Jak nauczyć się kwantowego uczenia maszynowego: +11 zasobów

W dzisiejszych czasach, gdy nasze życie w coraz większym stopniu opiera się na danych, tradycyjne metody informatyczne napotykają swoje granice. W rezultacie, rośnie potrzeba przejścia na kwantowe uczenie maszynowe. Ta nowa dziedzina, wykorzystując możliwości szybkiego przetwarzania olbrzymich zbiorów danych, ma potencjał do znacznego usprawnienia efektywności, procesu decyzyjnego, rozpoznawania wzorców, bezpieczeństwa oraz modelowania.

Niezależnie od konkretnych zastosowań, kwantowe uczenie maszynowe to dynamicznie rozwijająca się dziedzina, która z pewnością nabierze tempa szybciej, niż moglibyśmy przypuszczać.

Dlatego, jeśli fascynuje Cię QML, warto rozpocząć edukacyjną podróż i zgłębić jego tajniki. Poniższe zasoby mają Ci w tym pomóc, ale zacznijmy od podstaw.

Czym jest kwantowe uczenie maszynowe?

Kwantowe uczenie maszynowe to połączenie metod obliczeń kwantowych i algorytmów w ramach programów uczenia maszynowego. Według firmy Google, dowiedziono, że QML jest w stanie rozwiązywać złożone problemy, stanowiące wyzwanie dla konwencjonalnych komputerów.

Kwantowe uczenie maszynowe znajduje zastosowanie w różnorodnych sektorach, od zarządzania łańcuchem dostaw, poprzez kryptografię, aż po IT.

W czym kwantowe uczenie maszynowe różni się od klasycznego?

QML różni się od tradycyjnego uczenia maszynowego na wiele sposobów. Oto pięć kluczowych różnic:

• Kwantowe uczenie maszynowe operuje na kubitach, a nie bitach, co znacząco zwiększa możliwości systemów operacyjnych.
• Dzięki wykorzystaniu zjawisk superpozycji i splątania kwantowego, komputery kwantowe mogą jednocześnie analizować wiele skomplikowanych zagadnień.
• QML charakteryzuje się ogromnym potencjałem przyspieszenia obliczeń, a komputery kwantowe są w stanie efektywnie przetwarzać dane wielowymiarowe.
• W przyszłości QML może przyczynić się do powstania ulepszonych protokołów bezpieczeństwa, przyspieszenia procesu opracowywania nowych leków oraz doskonalenia systemów rekomendacji.

Teraz, gdy już wiesz, że QML to szybko rozwijająca się dziedzina, warto na bieżąco śledzić najnowsze kursy, książki i platformy.

Kwantowe uczenie maszynowe: edX

Kurs „Quantum Machine Learning” oferowany przez Uniwersytet w Toronto na platformie edX to doskonały punkt startowy dla osób pragnących zgłębić algorytmy kwantowego uczenia maszynowego i ich implementację w języku Python.

Ten zaawansowany kurs, wymagający około 6-9 godzin nauki tygodniowo, jest w dużej mierze realizowany w tempie dostosowanym do indywidualnych potrzeb uczącego się. Dostępne są dwie ścieżki uczestnictwa: płatna ścieżka weryfikowana, która zapewnia nieograniczony dostęp do materiałów edukacyjnych oraz certyfikat ukończenia z ocenami i egzaminami, oraz ścieżka audytu, która jest darmowa.

Kurs prowadzony jest przez profesora Piotra Witteka, który jest ekspertem w dziedzinie technologii kwantowych. Kurs omawia obecne i przyszłe technologie kwantowe oraz ich potencjał przewyższenia klasycznych komputerów.

W ramach kursu zdobędziesz wiedzę z zakresu obwodów wariacyjnych, hybrydowych algorytmów uczenia maszynowego, prostych stanów dla modeli probabilistycznych i niezwykłych funkcji jądra.

Ponadto, nauczysz się implementować algorytmy takie jak:

• Kwantowa transformata Fouriera
• Estymacja fazy kwantowej
• Macierz fazy kwantowej
• Procesy Gaussa

QC101 Obliczenia kwantowe

Kurs QC101 Quantum Computing, dostępny na platformie Udemy, wprowadza w świat fizyki kwantowej poprzez analizę światła spolaryzowanego.

Kurs zawiera solidne wprowadzenie matematyczne do komputerów kwantowych, niezbędne do bezpiecznej komunikacji, w tym również kryptografię kwantową. Uczestnicy mają możliwość skorzystania z doświadczenia kwantowego IBM oraz trenowania maszyn obsługujących wektory kwantowe, aby dokonywać prognoz w oparciu o realne dane.

Kurs obejmuje 12 godzin materiałów wideo, 10 artykułów oraz 5 zasobów do pobrania. Uczestnicy dowiedzą się:

• Jak opracowywać i symulować programy kwantowe na platformach IBM Qiskit i Microsoft Q# oraz jak je debugować.
• Jak analizować obwody kwantowe przy użyciu notacji Diraca i modeli fizyki kwantowej.
• Jak obliczenia kwantowe mogą wspierać sztuczną inteligencję, uczenie maszynowe i rewolucjonizować dziedzinę nauki o danych.

Kurs ten jest polecany przez firmy na całym świecie swoim pracownikom. Składa się z 17 sekcji i 284 wykładów, a jego całkowity czas trwania to 12 godzin.

Do uczestnictwa w kursie wymagana jest wiedza z zakresu matematyki i nauk ścisłych na poziomie szkoły średniej, ze szczególnym naciskiem na logikę Boole’a, liczby zespolone, algebrę liniową, prawdopodobieństwo i statystykę.

Kwantowe uczenie maszynowe: OpenHPI

Jeśli chcesz nauczyć się, jak tworzyć zarówno podstawowe, jak i zaawansowane kwantowe modele uczenia maszynowego, kurs oferowany przez OpenHPI jest dla Ciebie. Jest on darmowy i prowadzony przez dr Christę Zoufal, Juliena Gacona i dr Davida Suttera.

Podczas kursu uczestnicy dowiedzą się:

• Jak budować podstawowe i zaawansowane modele uczenia maszynowego.
• Jak używać języka Python i biblioteki Qiskit do implementacji algorytmów rozwiązujących zadania z zakresu ML.
• Jakie są wyzwania i perspektywy rozwoju QML w przyszłości.

Kurs jest przeznaczony dla studentów informatyki, entuzjastów kwantowego uczenia maszynowego i ekspertów od uczenia maszynowego. Trwa dwa tygodnie i kończy się egzaminem.

Plan wykładów na pierwszy tydzień obejmuje tematykę maszyn wektorów nośnych i wariacyjnych klasyfikatorów kwantowych. W drugim tygodniu omówione zostaną kwantowe generatywne sieci przeciwstawne i maszyny kwantowe Boltzmanna, wraz z praktycznymi aspektami ich implementacji.

Globalna Szkoła Letnia Qiskit

Kolejnym darmowym i ogólnodostępnym zasobem jest seria wykładów Qiskit, dostępna na platformie YouTube.

Dwutygodniowa intensywna szkoła letnia przekształciła się w serię edukacyjnych filmów na YouTube, składającą się z 25 odcinków, trwających od jednej do dwóch godzin. Kurs jest podzielony na 20 wykładów i 5 sesji laboratoryjnych.

Podczas kursu uczestnicy dowiedzą się:

• Jak analizować aplikacje kwantowe.
• Jakie są podstawowe koncepcje obwodów kwantowych, algorytmów i operacji obliczeń kwantowych.
• Jak budować klasyfikatory kwantowe i jak działają jądra kwantowe w praktyce.
• Jakie są zaawansowane algorytmy QML, jak działa sprzęt kwantowy oraz jakie są sposoby unikania problemów związanych z jałowymi płaskowyżami i możliwością trenowania modeli.

Jeśli poszukiwałeś darmowych i wiarygodnych źródeł, aby rozpocząć swoją przygodę z QML, ale do tej pory nie miałeś okazji, to jest znak!

Uczenie maszynowe z komputerami kwantowymi

Książka „Machine Learning with Quantum Computers” (2021) autorstwa Marii Schuld i Francesco Petruccione to doskonałe wprowadzenie do zaawansowanego kwantowego uczenia maszynowego.

Książka prezentuje zarówno krótkoterminowe, jak i odporne na błędy algorytmy uczenia kwantowego, a także teoretyczne i praktyczne techniki związane z:

• Parametryzowanymi obwodami kwantowymi
• Optymalizacją hybrydową
• Kodowaniem danych
• Kwantowymi mapami cech
• Metodami jądra
• Teorią uczenia się kwantowego
• Kwantowymi sieciami neuronowymi

Czym wyróżnia się drugie wydanie tej publikacji? W porównaniu do pierwszego wydania, wykracza poza metody uczenia nadzorowanego i omawia przyszłość metod i algorytmów uczenia maszyn kwantowych.

Praktyczne Quantum ML z Pythonem

Książka „Hands-On Quantum Machine Learning with Python” autorstwa dr Franka Zickerta ma za zadanie uczynić z czytelnika eksperta w dziedzinie kwantowego uczenia maszynowego.

W książce znajdziesz:

• Dogłębne omówienie podstawowych zagadnień uczenia kwantowego, takich jak kubity, bramki kwantowe i obwody kwantowe.
• Sposoby zastosowania maszyn wektorów nośnych kwantowych (QSVM), k-średnich kwantowych i maszyn kwantowych Boltzmanna do rozwiązywania problemów optymalizacji kombinatorycznej.
• Przykłady rzeczywistych rozwiązań problemów, takich jak problem komiwojażera (TSP) i problem kwadratowej nieograniczonej optymalizacji binarnej (QUBO).
• Wykorzystanie fluktuacji kwantowych i wyżarzania kwantowego do rozwiązywania problemów.
• Algorytmy takie jak Quantum Approximate Optimization Algorithm (QAOA) i Variational Quantum Eigensolver (VQE).
• Informacje o strukturach obliczeń kwantowych, zastosowaniach w świecie rzeczywistym i praktyczne przykłady.

Quantum ML z Pythonem

Jeśli chcesz opanować podstawy Quantum Machine Learning, książka Santanu Pattanayaka „Quantum ML with Python” jest idealna zarówno dla inżynierów, jak i entuzjastów QML.

W książce dowiesz się:

• Podstaw o obliczeniach Quantum ML, takich jak notacje Diraca, kubity i stan Bella.
• O algorytmach opartych na kwantach, takich jak kwantowa transformata Fouriera, estymacja fazy i HHL (Harrow-Hassidim-Lloyd).
• Jak wykorzystywać QML do rozwiązywania problemów w finansach, prognozowaniu, genomice, logistyce łańcucha dostaw i innych dziedzinach.
• O kwantowych procesach adiabatycznych i optymalizacji opartej na kwantach.
• Jak używać zestawów narzędzi Qiskit firmy IBM i Cirq firmy Google Research do pracy nad algorytmami obliczeń kwantowych.
• Jak używać języka Python do implementacji algorytmów opartych na technologii kwantowej i analizować wyzwania związane z aplikacjami z rzeczywistego świata.

Jeśli chcesz poszerzyć swoją wiedzę o QML, warto zapoznać się z poniższymi platformami obliczeń kwantowych:

IBM Quantum

IBM Quantum oferuje bezpłatny dostęp do zaawansowanych komputerów kwantowych online. Platforma ta jest doskonała dla nauczycieli, programistów i studentów. Umożliwia uruchamianie obwodów kwantowych po zarejestrowaniu się i uzyskaniu tokena API.

Użytkownicy mają dostęp do symulatorów oraz 7-kubitowych i 5-kubitowych jednostek QPU, co daje możliwość nauki, rozwijania i uruchamiania programów. Platforma kwantowa IBM umożliwia również:

• Naukę programowania kwantowego krok po kroku.
• Wykorzystanie IBM Quantum Composer do tworzenia i graficznej wizualizacji obwodów kwantowych na sprzęcie kwantowym i symulatorach.
• Kodowanie, programowanie i tworzenie prototypów w języku Python w IBM Quantum lab, środowisku Jupyter Notebook opartym na chmurze.

Ponadto, można dołączyć do programu Quantum Researcher and Educator’s program. IBM oferuje również obszerny katalog dokumentacji, od materiałów dla początkujących, po zaawansowane dokumenty dla programistów.

Nauczyciele mogą skorzystać z „Przewodnika terenowego” do prowadzenia zajęć, a badacze z samouczków Quantum Lab do tworzenia i testowania algorytmów.

Cirq firmy Google

Cirq to biblioteka oprogramowania w języku Python, stworzona przez Google, umożliwiająca budowanie i optymalizowanie obwodów kwantowych oraz ich uruchamianie na sprzęcie kwantowym i symulatorach. Jest to oprogramowanie o otwartym kodzie źródłowym, które umożliwia osiąganie najnowocześniejszych wyników przy użyciu abstrakcji dostosowanych do obecnych komputerów kwantowych.

Cirq jest idealny zarówno dla początkujących, jak i zaawansowanych użytkowników. Początkujący mogą nauczyć się budować i symulować obwody kwantowe do wykonywania transformacji.

Zaawansowani użytkownicy mogą wykorzystać Cirq do implementacji algorytmów optymalizacji kwantowej dla sprzętu NISQ, aby zoptymalizować rozwiązania, które wcześniej były nieosiągalne przy użyciu klasycznych obliczeń. Cirq oferuje następujące funkcje:

• Poznanie strategii wstawiania QML do budowania i ulepszania obwodów kwantowych.
• Definiowanie urządzeń i sprzętu, aby ocenić, czy obwody QML są praktyczne i nie będą miały ograniczeń operacyjnych.
• Symulowanie obwodów za pomocą Cirq lub symulatora funkcji falowych qism oraz symulowanie sprzętu kwantowego i wirtualnej maszyny kwantowej.
• Przeprowadzanie eksperymentów na procesach kwantowych Google i przeglądanie kodu wcześniejszych symulatorów.

Cirq wyróżnia się rozbudowanymi samouczkami krok po kroku i przewodnikami po funkcjach. Użytkownicy mogą nauczyć się obsługi biblioteki, zapoznać się z listą algorytmów kwantowych oraz poznać tajniki Quantum Virtual Machine (QVM).

Co więcej, można dowiedzieć się, jak implementować algorytmy optymalizacji kwantowej na prawdziwym sprzęcie. Cirq to również społeczność open source, do której można dołączyć, uczestnicząc w cotygodniowych spotkaniach i współtworząc platformę.

Amazon Braket

Amazon Braket to w pełni zarządzana usługa, której celem jest przyspieszenie badań nad komputerami kwantowymi. Najważniejsze cechy to:

• Spójny zestaw narzędzi programistycznych do pracy na komputerach kwantowych.
• Tworzenie algorytmów kwantowych w chmurze i testowanie ich na wydajnych symulatorach.
• Innowacyjne rozwiązania dzięki wskazówkom ekspertów z laboratoriów Amazon Quantum Solutions.
• Dostęp do nadprzewodzących, uwięzionych jonów, neutralnych atomów i urządzeń fotonicznych do testowania różnorodnych technologii.
• Tworzenie oprogramowania kwantowego lub rozwój platform typu open source.

Można zarejestrować się w programie AWS Free Tier na 1 rok lub rozpocząć badania akademickie w ramach programu AWS Cloud Credit for Research.

Usługa Azure Quantum Cloud

Azure Quantum to usługa chmurowa, która obejmuje sprzęt kwantowy, oprogramowanie i zróżnicowane portfolio narzędzi. Platforma ta oferuje:

• Narzędzie do szacowania zasobów kwantowych, które pomaga w realizacji aplikacji kwantowych.
• Możliwość łączenia klasycznych metod obliczeniowych z metodami kwantowymi w celu tworzenia algorytmów hybrydowych.
• Dostęp do materiałów edukacyjnych, takich jak Microsoft Learn, samouczki Quantum Kata i przykłady zastosowań branżowych.

Można rozpocząć od bezpłatnego dostępu do zestawu programistycznego typu open source, który jest zgodny z Q#, Cirq i Qiskit.

Podsumowanie

W artykule omówiono zaawansowane kursy QML, które pomogą Ci być na bieżąco z najnowszymi wydarzeniami w świecie kwantowym. Możesz zacząć od książek, które zapewnią uporządkowane wprowadzenie do obliczeń kwantowych.

Warto również zapoznać się z 4 platformami (IBM, Google Cirq, Amazon Brakt i Azure), aby zdobyć praktyczne doświadczenie w zakresie kwantowego uczenia maszynowego, korzystając z dostępu do sprzętu kwantowego i chmury.

Większość z tych platform to platformy typu open source, co czyni je idealnym miejscem do rozwijania umiejętności i nawiązywania kontaktów ze społecznością.

Zachęcamy również do zapoznania się z najlepszymi kursami z zakresu Data Science.