EITC/AI/TFQML TensorFlow Quantum Machine Learning é o programa europeu de certificação de TI no uso da biblioteca Google TensorFlow Quantum para implementar o aprendizado de máquina na arquitetura Google Quantum Processor Sycamore.
O currículo do EITC/AI/TFQML TensorFlow Quantum Machine Learning enfoca o conhecimento teórico e habilidades práticas no uso da biblioteca TensorFlow Quantum do Google para aprendizado de máquina baseado em modelo computacional quântico avançado na arquitetura Google Quantum Processor Sycamore organizada dentro da estrutura a seguir, abrangendo um vídeo abrangente conteúdo didático como referência para esta Certificação EITC.
TensorFlow Quantum (TFQ) é uma biblioteca de aprendizado de máquina quântica para prototipagem rápida de modelos ML quânticos clássicos híbridos. A pesquisa em aplicativos e algoritmos quânticos pode aproveitar as estruturas de computação quântica do Google, tudo de dentro do TensorFlow.
O TensorFlow Quantum se concentra em dados quânticos e na construção de modelos clássicos quânticos híbridos. Ele integra algoritmos de computação quântica e lógica projetada em Cirq (estrutura de programação quântica baseada no modelo de circuitos quânticos) e fornece primitivas de computação quântica compatíveis com as APIs TensorFlow existentes, juntamente com simuladores de circuito quântico de alto desempenho. Leia mais no artigo TensorFlow Quantum.
A computação quântica é o uso de fenômenos quânticos, como superposição e emaranhamento, para realizar cálculos. Os computadores que realizam cálculos quânticos são conhecidos como computadores quânticos. Acredita-se que os computadores quânticos sejam capazes de resolver certos problemas computacionais, como a fatoração de inteiros (que é a base da criptografia RSA), substancialmente mais rápido do que os computadores clássicos. O estudo da computação quântica é um subcampo da ciência da informação quântica.
A computação quântica começou no início dos anos 1980, quando o físico Paul Benioff propôs um modelo de mecânica quântica da máquina de Turing. Richard Feynman e Yuri Manin mais tarde sugeriram que um computador quântico tinha o potencial de simular coisas que um computador clássico não poderia. Em 1994, Peter Shor desenvolveu um algoritmo quântico para fatorar inteiros que tinha o potencial de descriptografar comunicações criptografadas por RSA. Apesar do progresso experimental contínuo desde o final dos anos 1990, a maioria dos pesquisadores acredita que “a computação quântica tolerante a falhas ainda é um sonho bastante distante”. Nos últimos anos, o investimento em pesquisa de computação quântica aumentou tanto no setor público quanto no privado. Em 23 de outubro de 2019, o Google AI, em parceria com a Administração Nacional de Aeronáutica e Espaço (NASA) dos Estados Unidos, afirmou ter realizado uma computação quântica inviável em qualquer computador clássico (o chamado resultado de supremacia quântica).
Existem vários modelos de computadores quânticos (ou melhor, sistemas de computação quântica), incluindo o modelo de circuito quântico, máquina de Turing quântica, computador quântico adiabático, computador quântico unilateral e vários autômatos celulares quânticos. O modelo mais usado é o circuito quântico. Os circuitos quânticos são baseados no bit quântico, ou “qubit”, que é um pouco análogo ao bit na computação clássica. Qubits podem estar em um estado quântico 1 ou 0, ou podem estar em uma superposição dos estados 1 e 0. No entanto, quando os qubits são medidos, o resultado da medição é sempre 0 ou 1; as probabilidades desses dois resultados dependem do estado quântico em que os qubits estavam imediatamente antes da medição.
O progresso na construção de um computador quântico físico concentra-se em tecnologias como transmons, armadilhas de íons e computadores quânticos topológicos, que visam criar qubits de alta qualidade. Esses qubits podem ser projetados de forma diferente, dependendo do modelo de computação do computador quântico completo, sejam portas lógicas quânticas, recozimento quântico ou computação quântica adiabática. Atualmente, há uma série de obstáculos significativos na maneira de construir computadores quânticos úteis. Em particular, é difícil manter os estados quânticos dos qubits, pois eles sofrem de decoerência quântica e fidelidade de estado. Computadores quânticos, portanto, requerem correção de erros. Qualquer problema computacional que pode ser resolvido por um computador clássico também pode ser resolvido por um computador quântico. Por outro lado, qualquer problema que pode ser resolvido por um computador quântico também pode ser resolvido por um computador clássico, pelo menos em princípio com tempo suficiente. Em outras palavras, os computadores quânticos obedecem à tese de Church – Turing. Embora isso signifique que os computadores quânticos não ofereçam vantagens adicionais sobre os computadores clássicos em termos de computabilidade, os algoritmos quânticos para certos problemas têm complexidades de tempo significativamente menores do que os correspondentes algoritmos clássicos conhecidos. Notavelmente, acredita-se que os computadores quânticos sejam capazes de resolver rapidamente certos problemas que nenhum computador clássico poderia resolver em qualquer período de tempo viável - um feito conhecido como "supremacia quântica". O estudo da complexidade computacional de problemas relacionados a computadores quânticos é conhecido como teoria da complexidade quântica.
Google Sycamore é um processador quântico criado pela divisão de Inteligência Artificial da Google Inc. Compreende 53 qubits.
Em 2019, Sycamore concluiu uma tarefa em 200 segundos que o Google afirmou, em um artigo da Nature, que um supercomputador de última geração levaria 10,000 anos para terminar. Assim, o Google afirmou ter alcançado a supremacia quântica. Para estimar o tempo que um supercomputador clássico levaria, o Google executou partes da simulação do circuito quântico no Summit, o computador clássico mais poderoso do mundo. Mais tarde, a IBM fez um contra-argumento, alegando que a tarefa levaria apenas 2.5 dias em um sistema clássico como o Summit. Se as afirmações do Google forem confirmadas, isso representará um salto exponencial no poder de computação.
Em agosto de 2020, engenheiros quânticos trabalhando para o Google relataram a maior simulação química em um computador quântico - uma aproximação Hartree-Fock com Sycamore emparelhada com um computador clássico que analisou os resultados para fornecer novos parâmetros para o sistema de 12 qubit.
Em dezembro de 2020, o processador chinês Jiuzhang baseado em fótons, desenvolvido pela USTC, atingiu um poder de processamento de 76 qubits e foi 10 bilhões de vezes mais rápido que o Sycamore, tornando-o o segundo computador a atingir a supremacia quântica.
O Quantum Artificial Intelligence Lab (também chamado de Quantum AI Lab ou QuAIL) é uma iniciativa conjunta da NASA, da Universities Space Research Association e do Google (especificamente, do Google Research), cujo objetivo é ser pioneiro na pesquisa sobre como a computação quântica pode ajudar no aprendizado de máquina e outros problemas difíceis de ciência da computação. O laboratório está hospedado no Ames Research Center da NASA.
O Quantum AI Lab foi anunciado pelo Google Research em uma postagem de blog em 16 de maio de 2013. No momento do lançamento, o Lab estava usando o computador quântico mais avançado disponível comercialmente, o D-Wave Two da D-Wave Systems.
Em 20 de maio de 2013, foi anunciado que as pessoas poderiam se inscrever para usar o tempo no D-Wave Two no laboratório. Em 10 de outubro de 2013, o Google lançou um curta-metragem descrevendo o estado atual do Quantum AI Lab. Em 18 de outubro de 2013, o Google anunciou que havia incorporado a física quântica ao Minecraft.
Em janeiro de 2014, o Google relatou resultados comparando o desempenho do D-Wave Two no laboratório com o de computadores clássicos. Os resultados foram ambíguos e provocaram discussões acaloradas na Internet. Em 2 de setembro de 2014, foi anunciado que o Quantum AI Lab, em parceria com a UC Santa Bárbara, lançaria uma iniciativa para criar processadores de informação quântica baseados em eletrônicos supercondutores.
No dia 23 de outubro de 2019, o Quantum AI Lab anunciou em um jornal que havia alcançado a supremacia quântica.
O Google AI Quantum está aprimorando a computação quântica ao desenvolver processadores quânticos e novos algoritmos quânticos para ajudar pesquisadores e desenvolvedores a resolver problemas de curto prazo, tanto teóricos quanto práticos.
A computação quântica é considerada para ajudar no desenvolvimento das inovações de amanhã, incluindo IA. É por isso que o Google compromete recursos significativos para construir hardware e software quântico dedicado.
A computação quântica é um novo paradigma que desempenhará um grande papel na aceleração de tarefas para IA. O objetivo do Google é oferecer aos pesquisadores e desenvolvedores acesso a estruturas de código aberto e poder de computação que podem operar além dos recursos clássicos de computação.
As principais áreas de foco do Google AI Quantum são
- Processadores de qubit supercondutores: qubits supercondutores com arquitetura escalável baseada em chip visando erro de porta de dois qubit <0.5%.
- Metrologia Qubit: Reduzir a perda de dois qubit abaixo de 0.2% é fundamental para a correção de erros. Estamos trabalhando em um experimento de supremacia quântica, para amostrar aproximadamente um circuito quântico além das capacidades dos computadores e algoritmos clássicos de última geração.
- Simulação quântica: a simulação de sistemas físicos está entre as aplicações mais esperadas da computação quântica. Focamos especialmente em algoritmos quânticos para modelar sistemas de elétrons em interação com aplicações em química e ciência dos materiais.
- Otimização assistida por quantum: Estamos desenvolvendo solvers clássicos quânticos híbridos para otimização aproximada. Os saltos térmicos em algoritmos clássicos para superar as barreiras de energia podem ser aprimorados invocando atualizações quânticas. Estamos particularmente interessados na transferência coerente da população.
- Redes neurais quânticas: Estamos desenvolvendo uma estrutura para implementar uma rede neural quântica em processadores de curto prazo. Estamos interessados em entender quais vantagens podem surgir da geração de estados de superposição massiva durante a operação da rede.
As principais ferramentas desenvolvidas pelo Google AI Quantum são estruturas de código aberto projetadas especificamente para desenvolver novos algoritmos quânticos para ajudar a resolver aplicações de curto prazo para problemas práticos. Esses incluem:
- Cirq: uma estrutura quântica de código aberto para construir e experimentar algoritmos quânticos de escala intermediária ruidosa (NISQ) em processadores quânticos de curto prazo
- OpenFermion: uma plataforma de código aberto para traduzir problemas de química e ciência dos materiais em circuitos quânticos que podem ser executados em plataformas existentes
Os aplicativos de curto prazo do Google AI Quantum incluem:
Simulação Quântica
O projeto de novos materiais e a elucidação da física complexa por meio de simulações precisas de modelos de química e matéria condensada estão entre as aplicações mais promissoras da computação quântica.
Técnicas de mitigação de erros
Trabalhamos para desenvolver métodos no caminho para a correção total de erros quânticos que têm a capacidade de reduzir drasticamente o ruído nos dispositivos atuais. Embora a computação quântica tolerante a falhas em grande escala possa exigir desenvolvimentos consideráveis, desenvolvemos a técnica de expansão do subespaço quântico para ajudar a utilizar técnicas de correção de erros quânticos para melhorar o desempenho de aplicativos em dispositivos de curto prazo. Além disso, essas técnicas facilitam o teste de códigos quânticos complexos em dispositivos de curto prazo. Estamos empurrando ativamente essas técnicas para novas áreas e aproveitando-as como base para o projeto de experimentos de curto prazo.
Aprendizado de máquina quântico
Estamos desenvolvendo técnicas de aprendizado de máquina clássico quântico híbrido em dispositivos quânticos de curto prazo. Estamos estudando o aprendizado de circuito quântico universal para classificação e agrupamento de dados quânticos e clássicos. Também estamos interessados em redes neurais quânticas generativas e discriminativas, que podem ser usadas como repetidores quânticos e unidades de purificação de estado em redes de comunicação quântica, ou para verificação de outros circuitos quânticos.
Otimização Quântica
Otimizações discretas na indústria aeroespacial, automotiva e outras indústrias podem se beneficiar da otimização quântica clássica híbrida, por exemplo, recozimento simulado, algoritmo de otimização assistida por quantum (QAOA) e transferência de população aprimorada por quantum podem ter utilidade com os processadores de hoje.
Para se familiarizar em detalhes com o currículo de certificação, você pode expandir e analisar a tabela abaixo.
O Currículo de Certificação de Machine Learning EITC/AI/TFQML TensorFlow Quantum faz referência a materiais didáticos de acesso aberto em formato de vídeo. O processo de aprendizagem é dividido em uma estrutura passo a passo (programas -> aulas -> tópicos) que cobre partes curriculares relevantes. Consultoria ilimitada com especialistas de domínio também são fornecidos.
Para obter detalhes sobre o procedimento de Certificação, verifique Como funciona.
Recursos de referência do currículo
TensorFlow Quantum (TFQ) é uma biblioteca de aprendizado de máquina quântica para prototipagem rápida de modelos ML quânticos clássicos híbridos. A pesquisa em aplicativos e algoritmos quânticos pode aproveitar as estruturas de computação quântica do Google, tudo de dentro do TensorFlow. O TensorFlow Quantum se concentra em dados quânticos e na construção de modelos clássicos quânticos híbridos. Ele integra algoritmos de computação quântica e lógica projetada no Cirq e fornece primitivos de computação quântica compatíveis com as APIs TensorFlow existentes, juntamente com simuladores de circuito quântico de alto desempenho. Leia mais no artigo TensorFlow Quantum. Como referência adicional, você pode verificar a visão geral e executar os tutoriais do notebook.
https://www.tensorflow.org/quantum
cirq
Cirq é uma estrutura de código aberto para computadores NISQ (Noisy Intermediate Scale Quantum). Ele foi desenvolvido pela equipe do Google AI Quantum, e o alfa público foi anunciado no Workshop Internacional sobre Quantum Software e Quantum Machine Learning em 18 de julho de 2018. Uma demonstração do QC Ware mostrou uma implementação de QAOA resolvendo um exemplo do corte máximo problema sendo resolvido em um simulador Cirq. Os programas quânticos em Cirq são representados por "Circuito" e "Cronograma", onde "Circuito" representa um circuito Quântico e "Cronograma" representa um circuito Quântico com informações de tempo. Os programas podem ser executados em simuladores locais. O exemplo a seguir mostra como criar e medir um estado Bell no Cirq.
importar cirq
# Escolha qubits
qubit0 = cirq.Grade Qubit(0, 0)
qubit1 = cirq.Grade Qubit(0, 1)
# Crie um circuito
o circuito = cirq. Circuito.de_ops(
cirq.H(qubit0),
cirq.NÃO(qubit0, qubit1),
cirq.a medida(qubit0, chave='m0'),
cirq.a medida(qubit1, chave='m1')
)
Imprimir o circuito exibe seu diagrama
impressão(o circuito)
# estampas
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Simular o circuito repetidamente mostra que as medições dos qubits estão correlacionadas.
simulador = cirq.Simulador()
resultar = simulador.corrida(o circuito, ensaios=5)
impressão(resultar)
# estampas
# m0 = 11010
# m1 = 11010
Baixe os materiais preparatórios completos de autoaprendizagem off-line para o programa EITC/AI/TFQML TensorFlow Quantum Machine Learning em um arquivo PDF
Materiais preparatórios EITC/AI/TFQML – versão padrão
Materiais preparatórios EITC/AI/TFQML – versão estendida com perguntas de revisão