematikai alapú bevezetésre van szükség a kvantumszámítástechnikában, miközben megtanulja a kvantumkriptográfiát a biztonságos kommunikációhoz. Ezenkívül megtapasztalhatja az IBM kvantumélményét. Ezenkívül képezzen be egy kvantumtámogató vektorgépet, hogy valós adatokon alapuló előrejelzéseket készítsen.
Ezenkívül a 12 órányi videón, 10 cikken és 5 letölthető forráson keresztül megtudhatja:
- Hogyan lehet kvantumprogramokat fejleszteni és szimulálni az IBM Qiskit és a Microsoft Q# rendszeren hibakeresés közben
- Kvantumáramkörök elemzése Dirac jelölésével és kvantumfizikai modellekkel
- Hasonlóképpen, hogyan segíthet a kvantumszámítás az AI-ban, a gépi tanulásban és forradalmasítja az adattudomány területét
Ezt a kvantumtanulásról szóló Udemy-tanfolyamot a vállalkozások világszerte is ajánlják alkalmazottaiknak. A 17 szekcióból és 284 előadásból álló kurzus 12 órán át tart.
A kurzus elsajátításához 12. évfolyamos matematikai és természettudományi ismeretekre lesz szüksége, különös tekintettel a logikai logikára, a komplex számokra, a lineáris algebrára, a valószínűségszámításra és a statisztikákra.
Kvantumgépi tanulás: OpenHPI
Szeretné megtanulni, hogyan készítsen alapvető és haladó kvantumgépi tanulási modelleket? Ez az OpenHPI kvantumgépi tanulási tanfolyama ingyenes. Dr. Christa Zoufal, Julien Gacon és Dr. David Sutter tanítja.
Ezen a tanfolyamon megtanulod
- Hogyan építsünk alap- és haladó tanulási modelleket
- A Python és a Qiskit használata az ML feladatok megoldására szolgáló algoritmusok megvalósítására
- A Quantum ML kihívásai és jövőbeli kilátásai
Tökéletes számítástechnika-hallgatók, Quantum Learning-rajongók és gépi tanulási szakértők számára, ez a kurzus két hétig tart, majd egy záróvizsga következik, amelyet le kell tennie.
Az 1. hét előadástervének áttekintése azt mutatja, hogy sok minden fog történni a támogató vektorgépekkel és variációs kvantumosztályozókkal kapcsolatban. A 2. héten még több Quantum Generative Adversarial Networks és Quantum Boltzmann gép lesz látható gyakorlati megvalósítási technikákkal.
Qiskit globális nyári iskolája
Ezután egy másik ingyenes kvantumgépi tanulási erőforrásunk van, amely ingyenes és nyílt forráskódú. Valójában Qiskit előadássorozata elérhető a YouTube-on.
Ami egy kéthetes intenzív nyári iskola volt, az most egy YouTube tanulási sorozat, amely 25 epizódból áll, mindegyik egy-két órát ölel fel. Ez a kurzus 20 előadásból és 5 laboratóriumi alkalmazásból áll.
Ezen a tanfolyamon megtanulod
- Hogyan lehet felfedezni a kvantum alkalmazásokat
- Bevezetés a kvantumáramkörökbe, kvantumszámítási algoritmusokba és műveletekbe
- Hogyan készítsünk kvantumosztályozókat, lásd a kvantummagokat a gyakorlatban
- Fejlett QML-algoritmusok, kvantumhardver és hogyan lehet elkerülni a kopár fennsíkokat és a betaníthatósági problémákat
Ha ingyenes és megbízható forrásokat keresett QML-útjának megkezdéséhez, de eddig nem, tekintse ezt a jelének!
Gépi tanulás kvantumszámítógépekkel
A Maria Schuld és Francesco Petruccione által írt könyv a Gépi tanulás kvantumszámítógépekkel (2021) jó kiindulópont a fejlett kvantumgépi tanulásba való belemerüléshez.
Ez a könyv elméleti és gyakorlati technikákat fejt ki a rövid távútól a hibatűrő kvantumtanulási algoritmusokig:
- Paraméterezett kvantumáramkörök
- Hibrid optimalizálás
- Adatkódolás
- Kvantum jellemző térképek
- Kernel módszerek
- Kvantum tanulás elmélet
- Kvantum neurális hálózatok
Nos, mi a különleges a második kiadásban? Ezenkívül miben különbözik az első kiadástól? Túlmutat a felügyelt tanulási módszereken, és a kvantumgépi tanulási módszerek és algoritmusok jövőjét tárgyalja.
Praktikus Quantum ML Pythonnal
A Dr. Frank Zickert által írt könyv, a Hands-On Quantum Machine Learning with Python célja, hogy Önt a kvantumgépi tanulás szakértőjévé tegye.
Belül a következőket találod:
- Mély merülés a kvantumtanulás alapjaiban, beleértve, de nem kizárólagosan a qubiteket, a kvantumkapukat és a kvantumáramköröket
- A Quantum Support Vector Machines (QSVM), a Quantum k-means és a Quantum Boltzmann gépek alkalmazása kombinatorikus optimalizálási problémákra
- Emellett számos valós megoldás a gyakori problémákra, mint például a Traveling Salesman Problem (TSP) és a Quadratic Unconstrained Binary Optimization (QUBO) probléma
- Hogyan lehet kihasználni a kvantumfluktuációkat és megoldani a problémákat kvantumlágyítással
- Továbbá olyan algoritmusok, mint a Quantum Approximate Optimization Algorithm (QAOA) és a Variational Quantum Eigensolver (VQE)
- Kvantumszámítási keretrendszerek, valós alkalmazások és gyakorlati példák
Quantum ML Pythonnal
Szeretné elsajátítani a Quantum Machine Learning alapjait? Santanu Pattanayak Quantum Machine with Python című könyve tökéletes mérnökök és QML-rajongók számára.
Belül a következőket fogod megtanulni:
- A Quantum ML számítástechnika alapjai, például a Dirac-jelölések, a Qubits és a Bell állapot
- Kvantumalapú algoritmusok, mint például a Quantum Fourier transzformáció, a fázisbecslés és a HHL (Harrow-Hassidim-Lloyd)
- Hogyan használhatjuk a QML-t pénzügyi, előrejelzési, genomika, ellátási lánc logisztikai stb
- A kvantumadiabatikus folyamatok és a kvantumalapú optimalizálás mellett
- Használja az IBM Qiskit eszközkészletét és a Google Research Cirq-jét a kvantumszámítási algoritmusok kidolgozásához
- A Python használatával további kvantumalapú algoritmusokat implementálhat, és áttekintheti a valós alkalmazások fő kihívásait
Ha nem szeretne csak a QML-forrásoknál megállni, folytassa tanulási útját az alábbi Quantum számítástechnikai platformok felfedezésével:
IBM Quantum
Ingyenes felhőalapú hozzáférést kaphat a legfejlettebb kvantumszámítógépekhez online az IBM Quantum segítségével.
Az oktatók, fejlesztők és tanulók számára tökéletes IBM lehetővé teszi kvantumáramkörök futtatását mindössze regisztrációval és API token beszerzésével.
Így hozzáférést kap a szimulátorokhoz és a 7 qubites és 5 qubites QPU-khoz, ahol lehetőséget kap a tanulásra, a programok fejlesztésére és futtatására. Ezenkívül az IBM kvantumplatformja a következőket teszi lehetővé:
- Ismerje meg a kvantumprogramozást lépésről-lépésre útmutatók segítségével
- Ezenkívül használja az IBM Quantum Composer szoftvert a kvantumáramkörök felépítéséhez és grafikus megjelenítéséhez kvantumhardveren és szimulátorokon.
- Kód, program és prototípus Pythonnal az IBM Quantum laborban, egy felhő-kompatibilis Jupyter Notebook környezetben
Van még. A Kvantumkutató programra és a Pedagógus programra lehet jelentkezni. Ráadásul az IBM docs könyvtára is elég erős. A kezdőknek szóló Quantum Composer dokumentációtól a fejlesztőknek szánt Qiskit Runtime-ig minden bizonnyal itt mindent megtalál, amire szüksége van.
Ezen túlmenően, ha Ön oktató, a Field Guide segítségével témákat taníthat. Amellett, hogy kipróbálja a Quantum labor oktatóanyagokat az algoritmusok felépítéséhez és teszteléséhez kutatóként.
A Google Cirq
A Google Cirq egy Python szoftverkönyvtár, amellyel kvantumáramkörök építhetők és optimalizálhatók, és kvantumhardveren és szimulátorokon futtathatók. Mivel teljesen nyílt forráskódú, lehetővé teszi a legmodernebb eredmények elérését a mai kvantumszámítógépekhez készült absztrakciók segítségével.
A Cirq kezdőknek és haladóknak egyaránt tökéletes, és mindegyikhez megfelelő kínálattal rendelkezik. Kezdőként megtanulhatja, hogyan építsen és szimuláljon kvantumáramköröket transzformációk végrehajtásához.
Haladó felhasználóként a Cirq lehetővé teszi, hogy kvantumközelítő optimalizálási algoritmust írjon a NISQ hardverekhez, hogy optimalizálja azokat a megoldásokat, amelyek a klasszikus számítástechnikában elképzelhetetlenek voltak. Vessünk egy pillantást a Google Quantum AI Cirq funkcióira, amelyek felhatalmazhatják Önt:
- Fedezze fel a QML beillesztési stratégiákat a kívánt kvantumáramkörök felépítéséhez és azok javításához
- Ismerje meg az eszközök és hardverek meghatározását annak meghatározásához, hogy a QML-áramkörök praktikusak-e, és nem rendelkeznek-e működési korlátozásokkal
- Szimulálj a Cirq vagy hullámfüggvény-szimulátor qism segítségével, és hamisítsd meg a kvantumhardvert és a Quantum Virtual Machinet
- Végezzen teljes körű kísérleteket a Google kvantumfolyamataival, és menjen át a korábbi szimulátorok kódjain
Ami a Cirq-et megbízhatóvá teszi, az a lépésről lépésre részletes oktatóanyagok és útmutatók. A Cirq használatának elsajátításától a tankönyvi kvantumalgoritmusok jó listáján át a Quantum Virtual Machine (QVM) csínját-bínját elsajátításáig mindent megtudhat, ami a legfontosabb.
A legfontosabb, hogy megtanulhatja, hogyan valósítson meg kvantumoptimalizálási algoritmusokat valódi hardveren. De ez még nem minden!
Mivel ez egy nyílt forráskódú közösség, csatlakozhat a heti találkozókhoz, és elkezdhet hozzájárulni a nyílt forráskódú keretrendszerhez.
Amazon Braket
A kvantumszámítástechnikai kutatás felgyorsítására tervezett Amazon Braket egy teljesen felügyelt szolgáltatás. Íme a legfontosabb jellemzők:
- Használjon konzisztens fejlesztőeszközöket a kvantumszámítógépeken végzett munkához
- Építsen kvantumalgoritmusokat egy megbízható felhőn, és tesztelje őket nagy teljesítményű szimulátorokban
- Innováljon technológiai és szakértői útmutatást az Amazon Quantum Solutions laborjaitól
- Kutatási algoritmusok és hozzáférésük szupravezető, csapdába esett ionokhoz, semleges atomokhoz és fotonikus eszközökhöz a különböző hardverek teszteléséhez
- Építsen kvantumszoftvert vagy fejlesztsen nyílt forráskódú keretrendszereket
Feliratkozhat az AWS Free Tier szolgáltatásra 1 évre, vagy megkezdheti az akadémiai kutatást az AWS Cloud Credit for Research Program keretében.
Azure Quantum Cloud Service
Kvantumhardvert, szoftvert és sokféle eszközportfóliót magában foglaló felhőszolgáltatás: ez az Azure Quantum felhőszolgáltatás. Mit tesz ez a platform? Lássuk:
- Szerezzen jobb ötletet a kvantumalkalmazások végrehajtásáról az Azure kvantumerőforrás-becslő eszközével
- Ezenkívül a klasszikus számítástechnikai és kvantumszámítási módszerek keverése hibrid algoritmusok létrehozásához
- Hozzáférés az olyan oktatási forrásokhoz, mint a Microsoft Learn, a Quantum Kata oktatóanyagai és az iparági használati esetek a QML világának megértéséhez
Így ingyenesen hozzáférhet a nyílt forráskódú fejlesztőkészlethez, amely kompatibilis a Q#-val, Cirq-vel és Qiskit-tel.
Összegzés
Miközben megvitattuk azokat a haladó QML-tanfolyamokat, amelyek segítenek naprakészen maradni a kvantumvilágban zajló eseményekkel, elkezdheti olvasni a könyveket, amelyek hagyományosan felépített bevezetést nyújtanak a kvantumszámítástechnikába.
Felfedezheti a 4 platformot (IBM, Google Cirq, Amazon Braket és Azure), hogy gyakorlati tapasztalatot szerezzen a kvantumgépi tanulásról, hozzáféréssel a kvantumhardverhez és a felhőhöz.
A legtöbb ilyen platform nyílt forráskódú, és ha olyan közösséget keresel, amellyel növekedhetsz, tökéletesek lennének!
Felfedezhet néhány legjobb adattudományi kurzust is.