Jak nauczyć się kwantowego uczenia maszynowego: +11 zasobów

W miarę jak nasze życie staje się coraz bardziej zorientowane na dane, ograniczenia klasycznej informatyki wymagają przejścia na kwantowe uczenie maszynowe. Dzięki możliwości szybkiego uwzględniania i przetwarzania ogromnych ilości zestawów danych kwantowe uczenie maszynowe może przyspieszyć wydajność, podejmowanie decyzji, ulepszone rozpoznawanie wzorców, ulepszone zabezpieczenia i zaawansowane modelowanie.

Bez względu na zastosowania kwantowego uczenia maszynowego, jest to wschodząca dziedzina, która rozkwitnie szybciej, niż nam się wydaje.

Dlatego jeśli jesteś entuzjastą QML, powinieneś wyruszyć w podróż edukacyjną i opanować tajniki QML. Chociaż poniższe zasoby mają Ci w tym pomóc, zacznijmy od podstaw.

Co to jest kwantowe uczenie maszynowe?

Kwantowe uczenie maszynowe to nic innego jak integracja kwantowych metod obliczeniowych i algorytmów w programach uczenia maszynowego. Według Google wykazano, że kwantowe uczenie maszynowe jest w stanie rozwiązać złożone problemy, które stanowią wyzwanie dla klasycznych/tradycyjnych komputerów.

Kwantowe uczenie maszynowe może być przydatne w różnych dziedzinach, od zarządzania łańcuchem dostaw, przez kryptografię, po IT.

Sposoby, w jakie kwantowe uczenie maszynowe jest inne

QML różni się od zwykłego uczenia maszynowego na wiele sposobów; omawiamy te 5:

  • Kwantowe uczenie maszynowe wykorzystuje kubity zamiast bitów do ulepszania systemów operacyjnych
  • Wykorzystując koncepcje superpozycji i splątania kwantowego, komputery kwantowe mogą jednocześnie rozwiązywać wiele złożonych problemów
  • Potencjał przyspieszenia QML jest ogromny, a komputery kwantowe mogą również obsługiwać dane wielowymiarowe
  • W przyszłości kwantowe uczenie maszynowe może przynieść ulepszone protokoły bezpieczeństwa, przyspieszyć rozwój nowych leków i wzmocnić sugestie systemu rekomendacji

Teraz, gdy wiesz, że QML to szybko rozwijająca się dziedzina, bądź na bieżąco z tymi kursami, książkami i rekomendacjami platform:

Kwantowe uczenie maszynowe: edX

Ten kurs Quantum Machine Learning, współoferowany przez University of Toronto, jest dobrym punktem wyjścia dla algorytmów kwantowego uczenia maszynowego i tego, jak należy je wdrożyć w Pythonie.

Ten zaawansowany kurs, wymagający zaledwie 6–9 godzin tygodniowo, jest w dużej mierze prowadzony we własnym tempie. Kurs można odbyć na dwa sposoby. Zweryfikowana ścieżka, która jest płatna, oraz ścieżka audytu, która jest bezpłatna. To, co je wyróżnia, to nieograniczony dostęp do zasobów edukacyjnych. Oprócz udostępnianego certyfikatu ukończenia z ocenianymi ocenami i egzaminami dostępnymi w wersji płatnej.

Piotr Wittek, doc. Ten kurs prowadzi profesor na Uniwersytecie w Toronto. Pomaga rzucić światło na obecne i bliskie przyszłości technologie kwantowe. I jak oczekuje się, że przewyższą klasyczne komputery.

Z pewnością nauczysz się obwodów wariacyjnych, klasycznych algorytmów uczenia hybrydowego kwantowego, prostych stanów dla modeli probabilistycznych i niezwykłych funkcji jądra.

Ponadto możesz również dowiedzieć się, jak zaimplementować następujące algorytmy:

  • Kwantowa transformacja Fouriera
  • Estymacja fazy kwantowej
  • Matryca fazy kwantowej
  • procesy gaussowskie

QC101 Obliczenia kwantowe

Oferowany przez Udemy kurs QC101 Quantum Computing zbliża fizykę kwantową poprzez badanie światła spolaryzowanego.

W rzeczywistości do bezpiecznego komunikowania się potrzebne jest matematyczne wprowadzenie do komputerów kwantowych, podczas którego nauczysz się kryptografii kwantowej. Dodatkowo możesz doświadczyć doświadczenia kwantowego IBM. Ponadto wytrenuj maszynę obsługującą wektory kwantowe, aby przewidywać na podstawie rzeczywistych danych.

Co więcej, dzięki 12 godzinom filmów, 10 artykułom i 5 zasobom do pobrania nauczysz się:

  • Jak opracowywać i symulować programy kwantowe na platformie IBM Qiskit i Microsoft Q# podczas ich debugowania
  • Jak analizować obwody kwantowe za pomocą notacji Diraca i modeli fizyki kwantowej
  • Podobnie, jak obliczenia kwantowe mogą pomóc w sztucznej inteligencji, uczeniu maszynowym i zrewolucjonizować dziedzinę nauki o danych

Ten kurs Udemy dotyczący nauki kwantowej jest również polecany przez firmy na całym świecie swoim pracownikom. Ten kurs obejmuje 17 sekcji i 284 wykłady i obejmuje 12 godzin.

Aby nauczyć się tego kursu, będziesz potrzebować wiedzy z matematyki i nauk ścisłych na poziomie 12. klasy, ze szczególnym naciskiem na logikę Boole’a, liczby zespolone, algebrę liniową, prawdopodobieństwo i statystykę.

Kwantowe uczenie maszynowe: OpenHPI

Chcesz dowiedzieć się, jak tworzyć zarówno podstawowe, jak i zaawansowane kwantowe modele uczenia maszynowego? Ten kurs kwantowego uczenia maszynowego przez OpenHPI jest bezpłatny. Uczą go dr Christa Zoufal, Julien Gacon i dr David Sutter.

Na tym kursie nauczysz się

  • Jak budować podstawowe i zaawansowane modele uczenia się
  • Jak używać Pythona i Qiskit do implementacji algorytmów do rozwiązywania zadań ML
  • Wyzwania i perspektywy na przyszłość Quantum ML

Ten kurs, idealny dla studentów informatyki, entuzjastów uczenia kwantowego i ekspertów od uczenia maszynowego, będzie trwał dwa tygodnie, po czym nastąpi egzamin końcowy, który należy zdać.

Spojrzenie na plan wykładów pierwszego tygodnia mówi nam, że będzie się dużo działo w odniesieniu do maszyn wektorów nośnych i wariacyjnych klasyfikatorów kwantowych. W drugim tygodniu zobaczymy więcej kwantowych generatywnych sieci przeciwstawnych i maszyn kwantowych Boltzmanna, wraz z praktycznymi technikami wdrażania.

Globalna Szkoła Letnia Qiskit

Następnie przygotowaliśmy kolejny darmowy zasób kwantowego uczenia maszynowego, który jest darmowy i open-source. W rzeczywistości seria wykładów Qiskit jest dostępna na YouTube.

To, co było dwutygodniową intensywną szkołą letnią, stało się teraz serią edukacyjną YouTube składającą się z 25 odcinków, z których każdy trwa godzinę lub dwie. Ten kurs jest podzielony na 20 wykładów i 5 aplikacji laboratoryjnych.

Na tym kursie nauczysz się

  • Jak badać aplikacje kwantowe
  • Wprowadzenie do obwodów kwantowych, algorytmów i operacji obliczeń kwantowych
  • Jak budować klasyfikatory kwantowe, zobacz jądra kwantowe w praktyce
  • Zaawansowane algorytmy QML, sprzęt kwantowy i sposoby unikania jałowych płaskowyżów oraz problemy z możliwością szkolenia

Jeśli szukałeś darmowych i wiarygodnych źródeł, aby rozpocząć swoją podróż QML, ale do tej pory tego nie zrobiłeś, uważaj to za swój znak!

Uczenie maszynowe z komputerami kwantowymi

Napisana przez Marię Schuld i Francesco Petruccione, ta książka Machine Learning with Quantum Computers (2021) jest dobrym punktem wyjścia do zagłębienia się w zaawansowane kwantowe uczenie maszynowe.

Od krótkoterminowych do odpornych na błędy algorytmów uczenia kwantowego, ta książka odkrywa teoretyczne i praktyczne techniki dotyczące:

  • Parametryzowane obwody kwantowe
  • Optymalizacja hybrydowa
  • Kodowanie danych
  • Kwantowe mapy cech
  • Metody jądra
  • Teoria uczenia się kwantowego
  • Kwantowe sieci neuronowe

Co jest szczególnego w drugiej edycji? Poza tym czym różni się od pierwszej edycji? Wykracza poza metody uczenia nadzorowanego i omawia przyszłość metod i algorytmów uczenia maszyn kwantowych.

Praktyczne Quantum ML z Pythonem

Napisana przez dr Franka Zickerta, ta książka Hands-On Quantum Machine Learning with Python ma na celu uczynienie z Ciebie eksperta w dziedzinie kwantowego uczenia maszynowego.

W środku znajdziesz:

  • Głębokie zapoznanie się z podstawami uczenia kwantowego, w tym między innymi kubitami, bramkami kwantowymi i obwodami kwantowymi
  • Jak zastosować maszyny wektorów nośnych kwantowych (QSVM), k-średnie kwantowe i maszyny kwantowe Boltzmanna do zagadnień optymalizacji kombinatorycznej
  • Poza tym kilka rzeczywistych rozwiązań typowych problemów, takich jak problem komiwojażera (TSP) i problem kwadratowej nieograniczonej optymalizacji binarnej (QUBO)
  • Jak wykorzystać fluktuacje kwantowe i rozwiązywać problemy za pomocą wyżarzania kwantowego
  • Ponadto algorytmy, takie jak Quantum Approximate Optimization Algorithm (QAOA) i Variational Quantum Eigensolver (VQE)
  • Struktury obliczeń kwantowych, zastosowania w świecie rzeczywistym i praktyczne przykłady

Quantum ML z Pythonem

Chcesz opanować podstawy Quantum Machine Learning? Książka Santanu Pattanayaka na temat maszyny kwantowej z Pythonem jest idealna dla inżynierów i entuzjastów QML.

W środku dowiesz się:

  • Podstawy obliczeń Quantum ML, takie jak notacje Diraca, kubity i stan Bella
  • Algorytmy oparte na kwantach, takie jak kwantowa transformata Fouriera, estymacja fazy i HHL (Harrow-Hassidim-Lloyd)
  • Jak używać QML do rozwiązywania problemów w finansach, prognozowaniu, genomice, logistyce łańcucha dostaw itp
  • Oprócz kwantowych procesów adiabatycznych i optymalizacji opartej na kwantach
  • Użyj zestawu narzędzi Qiskit firmy IBM i Cirq firmy Google Research, aby pracować nad algorytmami obliczeń kwantowych
  • Użyj języka Python, aby zaimplementować więcej algorytmów opartych na technologii Quantum i przeanalizuj główne wyzwania związane z aplikacjami z prawdziwego życia

Jeśli nie chcesz poprzestać na zasobach QML, kontynuuj naukę, eksplorując te platformy obliczeń kwantowych:

IBM Quantum

Uzyskaj bezpłatny dostęp w chmurze do najbardziej zaawansowanych komputerów kwantowych online dzięki IBM Quantum.
IBM, idealny dla nauczycieli, programistów i uczniów, umożliwia uruchamianie obwodów kwantowych po prostu przez zarejestrowanie się i uzyskanie tokena API.

Znajdziesz więc dostęp do symulatorów oraz 7-kubitowych i 5-kubitowych jednostek QPU, w których masz szansę uczyć się, rozwijać i uruchamiać programy. Ponadto oto, co umożliwia platforma kwantowa IBM:

  • Naucz się programowania kwantowego, korzystając z przewodników krok po kroku
  • Korzystaj także z programu IBM Quantum Composer, aby budować i graficznie wizualizować obwody kwantowe na sprzęcie kwantowym i symulatorach
  • Koduj, programuj i twórz prototypy w języku Python w IBM Quantum lab — środowisku Jupyter Notebook obsługującym chmurę

Jest więcej. Możesz zapisać się do programu Quantum Researcher i Educator’s program. Ponadto katalog dokumentów IBM jest również dość potężny. Od dokumentacji Quantum Composer dla początkujących po Qiskit Runtime dla programistów — na pewno znajdziesz tu wszystko, czego potrzebujesz.

Co więcej, jeśli jesteś nauczycielem, możesz wykorzystać Przewodnik terenowy do nauczania tematów. Oprócz wypróbowywania samouczków Quantum Lab do tworzenia i testowania algorytmów jako badacze.

Cirq firmy Google

Cirq firmy Google to biblioteka oprogramowania w języku Python, której można używać do budowania i optymalizowania obwodów kwantowych oraz uruchamiania ich na sprzęcie kwantowym i symulatorach. Będąc całkowicie otwartym oprogramowaniem, pozwala osiągnąć najnowocześniejsze wyniki przy użyciu abstrakcji stworzonych dla dzisiejszych komputerów kwantowych.

Cirq jest idealny zarówno dla początkujących, jak i zaawansowanych użytkowników i ma oferty odpowiednie dla każdego. Jako początkujący możesz nauczyć się budować i symulować obwody kwantowe w celu wykonywania transformacji.

Jako zaawansowany użytkownik Cirq umożliwia napisanie przybliżonego algorytmu optymalizacji kwantowej dla sprzętu NISQ w celu optymalizacji rozwiązań, które były nie do pomyślenia w klasycznych obliczeniach. Rzućmy okiem na funkcje Cirq Google Quantum AI, które mogą Cię wzmocnić:

  • Poznaj strategie wstawiania QML, aby budować pożądane obwody kwantowe i ulepszać je
  • Naucz się definiować urządzenia i sprzęt, aby określić, czy obwody QML są praktyczne i czy nie będą miały ograniczeń operacyjnych
  • Symuluj za pomocą Cirq lub symulatora funkcji falowych qism i symuluj sprzęt kwantowy i wirtualną maszynę kwantową
  • Przeprowadzaj kompleksowe eksperymenty na procesach kwantowych Google i przeglądaj kod poprzednich symulatorów

To, co sprawia, że ​​Cirq jest niezawodny, to szczegółowe samouczki krok po kroku i przewodniki po jego funkcjach. Od nauki obsługi Cirq, przez dobrą listę podręcznikowych algorytmów kwantowych, po poznanie tajników Quantum Virtual Machine (QVM), poznasz wszystko, co najważniejsze.

Co najważniejsze, możesz także dowiedzieć się, jak zaimplementować algorytmy optymalizacji kwantowej na prawdziwym sprzęcie. Ale to nie wszystko!

Ponieważ jest to społeczność open source, możesz dołączać do cotygodniowych spotkań i zacząć współtworzyć platformę open source.

Amazon Braket

Zaprojektowany w celu przyspieszenia badań nad komputerami kwantowymi, Amazon Braket jest w pełni zarządzaną usługą. Oto najważniejsze cechy:

  • Używaj spójnego zestawu narzędzi programistycznych do pracy na komputerach kwantowych
  • Twórz algorytmy kwantowe w zaufanej chmurze i testuj je w wysokowydajnych symulatorach
  • Wprowadzaj innowacje dzięki wskazówkom technicznym i ekspertom z laboratoriów Amazon Quantum Solutions
  • Algorytmy badawcze i dostęp do nadprzewodzących, uwięzionych jonów, neutralnych atomów i urządzeń fotonicznych do testowania różnych urządzeń
  • Twórz oprogramowanie kwantowe lub rozwijaj platformy typu open source

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

Usługa Azure Quantum Cloud

Usługa w chmurze obejmująca sprzęt kwantowy, oprogramowanie i zróżnicowane portfolio narzędzi: oto usługa w chmurze Azure Quantum. Co umożliwia ta platforma? Spójrzmy:

  • Uzyskaj lepszy pomysł na wykonywanie aplikacji kwantowych przy użyciu narzędzia do szacowania zasobów kwantowych platformy Azure
  • Poza tym łącz klasyczne metody obliczeniowe i kwantowe, aby budować algorytmy hybrydowe
  • Uzyskaj dostęp do zasobów edukacyjnych, takich jak Microsoft Learn, samouczki Quantum Kata i przykłady zastosowań branżowych, aby zrozumieć świat QML

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

Streszczenie

Chociaż omówiliśmy zaawansowane kursy QML, które pomogą ci być na bieżąco z tym, co dzieje się w świecie kwantowym, możesz zacząć od książek, aby uzyskać tradycyjnie ustrukturyzowane wprowadzenie do obliczeń kwantowych.
Możesz także zapoznać się z 4 platformami (IBM, Google Cirq, Amazon Brakt i Azure), aby uzyskać praktyczne doświadczenie w zakresie kwantowego uczenia maszynowego z dostępem do sprzętu kwantowego i chmury.

Większość z tych platform to platformy typu open source, a jeśli szukasz społeczności, z którą możesz się rozwijać, będą idealne!

Możesz także zapoznać się z najlepszymi kursami Data Science.

x