Оскільки наше життя стає все більш орієнтованим на дані, обмеження класичних обчислень вимагають переходу до квантового машинного навчання. Завдяки здатності швидко розраховувати та обробляти величезну кількість наборів даних, квантове машинне навчання може прискорити ефективність, ухвалення рішень, покращити розпізнавання шаблонів, покращити безпеку та розширене моделювання.
Незалежно від використання квантового машинного навчання, це нова сфера, яка розквітне раніше, ніж ми можемо думати.
Отже, якщо ви ентузіаст QML, вам слід розпочати навчальну подорож і освоїти всі тонкощі QML. Хоча наведені нижче ресурси створені, щоб допомогти вам це зробити, давайте почнемо з основ.
Що таке квантове машинне навчання?
Квантове машинне навчання — це не що інше, як інтеграція методів і алгоритмів квантового обчислення в програми машинного навчання. За словами Google, було продемонстровано, що квантове машинне навчання здатне вирішувати складні проблеми, які є складними для класичних/традиційних комп’ютерів.
Квантове машинне навчання може бути корисним для різних сфер, від управління ланцюгом поставок до криптографії та ІТ.
Способи, якими квантове машинне навчання відрізняється
QML багато в чому відрізняється від звичайного машинного навчання; ми обговорюємо ці 5:
- Квантове машинне навчання використовує кубіти замість бітів для покращення операційних систем
- Використовуючи концепції суперпозиції та квантової заплутаності, квантові комп’ютери можуть виконувати кілька складних завдань одночасно
- Потенціал прискорення QML величезний, і квантові комп’ютери також можуть обробляти дані великого розміру
- У майбутньому квантове машинне навчання може забезпечити розширені протоколи безпеки, прискорити розробку нових ліків і розширити пропозиції системи рекомендацій
Тепер, коли ви знаєте, що QML — це галузь, що швидко розвивається, будьте попереду з цими курсами, книгами та рекомендаціями щодо платформи:
Квантова машинне навчання: edX
Цей курс із квантового машинного навчання, який спільно пропонує Університет Торонто, є хорошою відправною точкою для вивчення алгоритмів квантового машинного навчання та того, як їх реалізувати на Python.
Потребуючи лише 6–9 годин на тиждень, цей поглиблений курс здебільшого є самостійним. Є два способи пройти цей курс. Перевірений трек, який надається за плату, і трек аудиту, який є безкоштовним. Що відрізняє їх один від одного, це необмежений доступ до навчальних ресурсів. На додаток до свідоцтва про завершення, яким можна поділитися, із оцінками та іспитами, доступними в платній версії.
Петтер Віттек, асистент Цей курс викладає професор Університету Торонто. Це допомагає пролити світло на поточні та найближчі квантові технології. І наскільки вони, як очікується, перевершать класичні комп’ютери.
Ви обов’язково дізнаєтесь про варіаційні схеми, класично-квантові гібридні алгоритми навчання, прості стани для імовірнісних моделей і незвичайні функції ядра.
Крім того, ви також можете навчитися реалізовувати наступні алгоритми:
- Квантове перетворення Фур’є
- Оцінка квантової фази
- Квантова фазова матриця
- Гаусові процеси
QC101 Квантові обчислення
Пропонований Udemy, цей курс QC101 Quantum Computing наближається до квантової фізики через вивчення поляризованого світла.
Насправді для безпечного спілкування потрібен вступ до квантових обчислень на основі математики, а ви вивчаєте квантову криптографію. Крім того, ви зможете відчути квантовий досвід IBM. Крім того, навчіть машину квантового опорного вектора робити прогнози на основі реальних даних.
Крім того, за допомогою 12 годин відео, 10 статей і 5 ресурсів для завантаження ви дізнаєтеся:
- Як розробляти та симулювати квантові програми на IBM Qiskit і Microsoft Q# під час їх налагодження
- Як аналізувати квантові схеми за допомогою нотації Дірака та моделей квантової фізики
- Так само, як квантові обчислення можуть допомогти в ШІ, машинному навчанні та революціонізувати сферу науки про дані
Цей курс Udemy з квантового навчання також рекомендують компаніям у всьому світі своїм співробітникам. З 17 розділами та 284 лекціями цей курс розрахований на 12 годин.
Щоб вивчити цей курс, вам знадобляться знання математики та природничих наук 12-го класу з особливою увагою до булевої логіки, комплексних чисел, лінійної алгебри, ймовірності та статистики.
Квантова машинне навчання: OpenHPI
Хочете навчитися створювати базові та розширені моделі квантового машинного навчання? Цей курс квантового машинного навчання від OpenHPI безкоштовний. Його викладають доктор Кріста Зуфаль, Жульєн Гакон і доктор Девід Саттер.
На цьому курсі ви навчитеся
- Як будувати базові та розширені моделі навчання
- Як використовувати Python і Qiskit для реалізації алгоритмів для вирішення завдань ML
- Виклики та майбутні перспективи Quantum ML
Цей курс ідеально підходить для студентів інформатики, ентузіастів квантового навчання та експертів з машинного навчання. Він триватиме два тижні, після чого слід скласти підсумковий іспит.
Погляд на лекційний план тижня 1 говорить нам, що буде багато чого відбуватися щодо опорних векторних машин і варіаційних квантових класифікаторів. Тиждень 2 побачить більше про квантові генеративні змагальні мережі та квантові машини Больцмана з практичними методами впровадження.
Всесвітня літня школа Qiskit
Далі, у нас є ще один безкоштовний ресурс квантового машинного навчання, який є безкоштовним із відкритим кодом. Фактично, цикл лекцій Qiskit доступний на YouTube.
Те, що було двотижневою інтенсивною літньою школою, тепер стало навчальною серією на YouTube, яка складається з 25 епізодів, кожна з яких триває одну-дві години. Цей курс складається з 20 лекцій і 5 практичних занять.
На цьому курсі ви навчитеся
- Як досліджувати квантові програми
- Вступ до квантових схем, алгоритмів і операцій квантового обчислення
- Як побудувати квантові класифікатори, подивіться квантові ядра на практиці
- Удосконалені алгоритми QML, квантове обладнання та як уникнути безплідних плато та проблем з можливістю навчання
Якщо ви шукали безкоштовні та надійні джерела для початку своєї подорожі QML, але досі не шукали, вважайте це своїм знаком!
Машинне навчання за допомогою квантових комп’ютерів
Ця книга, написана Марією Шульд і Франческо Петруччоне, «Машинне навчання за допомогою квантових комп’ютерів» (2021) є хорошою відправною точкою для заглиблення в розширене квантове машинне навчання.
Ця книга розгадує теоретичні та практичні прийоми: від короткострокових до відмовостійких алгоритмів квантового навчання
- Параметризовані квантові схеми
- Гібридна оптимізація
- Кодування даних
- Карти квантових функцій
- Методи ядра
- Квантова теорія навчання
- Квантові нейронні мережі
Що особливого у другому виданні? Крім того, чим він відрізняється від першого видання? Він виходить за рамки методів навчання під наглядом і обговорює майбутнє методів і алгоритмів навчання квантової машини.
Практичний Quantum ML з Python
Написана д-ром Френком Зікертом, ця книга «Практичне квантове машинне навчання за допомогою Python» має на меті зробити вас експертом із квантового машинного навчання.
Усередині ви знайдете:
- Глибоке занурення в основи квантового навчання, включаючи, але не обмежуючись цим, кубіти, квантові ворота та квантові схеми
- Як застосувати квантові опорні векторні машини (QSVM), квантові k-середні та квантові машини Больцмана до питань комбінаторної оптимізації
- Крім того, декілька реальних розв’язків поширених проблем, таких як проблема комівояжера (TSP) і проблема квадратичної необмеженої бінарної оптимізації (QUBO).
- Як використовувати квантові флуктуації та вирішувати проблеми за допомогою квантового відпалу
- Крім того, такі алгоритми, як Quantum Approximate Optimization Algorithm (QAOA) і Varitional Quantum Eigensolver (VQE)
- Фреймворки квантових обчислень, реальні програми та практичні приклади
Quantum ML з Python
Хочете освоїти основи квантового машинного навчання? Книга Сантану Паттанаяка про квантову машину з Python ідеально підходить для інженерів та ентузіастів QML.
Всередині ви дізнаєтеся:
- Основи квантового ML-обчислення, такі як нотації Дірака, кубіти та стан Белла
- Квантові алгоритми, такі як квантове перетворення Фур’є, фазова оцінка та HHL (Harrow-Hassidim-Lloyd)
- Як використовувати QML для вирішення проблем у сфері фінансів, прогнозування, геноміки, логістики ланцюга поставок тощо
- На додаток до квантових адіабатичних процесів і квантової оптимізації
- Використовуйте інструментарій Qiskit від IBM і Cirq від Google Research для роботи над алгоритмами квантових обчислень
- Використовуйте Python, щоб реалізувати додаткові алгоритми на основі Quantum і переглянути основні проблеми реальних програм
Якщо ви не хочете просто зупинятися на ресурсах QML, продовжте свою навчальну подорож, досліджуючи ці платформи Quantum computing:
IBM Quantum
Отримайте безкоштовний хмарний доступ до найсучасніших квантових комп’ютерів онлайн за допомогою IBM Quantum.
Ідеально підходить для викладачів, розробників і учнів, IBM дозволяє запускати ваші квантові схеми, просто зареєструвавшись і отримавши маркер API.
Отже, ви отримаєте доступ до симуляторів і 7-кубітних і 5-кубітних QPU, де ви отримаєте можливість навчатися, розробляти та запускати програми. Крім того, ось що дозволяє робити квантова платформа IBM:
- Вивчіть квантове програмування, використовуючи покрокові посібники
- Крім того, використовуйте IBM Quantum Composer, щоб допомогти побудувати та візуалізувати квантові схеми графічно на квантовому обладнанні та симуляторах
- Код, програма та прототип із Python у лабораторії IBM Quantum, хмарному середовищі Jupyter Notebook
Є більше. Ви можете записатися на програму Quantum Researcher та програму Educator. Крім того, каталог документів IBM також є досить потужним. Від документації Quantum Composer для початківців до Qiskit Runtime для розробників, ви обов’язково знайдете тут усе, що вам потрібно.
Крім того, якщо ви викладач, ви можете використовувати Field Guide для викладання тем. На додаток до випробування підручників Quantum lab для створення та тестування алгоритмів як дослідників.
Google Cirq
Cirq від Google — це бібліотека програмного забезпечення Python, яку можна використовувати для створення та оптимізації квантових схем і запуску їх на квантовому обладнанні та симуляторах. Будучи повністю відкритим вихідним кодом, він дозволяє досягати найсучасніших результатів за допомогою абстракцій, створених для сучасних квантових комп’ютерів.
Cirq ідеально підходить як для початківців, так і для досвідчених користувачів і пропонує пропозиції, які підходять кожному. Як початківець, ви можете навчитися будувати та симулювати квантові схеми для виконання перетворень.
Як досвідченому користувачеві Cirq дозволяє написати квантовий наближений алгоритм оптимізації для апаратного забезпечення NISQ для оптимізації рішень, які були немислимі в класичних обчисленнях. Давайте розглянемо функції Cirq від Google Quantum AI, які допоможуть вам:
- Досліджуйте стратегії вставки QML, щоб створювати бажані квантові схеми та покращувати їх
- Навчіться визначати пристрої та апаратне забезпечення, щоб визначити, чи схеми QML є практичними та чи не матимуть обмежень у роботі
- Симулюйте за допомогою Cirq або симулятора хвильової функції qism, імітуйте квантове обладнання та квантову віртуальну машину
- Проводьте наскрізні експерименти з квантовими процесами Google і переглядайте код попередніх симуляторів
Що робить Cirq надійним, так це покрокові детальні навчальні посібники та посібники, які він містить. Від навчання Cirq до гарного списку квантових алгоритмів у підручниках до вивчення тонкощів квантової віртуальної машини (QVM) – ви дізнаєтеся про все найважливіше.
Найважливіше те, що ви також можете навчитися впроваджувати алгоритми квантової оптимізації на реальному обладнанні. Але це ще не все!
Оскільки це спільнота з відкритим вихідним кодом, ви можете приєднуватися до щотижневих зустрічей і робити внесок у фреймворк з відкритим кодом.
Amazon Braket
Amazon Braket, створений для прискорення досліджень квантових обчислень, є повністю керованим сервісом. Ось найважливіші функції:
- Використовуйте послідовний набір інструментів розробки для роботи на квантових комп’ютерах
- Створюйте квантові алгоритми в надійній хмарі та перевіряйте їх у високопродуктивних симуляторах
- Впроваджуйте інновації за допомогою технічних і експертних порад лабораторій Amazon Quantum Solutions
- Алгоритми дослідження та доступ до надпровідних, захоплених іонів, нейтральних атомів і фотонних пристроїв для тестування різного обладнання
- Створюйте квантове програмне забезпечення або розробляйте фреймворки з відкритим кодом
Ви можете підписатися на безкоштовний рівень AWS на 1 рік або розпочати наукові дослідження в рамках програми AWS Cloud Credit for Research.
Квантова хмарна служба Azure
Хмарний сервіс, що включає квантове обладнання, програмне забезпечення та різноманітний набір інструментів: це хмарний сервіс Azure Quantum. Що дає вам ця платформа? Давайте подивимося:
- Отримайте краще уявлення про виконання квантових програм за допомогою інструменту оцінки квантових ресурсів Azure
- Крім того, поєднуйте класичні та квантові методи обчислень для створення гібридних алгоритмів
- Отримайте доступ до освітніх ресурсів, таких як Microsoft Learn, навчальні посібники Quantum Kata та промислові випадки використання, щоб зрозуміти світ QML
Отже, ви можете розпочати роботу з безкоштовним доступом до набору для розробки з відкритим кодом, сумісного з Q#, Cirq і Qiskit.
Резюме
У той час як ми обговорювали поглиблені курси QML, які допоможуть вам бути в курсі того, що відбувається в квантовому світі, ви можете почати з книг для традиційно структурованого вступу в квантові обчислення.
Ви також можете досліджувати 4 платформи (IBM, Google Cirq, Amazon Braket і Azure), щоб отримати практичний досвід навчання квантової машини з доступом до квантового апаратного забезпечення та хмари.
Більшість із цих платформ є відкритими, і якщо ви шукаєте спільноту для розвитку, вони ідеально підійдуть!
Ви також можете ознайомитися з найкращими курсами Data Science.
