EITC/AI/TFQML TensorFlow Quantum Machine Learning هو برنامج شهادة تكنولوجيا المعلومات الأوروبية على استخدام مكتبة Google TensorFlow Quantum لتنفيذ التعلم الآلي على بنية معالج Google Quantum Processor Sycamore.
يركز منهج EITC/AI/TFQML TensorFlow Quantum Machine Learning على المعرفة النظرية والمهارات العملية في استخدام مكتبة TensorFlow Quantum من Google للحصول على التعلم الآلي القائم على النموذج الكمي المتقدم على بنية Google Quantum Processor Sycamore المنظمة داخل الهيكل التالي ، بما في ذلك الفيديو الشامل المحتوى التعليمي كمرجع لشهادة EITC هذه.
TensorFlow Quantum (TFQ) هي مكتبة تعلم الآلة الكمومية للنماذج الأولية السريعة لنماذج ML الهجينة الكلاسيكية الكم. يمكن للبحث في الخوارزميات والتطبيقات الكمومية الاستفادة من أطر الحوسبة الكمومية من Google ، وكل ذلك من داخل TensorFlow.
يركز TensorFlow Quantum على البيانات الكمية وبناء نماذج الكم الكلاسيكية الهجينة. إنه يدمج خوارزميات الحوسبة الكمية والمنطق المصمم في Cirq (إطار البرمجة الكمومية على أساس نموذج الدوائر الكمومية) ، ويوفر أساسيات الحوسبة الكمية المتوافقة مع واجهات برمجة تطبيقات TensorFlow الحالية ، جنبًا إلى جنب مع محاكيات الدوائر الكمية عالية الأداء. اقرأ المزيد في الورقة البيضاء TensorFlow Quantum.
الحوسبة الكمومية هي استخدام الظواهر الكمومية مثل التراكب والتشابك لإجراء العمليات الحسابية. تُعرف أجهزة الكمبيوتر التي تقوم بالحسابات الكمومية بأجهزة الكمبيوتر الكمومية. يُعتقد أن أجهزة الكمبيوتر الكمومية قادرة على حل بعض المشكلات الحسابية ، مثل عامل العدد الصحيح (الذي يقوم عليه تشفير RSA) ، أسرع بكثير من أجهزة الكمبيوتر التقليدية. تعد دراسة الحوسبة الكمومية مجالًا فرعيًا من علم المعلومات الكمومية.
بدأت الحوسبة الكمومية في أوائل الثمانينيات ، عندما اقترح الفيزيائي بول بينيوف نموذجًا ميكانيكيًا كميًا لآلة تورينج. اقترح ريتشارد فاينمان ويوري مانين لاحقًا أن الكمبيوتر الكمي لديه القدرة على محاكاة أشياء لا يستطيع الكمبيوتر الكلاسيكي محاكاةها. في عام 1980 ، طور Peter Shor خوارزمية كمومية لتحليل الأعداد الصحيحة التي لديها القدرة على فك تشفير الاتصالات RSA المشفرة. على الرغم من التقدم التجريبي المستمر منذ أواخر التسعينيات ، يعتقد معظم الباحثين أن "الحوسبة الكمومية المتسامحة مع الأخطاء لا تزال حلما بعيد المنال". في السنوات الأخيرة ، ازداد الاستثمار في أبحاث الحوسبة الكمومية في كل من القطاعين العام والخاص. في 1994 أكتوبر 1990 ، زعم Google AI ، بالشراكة مع الإدارة الوطنية للملاحة الجوية والفضاء الأمريكية (NASA) ، أنه قد أجرى حسابًا كميًا غير ممكن على أي جهاز كمبيوتر كلاسيكي (ما يسمى بنتيجة التفوق الكمي).
هناك عدة نماذج من أجهزة الكمبيوتر الكمومية (أو بالأحرى أنظمة الحوسبة الكمومية) ، بما في ذلك نموذج الدائرة الكمومية ، وآلة تورينج الكمومية ، والحاسوب الكمومي الثابت ، وحاسوب الكم أحادي الاتجاه ، ومختلف الأوتوماتا الخلوية الكمومية. النموذج الأكثر استخدامًا هو دائرة الكم. تعتمد الدوائر الكمومية على البت الكمي ، أو "كيوبت" ، وهو مماثل إلى حد ما للبت في الحساب الكلاسيكي. يمكن أن تكون الكيوبتات في حالة كمية 1 أو 0 ، أو يمكن أن تكون في حالة تراكب للحالتين 1 و 0. ومع ذلك ، عند قياس الكيوبتات ، تكون نتيجة القياس دائمًا إما 0 أو 1 ؛ تعتمد احتمالات هاتين النتيجتين على الحالة الكمية التي كانت فيها الكيوبتات قبل القياس مباشرة.
يركز التقدم نحو بناء كمبيوتر كمومي فيزيائي على تقنيات مثل أجهزة الإرسال والفخاخ الأيونية وأجهزة الكمبيوتر الكمومية الطوبولوجية ، والتي تهدف إلى إنشاء كيوبتات عالية الجودة. يمكن تصميم هذه الكيوبتات بشكل مختلف ، اعتمادًا على نموذج الحوسبة الكمومية الكامل ، سواء كانت بوابات منطقية كمومية ، أو تلدين كمي ، أو حساب كمومي ثابت الحرارة. يوجد حاليًا عدد من العقبات المهمة في طريق بناء أجهزة كمبيوتر كمومية مفيدة. على وجه الخصوص ، من الصعب الحفاظ على الحالات الكمية للكيوبتات لأنها تعاني من فك الترابط الكمي وإخلاص الحالة. لذلك تتطلب أجهزة الكمبيوتر الكمومية تصحيح الخطأ. يمكن أيضًا حل أي مشكلة حسابية يمكن حلها بواسطة جهاز كمبيوتر تقليدي عن طريق الكمبيوتر الكمومي. على العكس من ذلك ، يمكن أيضًا حل أي مشكلة يمكن حلها بواسطة جهاز كمبيوتر كمي بواسطة جهاز كمبيوتر كلاسيكي ، على الأقل من حيث المبدأ مع إعطاء الوقت الكافي. بعبارة أخرى ، تخضع أجهزة الكمبيوتر الكمومية لأطروحة Church-Turing. في حين أن هذا يعني أن أجهزة الكمبيوتر الكمومية لا توفر مزايا إضافية على أجهزة الكمبيوتر الكلاسيكية من حيث القدرة على الحوسبة ، فإن الخوارزميات الكمومية لمشاكل معينة لها تعقيدات زمنية أقل بكثير من الخوارزميات التقليدية المعروفة. والجدير بالذكر أن أجهزة الكمبيوتر الكمومية يعتقد أنها قادرة على حل مشاكل معينة بسرعة لا يستطيع أي كمبيوتر تقليدي حلها في أي فترة زمنية ممكنة - وهو إنجاز يُعرف باسم "التفوق الكمي". تُعرف دراسة التعقيد الحسابي للمشكلات المتعلقة بأجهزة الكمبيوتر الكمومية باسم نظرية التعقيد الكمي.
Google Sycamore هو معالج كمي تم إنشاؤه بواسطة قسم الذكاء الاصطناعي في شركة Google Inc. وهي تتألف من 53 كيوبت.
في عام 2019 ، أكملت Sycamore مهمة في 200 ثانية زعمت Google ، في ورقة بحثية عن Nature ، أنها ستستغرق 10,000 آلاف عام لإنهائها. وهكذا ، ادعت Google أنها حققت التفوق الكمي. لتقدير الوقت الذي سيستغرقه كمبيوتر عملاق كلاسيكي ، قامت Google بتشغيل أجزاء من محاكاة الدائرة الكمومية على القمة ، أقوى جهاز كمبيوتر كلاسيكي في العالم. في وقت لاحق ، قدمت IBM حجة مضادة ، مدعية أن المهمة ستستغرق 2.5 يومًا فقط في نظام كلاسيكي مثل Summit. إذا تم تأييد ادعاءات Google ، فسيكون ذلك بمثابة قفزة هائلة في قوة الحوسبة.
في أغسطس 2020 ، أعلن مهندسو الكم العاملون لدى Google عن أكبر محاكاة كيميائية على جهاز كمبيوتر كمي - تقريب Hartree-Fock مع Sycamore مقترنًا بجهاز كمبيوتر كلاسيكي يحلل النتائج لتوفير معلمات جديدة لنظام 12-qubit.
في ديسمبر 2020 ، حقق معالج Jiuzhang الصيني القائم على الفوتون ، والذي طورته USTC ، قوة معالجة تبلغ 76 كيوبت وكان أسرع بـ 10 مليارات مرة من الجميز ، مما يجعله ثاني كمبيوتر يحقق التفوق الكمي.
مختبر الذكاء الاصطناعي الكمومي (يُطلق عليه أيضًا مختبر الذكاء الاصطناعي الكمومي أو QuAIL) هو مبادرة مشتركة بين وكالة ناسا وجمعية أبحاث الفضاء بالجامعات وجوجل (على وجه التحديد ، بحث Google) والتي تهدف إلى إجراء بحث رائد حول كيف يمكن للحوسبة الكمية أن تساعد في التعلم الآلي وغيرها من مشاكل علوم الكمبيوتر الصعبة. المختبر مستضاف في مركز أبحاث أميس التابع لناسا.
تم الإعلان عن مختبر الذكاء الاصطناعي الكمومي من قبل Google Research في منشور مدونة في 16 مايو 2013. في وقت الإطلاق ، كان المختبر يستخدم الكمبيوتر الكمي الأكثر تقدمًا والمتوفر تجاريًا ، D-Wave Two من أنظمة D-Wave.
في 20 مايو 2013 ، أُعلن أنه يمكن للأشخاص التقدم لاستخدام الوقت في D-Wave Two في المختبر. في 10 أكتوبر 2013 ، أصدرت Google فيلمًا قصيرًا يصف الوضع الحالي لمختبر Quantum AI. في 18 أكتوبر 2013 ، أعلنت Google أنها قامت بدمج فيزياء الكم في Minecraft.
في يناير 2014 ، أبلغت Google عن نتائج تقارن أداء D-Wave Two في المختبر بأداء أجهزة الكمبيوتر الكلاسيكية. كانت النتائج غامضة وأثارت نقاشًا ساخنًا على الإنترنت. في 2 سبتمبر 2014 ، أُعلن أن مختبر الذكاء الاصطناعي الكمي ، بالشراكة مع جامعة كاليفورنيا سانتا باربرا ، سيطلق مبادرة لإنشاء معالجات معلومات كمومية تعتمد على الإلكترونيات فائقة التوصيل.
في 23 أكتوبر 2019 ، أعلن مختبر الذكاء الاصطناعي الكمومي في ورقة بحثية أنه حقق التفوق الكمي.
يعمل Google AI Quantum على تطوير الحوسبة الكمومية من خلال تطوير معالجات كمومية وخوارزميات كمومية جديدة لمساعدة الباحثين والمطورين على حل المشكلات النظرية والعملية على المدى القريب.
تعتبر الحوسبة الكمية للمساعدة في تطوير ابتكارات الغد ، بما في ذلك الذكاء الاصطناعي. هذا هو السبب في أن Google تخصص موارد كبيرة لبناء أجهزة وبرامج كمية مخصصة.
الحوسبة الكمومية هي نموذج جديد سيلعب دورًا كبيرًا في تسريع مهام الذكاء الاصطناعي. تهدف Google إلى تزويد الباحثين والمطورين بإمكانية الوصول إلى أطر عمل مفتوحة المصدر وقوة حوسبية يمكن أن تعمل بما يتجاوز القدرات التقليدية للحوسبة.
مجالات التركيز الرئيسية لـ Google AI Quantum هي
- معالجات كيوبت فائقة التوصيل: كيوبت فائقة التوصيل مع بنية قابلة للتطوير قائمة على الرقاقة تستهدف خطأ بوابة ثنائي الكيوبت <0.5٪.
- Qubit metrology: يعد تقليل الخسارة بمقدار 0.2 كيوبت أقل من XNUMX٪ أمرًا بالغ الأهمية لتصحيح الخطأ. نحن نعمل على تجربة تفوق كمي ، لأخذ عينات من دائرة كمومية تقريبًا تتجاوز قدرات أجهزة الكمبيوتر والخوارزميات الكلاسيكية الحديثة.
- محاكاة الكم: محاكاة الأنظمة الفيزيائية هي من بين أكثر التطبيقات المتوقعة للحوسبة الكمومية. نحن نركز بشكل خاص على خوارزميات الكم لنمذجة أنظمة تفاعل الإلكترونات مع تطبيقات في الكيمياء وعلوم المواد.
- التحسين بمساعدة الكم: نحن نعمل على تطوير مذيبات كلاسيكية كمومية من أجل التحسين التقريبي. يمكن تعزيز القفزات الحرارية في الخوارزميات الكلاسيكية للتغلب على حواجز الطاقة من خلال استدعاء التحديثات الكمية. نحن مهتمون بشكل خاص بالنقل المتماسك للسكان.
- الشبكات العصبية الكمية: نعمل على تطوير إطار عمل لتنفيذ الشبكة العصبية الكمومية على معالجات المدى القريب. نحن مهتمون بفهم المزايا التي قد تنشأ من توليد حالات تراكب ضخمة أثناء تشغيل الشبكة.
الأدوات الرئيسية التي طورها Google AI Quantum هي أطر عمل مفتوحة المصدر مصممة خصيصًا لتطوير خوارزميات كمومية جديدة للمساعدة في حل التطبيقات على المدى القريب للمشكلات العملية. وتشمل هذه:
- Cirq: إطار كمي مفتوح المصدر لبناء خوارزميات كمومية صاخبة الحجم (NISQ) وتجريبها على معالجات الكم على المدى القريب
- OpenFermion: منصة مفتوحة المصدر لترجمة المشكلات في الكيمياء وعلوم المواد إلى دوائر كمومية يمكن تنفيذها على المنصات الحالية
تشمل تطبيقات Google AI Quantum قصيرة المدى:
محاكاة الكم
يعد تصميم المواد الجديدة وتوضيح الفيزياء المعقدة من خلال المحاكاة الدقيقة للكيمياء ونماذج المادة المكثفة من بين أكثر التطبيقات الواعدة للحوسبة الكمومية.
تقنيات تخفيف الخطأ
نحن نعمل على تطوير طرق على الطريق إلى التصحيح الكامل للخطأ الكمي والتي لديها القدرة على تقليل الضوضاء بشكل كبير في الأجهزة الحالية. في حين أن الحوسبة الكمومية المتسامحة على نطاق واسع قد تتطلب تطورات كبيرة ، فقد طورنا تقنية توسيع الفضاء الجزئي الكمومي للمساعدة في الاستفادة من تقنيات تصحيح الخطأ الكمي لتحسين أداء التطبيقات على الأجهزة قريبة المدى. علاوة على ذلك ، تسهل هذه التقنيات اختبار رموز الكم المعقدة على الأجهزة قصيرة المدى. نحن ندفع بنشاط هذه التقنيات إلى مجالات جديدة ونستفيد منها كأساس لتصميم تجارب قريبة المدى.
تعلم الآلة الكم
نحن نعمل على تطوير تقنيات تعلم الآلة الكلاسيكية الكمومية على الأجهزة الكمومية على المدى القريب. نحن ندرس التعلم الشامل للدائرة الكمومية لتصنيف وتجميع البيانات الكمومية والكلاسيكية. نحن مهتمون أيضًا بالشبكات العصبية الكمومية التوليدية والتمييزية ، والتي يمكن استخدامها كمكررات كمية ووحدات تنقية للحالة داخل شبكات الاتصالات الكمومية ، أو للتحقق من الدوائر الكمومية الأخرى.
تحسين الكم
قد تستفيد التحسينات المنفصلة في صناعة الطيران والسيارات والصناعات الأخرى من التحسين الكلاسيكي الكمي الهجين ، على سبيل المثال التلدين المحاكي وخوارزمية التحسين بمساعدة الكم (QAOA) ونقل السكان المحسن الكمي قد يكون لهما فائدة مع معالجات اليوم.
للتعرف بالتفصيل على منهج الشهادات ، يمكنك توسيع الجدول أدناه وتحليله.
يشير منهج EITC/AI/TFQML شهادة تعلم الآلة الكمومية TensorFlow إلى مواد تعليمية مفتوحة الوصول في شكل فيديو. تنقسم عملية التعلم إلى هيكل خطوة بخطوة (برامج -> دروس -> مواضيع) تغطي أجزاء المنهج ذات الصلة. كما يتم توفير استشارات غير محدودة مع خبراء المجال.
للحصول على تفاصيل حول التحقق من إجراءات الشهادة كيف تعمل.
المصادر المرجعية للمناهج
TensorFlow Quantum (TFQ) هي مكتبة تعلم الآلة الكمومية للنماذج الأولية السريعة لنماذج ML الهجينة الكلاسيكية الكم. يمكن للبحث في الخوارزميات والتطبيقات الكمومية الاستفادة من أطر الحوسبة الكمومية من Google ، وكل ذلك من داخل TensorFlow. يركز TensorFlow Quantum على البيانات الكمية وبناء نماذج الكم الكلاسيكية الهجينة. إنه يدمج خوارزميات الحوسبة الكمية والمنطق المصمم في Cirq ، ويوفر بدائل الحوسبة الكمية المتوافقة مع واجهات برمجة تطبيقات TensorFlow الحالية ، إلى جانب محاكيات الدوائر الكمومية عالية الأداء. اقرأ المزيد في الورقة البيضاء TensorFlow Quantum. كمرجع إضافي ، يمكنك الاطلاع على النظرة العامة وتشغيل البرامج التعليمية للكمبيوتر الدفتري.
https://www.tensorflow.org/quantum
سيرك
Cirq هو إطار مفتوح المصدر لأجهزة الكمبيوتر ذات الحجم المتوسط الصاخب (NISQ). تم تطويره بواسطة فريق Google AI Quantum Team ، وتم الإعلان عن ألفا العامة في ورشة العمل الدولية حول برنامج الكم وتعلم آلة الكم في 18 يوليو 2018. أظهر عرض توضيحي من QC Ware تنفيذ QAOA لحل مثال على الحد الأقصى للقطع يتم حل المشكلة على جهاز محاكاة Cirq. يتم تمثيل برامج الكم في Cirq بواسطة "الدائرة" و "الجدول" حيث تمثل "الدائرة" دائرة كمية ويمثل "الجدول" دائرة كمومية مع معلومات التوقيت. يمكن تنفيذ البرامج على أجهزة محاكاة محلية. يوضح المثال التالي كيفية إنشاء وقياس حالة بيل في Cirq.
استيراد سيرك
# اختر كيوبت
كيوبت 0 = سيرك.الشبكة(0, 0)
كيوبت 1 = سيرك.الشبكة(0, 1)
# إنشاء دائرة
الدارة الكهربائية = سيرك.دائرة كهربائية.from_ops(
سيرك.H(كيوبت 0),
سيرك.لا(كيوبت 0, كيوبت 1),
سيرك.قياس(كيوبت 0, مفتاح="م 0"),
سيرك.قياس(كيوبت 1, مفتاح="م 1")
)
تعرض طباعة الدائرة مخططها
طباعة(الدارة الكهربائية)
# مطبوعات
# (0 ، 0): ───H─── @ ───M ('m0') ───
# │
# (0 ، 1): ───────X───M ('م 1') ───
تظهر محاكاة الدائرة بشكل متكرر أن قياسات الكيوبتات مترابطة.
محاكاة = سيرك.محاكاة()
نتيجة = محاكاة.يجري(الدارة الكهربائية, البروفات=5)
طباعة(نتيجة)
# مطبوعات
# م 0 = 11010
# م 1 = 11010
قم بتنزيل المواد التحضيرية الكاملة للتعلم الذاتي دون الاتصال بالإنترنت لبرنامج EITC/AI/TFQML TensorFlow Quantum Machine Learning في ملف PDF
المواد التحضيرية لـ EITC/AI/TFQML - الإصدار القياسي
المواد التحضيرية لـ EITC/AI/TFQML - نسخة موسعة مع أسئلة المراجعة