EITC/AI/TFQML TensorFlow Quantum Machine Learning adalah program Sertifikasi TI Eropa tentang penggunaan pustaka Google TensorFlow Quantum untuk menerapkan pembelajaran mesin pada arsitektur Google Quantum Processor Sycamore.
Kurikulum EITC/AI/TFQML TensorFlow Quantum Machine Learning berfokus pada pengetahuan teoretis dan keterampilan praktis dalam menggunakan perpustakaan TensorFlow Quantum Google untuk pembelajaran mesin berbasis model komputasi kuantum lanjutan pada arsitektur Google Quantum Processor Sycamore yang diatur dalam struktur berikut, mencakup video komprehensif konten didaktik sebagai acuan Sertifikasi EITC ini.
TensorFlow Quantum (TFQ) adalah library pembelajaran mesin kuantum untuk pembuatan prototipe cepat model ML kuantum klasik hibrida. Penelitian dalam algoritme dan aplikasi kuantum dapat memanfaatkan kerangka kerja komputasi kuantum Google, semuanya dari dalam TensorFlow.
TensorFlow Quantum berfokus pada data kuantum dan membangun model klasik kuantum hibrida. Ini mengintegrasikan algoritma dan logika komputasi kuantum yang dirancang dalam Cirq (kerangka pemrograman kuantum berdasarkan model sirkuit kuantum), dan menyediakan primitif komputasi kuantum yang kompatibel dengan API TensorFlow yang ada, bersama dengan simulator sirkuit kuantum berkinerja tinggi. Baca selengkapnya di kertas putih TensorFlow Quantum.
Komputasi kuantum adalah penggunaan fenomena kuantum seperti superposisi dan keterjeratan untuk melakukan komputasi. Komputer yang melakukan komputasi kuantum dikenal sebagai komputer kuantum. Komputer kuantum diyakini mampu memecahkan masalah komputasi tertentu, seperti faktorisasi bilangan bulat (yang mendasari enkripsi RSA), jauh lebih cepat daripada komputer klasik. Studi komputasi kuantum adalah subbidang ilmu informasi kuantum.
Komputasi kuantum dimulai pada awal 1980-an, ketika fisikawan Paul Benioff mengusulkan model mekanika kuantum dari mesin Turing. Richard Feynman dan Yuri Manin kemudian menyarankan bahwa komputer kuantum memiliki potensi untuk mensimulasikan hal-hal yang tidak dapat dilakukan oleh komputer klasik. Pada tahun 1994, Peter Shor mengembangkan algoritma kuantum untuk memfaktorkan bilangan bulat yang memiliki potensi untuk mendekripsi komunikasi terenkripsi RSA. Meskipun kemajuan eksperimental yang sedang berlangsung sejak akhir 1990-an, sebagian besar peneliti percaya bahwa "komputasi kuantum yang toleran terhadap kesalahan masih merupakan mimpi yang agak jauh.". Dalam beberapa tahun terakhir, investasi dalam penelitian komputasi kuantum telah meningkat baik di sektor publik maupun swasta. Pada 23 Oktober 2019, Google AI, bekerja sama dengan Badan Penerbangan dan Antariksa Nasional AS (NASA), mengklaim telah melakukan komputasi kuantum yang tidak mungkin dilakukan di komputer klasik mana pun (disebut hasil supremasi kuantum).
Ada beberapa model komputer kuantum (atau lebih tepatnya, sistem komputasi kuantum), termasuk model sirkuit kuantum, mesin Turing kuantum, komputer kuantum adiabatik, komputer kuantum satu arah, dan berbagai automata seluler kuantum. Model yang paling banyak digunakan adalah sirkuit kuantum. Sirkuit kuantum didasarkan pada bit kuantum, atau "qubit", yang agak analog dengan bit dalam perhitungan klasik. Qubit dapat berada dalam keadaan kuantum 1 atau 0, atau mereka dapat berada dalam superposisi keadaan 1 dan 0. Namun, ketika qubit diukur, hasil pengukuran selalu berupa 0 atau 1; probabilitas dari dua hasil ini bergantung pada keadaan kuantum tempat qubit berada tepat sebelum pengukuran.
Kemajuan menuju pembangunan komputer kuantum fisik berfokus pada teknologi seperti transmon, perangkap ion, dan komputer kuantum topologi, yang bertujuan untuk menciptakan qubit berkualitas tinggi. Qubit ini dapat dirancang secara berbeda, tergantung pada model komputasi komputer kuantum penuh, apakah gerbang logika kuantum, anil kuantum, atau perhitungan kuantum adiabatik. Saat ini ada sejumlah kendala signifikan dalam cara membangun komputer kuantum yang berguna. Secara khusus, sulit untuk mempertahankan keadaan kuantum qubit karena mereka menderita dekoherensi kuantum dan kesetiaan keadaan. Oleh karena itu komputer kuantum memerlukan koreksi kesalahan. Setiap masalah komputasi yang dapat diselesaikan oleh komputer klasik juga dapat diselesaikan oleh komputer kuantum. Sebaliknya, masalah apa pun yang dapat diselesaikan oleh komputer kuantum juga dapat diselesaikan oleh komputer klasik, setidaknya pada prinsipnya diberikan waktu yang cukup. Dengan kata lain, komputer kuantum mematuhi tesis Church-Turing. Meskipun ini berarti bahwa komputer kuantum tidak memberikan keuntungan tambahan dibandingkan komputer klasik dalam hal komputabilitas, algoritma kuantum untuk masalah tertentu memiliki kompleksitas waktu yang jauh lebih rendah daripada algoritma klasik terkait yang diketahui. Khususnya, komputer kuantum diyakini dapat dengan cepat memecahkan masalah tertentu yang tidak dapat dipecahkan oleh komputer klasik dalam jumlah waktu yang memungkinkan—suatu prestasi yang dikenal sebagai “supremasi kuantum.” Studi tentang kompleksitas komputasi masalah sehubungan dengan komputer kuantum dikenal sebagai teori kompleksitas kuantum.
Google Sycamore adalah prosesor kuantum yang dibuat oleh divisi Artificial Intelligence Google Inc. Ini terdiri dari 53 qubit.
Pada tahun 2019, Sycamore menyelesaikan tugas dalam 200 detik yang diklaim Google, dalam makalah Nature, akan membutuhkan superkomputer canggih 10,000 tahun untuk menyelesaikannya. Dengan demikian, Google mengklaim telah mencapai supremasi kuantum. Untuk memperkirakan waktu yang akan diambil oleh superkomputer klasik, Google menjalankan sebagian dari simulasi sirkuit kuantum di Summit, komputer klasik paling kuat di dunia. Kemudian, IBM membuat argumen tandingan, mengklaim bahwa tugas tersebut hanya akan memakan waktu 2.5 hari pada sistem klasik seperti Summit. Jika klaim Google ditegakkan, maka itu akan mewakili lompatan eksponensial dalam kekuatan komputasi.
Pada bulan Agustus 2020, para insinyur kuantum yang bekerja untuk Google melaporkan simulasi kimia terbesar pada komputer kuantum – perkiraan Hartree-Fock dengan Sycamore dipasangkan dengan komputer klasik yang menganalisis hasil untuk memberikan parameter baru bagi sistem 12-qubit.
Pada bulan Desember 2020, prosesor Jiuzhang berbasis foton China, yang dikembangkan oleh USTC, mencapai kekuatan pemrosesan 76 qubit dan 10 miliar kali lebih cepat daripada Sycamore, menjadikannya komputer kedua yang mencapai supremasi kuantum.
Quantum Artificial Intelligence Lab (juga disebut Quantum AI Lab atau QuAIL) adalah inisiatif bersama NASA, University Space Research Association, dan Google (khususnya, Google Research) yang tujuannya adalah untuk merintis penelitian tentang bagaimana komputasi kuantum dapat membantu pembelajaran mesin dan masalah ilmu komputer sulit lainnya. Laboratorium ini diselenggarakan di Pusat Penelitian Ames NASA.
Quantum AI Lab diumumkan oleh Google Research dalam posting blog pada 16 Mei 2013. Pada saat peluncuran, Lab menggunakan komputer kuantum paling canggih yang tersedia secara komersial, D-Wave Two dari D-Wave Systems.
Pada tanggal 20 Mei 2013, diumumkan bahwa orang dapat mengajukan permohonan untuk menggunakan waktu pada D-Wave Dua di Lab. Pada 10 Oktober 2013, Google merilis sebuah film pendek yang menggambarkan keadaan Quantum AI Lab saat ini. Pada 18 Oktober 2013, Google mengumumkan bahwa mereka telah memasukkan fisika kuantum ke dalam Minecraft.
Pada Januari 2014, Google melaporkan hasil yang membandingkan kinerja D-Wave Two di lab dengan komputer klasik. Hasilnya ambigu dan memicu diskusi panas di Internet. Pada 2 September 2014, diumumkan bahwa Quantum AI Lab, dalam kemitraan dengan UC Santa Barbara, akan meluncurkan inisiatif untuk membuat prosesor informasi kuantum berbasis elektronik superkonduktor.
Pada 23 Oktober 2019, Quantum AI Lab mengumumkan dalam sebuah makalah bahwa mereka telah mencapai supremasi kuantum.
Google AI Quantum memajukan komputasi kuantum dengan mengembangkan prosesor kuantum dan algoritme kuantum baru untuk membantu para peneliti dan pengembang memecahkan masalah jangka pendek baik teoretis maupun praktis.
Komputasi kuantum dianggap membantu dalam pengembangan inovasi masa depan, termasuk AI. Itulah sebabnya Google menggunakan sumber daya yang signifikan untuk membangun perangkat keras dan perangkat lunak kuantum khusus.
Komputasi kuantum adalah paradigma baru yang akan berperan besar dalam mempercepat tugas AI. Google bertujuan untuk menawarkan para peneliti dan pengembang akses ke kerangka kerja sumber terbuka dan kekuatan komputasi yang dapat beroperasi di luar kemampuan komputasi klasik.
Area fokus utama Google AI Quantum adalah
- Prosesor qubit superkonduktor: Qubit superkonduktor dengan arsitektur terukur berbasis chip yang menargetkan kesalahan gerbang dua qubit <0.5%.
- Metrologi qubit: Mengurangi kehilangan dua qubit di bawah 0.2% sangat penting untuk koreksi kesalahan. Kami sedang mengerjakan eksperimen supremasi kuantum, untuk kira-kira mengambil sampel sirkuit kuantum di luar kemampuan komputer dan algoritme klasik tercanggih.
- Simulasi kuantum: Simulasi sistem fisik adalah salah satu aplikasi komputasi kuantum yang paling diantisipasi. Kami terutama fokus pada algoritma kuantum untuk sistem pemodelan interaksi elektron dengan aplikasi dalam ilmu kimia dan material.
- Pengoptimalan berbantuan kuantum: Kami sedang mengembangkan pemecah klasik kuantum hibrida untuk pengoptimalan perkiraan. Lompatan termal dalam algoritme klasik untuk mengatasi hambatan energi dapat ditingkatkan dengan menerapkan pembaruan kuantum. Kami secara khusus tertarik pada transfer populasi yang koheren.
- Jaringan saraf kuantum: Kami sedang mengembangkan kerangka kerja untuk mengimplementasikan jaringan saraf kuantum pada prosesor jangka pendek. Kami tertarik untuk memahami keuntungan apa yang mungkin timbul dari menghasilkan status superposisi masif selama pengoperasian jaringan.
Alat utama yang dikembangkan oleh Google AI Quantum adalah kerangka kerja sumber terbuka yang dirancang khusus untuk mengembangkan algoritme kuantum baru guna membantu memecahkan aplikasi jangka pendek untuk masalah praktis. Ini termasuk:
- Cirq: kerangka kerja kuantum sumber terbuka untuk membangun dan bereksperimen dengan algoritme kuantum skala menengah yang bising (NISQ) pada prosesor kuantum jangka pendek
- OpenFermion: platform sumber terbuka untuk menerjemahkan masalah dalam kimia dan ilmu material ke dalam sirkuit kuantum yang dapat dieksekusi pada platform yang ada
Aplikasi jangka pendek Google AI Quantum meliputi:
Simulasi Kuantum
Desain material baru dan penjelasan fisika kompleks melalui simulasi kimia dan model materi terkondensasi yang akurat adalah salah satu aplikasi komputasi kuantum yang paling menjanjikan.
Teknik mitigasi kesalahan
Kami bekerja untuk mengembangkan metode di jalan menuju koreksi kesalahan kuantum penuh yang memiliki kemampuan secara dramatis mengurangi kebisingan di perangkat saat ini. Sementara komputasi kuantum toleransi kesalahan skala penuh mungkin memerlukan pengembangan yang cukup besar, kami telah mengembangkan teknik perluasan subruang kuantum untuk membantu memanfaatkan teknik dari koreksi kesalahan kuantum untuk meningkatkan kinerja aplikasi pada perangkat jangka pendek. Selain itu, teknik ini memfasilitasi pengujian kode kuantum kompleks pada perangkat jangka pendek. Kami secara aktif mendorong teknik ini ke area baru dan memanfaatkannya sebagai dasar untuk desain eksperimen jangka pendek.
Pembelajaran Mesin Kuantum
Kami sedang mengembangkan teknik pembelajaran mesin klasik kuantum hibrida pada perangkat kuantum jangka pendek. Kami sedang mempelajari pembelajaran sirkuit kuantum universal untuk klasifikasi dan pengelompokan data kuantum dan klasik. Kami juga tertarik pada jaringan saraf kuantum generatif dan diskriminatif, yang dapat digunakan sebagai repeater kuantum dan unit pemurnian keadaan dalam jaringan komunikasi kuantum, atau untuk verifikasi sirkuit kuantum lainnya.
Optimasi Kuantum
Optimalisasi diskrit di aerospace, otomotif, dan industri lainnya dapat mengambil manfaat dari pengoptimalan klasik kuantum hibrida, misalnya simulasi anil, algoritme pengoptimalan bantuan kuantum (QAOA) dan transfer populasi yang ditingkatkan kuantum mungkin berguna dengan prosesor saat ini.
Untuk mengenal diri Anda secara detail dengan kurikulum sertifikasi, Anda dapat memperluas dan menganalisis tabel di bawah ini.
Kurikulum Sertifikasi Machine Learning TensorFlow EITC/AI/TFQML TensorFlow mereferensikan materi didaktik akses terbuka dalam bentuk video. Proses pembelajaran dibagi menjadi struktur langkah demi langkah (program -> pelajaran -> topik) yang mencakup bagian kurikulum yang relevan. Konsultasi tak terbatas dengan pakar domain juga disediakan.
Untuk perincian tentang prosedur Sertifikasi, periksa Bagaimana itu bekerja.
Sumber Referensi Kurikulum
TensorFlow Quantum (TFQ) adalah library pembelajaran mesin kuantum untuk pembuatan prototipe cepat model ML kuantum klasik hibrida. Penelitian dalam algoritme dan aplikasi kuantum dapat memanfaatkan kerangka kerja komputasi kuantum Google, semuanya dari dalam TensorFlow. TensorFlow Quantum berfokus pada data kuantum dan membangun model klasik kuantum hibrida. Ini mengintegrasikan algoritme dan logika komputasi kuantum yang dirancang di Cirq, dan menyediakan primitif komputasi kuantum yang kompatibel dengan API TensorFlow yang ada, bersama dengan simulator sirkuit kuantum berperforma tinggi. Baca selengkapnya di kertas putih TensorFlow Quantum. Sebagai referensi tambahan, Anda dapat melihat ikhtisar dan menjalankan tutorial notebook.
https://www.tensorflow.org/quantum
lingkaran
Cirq adalah kerangka kerja sumber terbuka untuk komputer Noisy Intermediate Scale Quantum (NISQ). Ini dikembangkan oleh Tim Quantum AI Google, dan alfa publik diumumkan di Lokakarya Internasional tentang Perangkat Lunak Quantum dan Pembelajaran Mesin Quantum pada 18 Juli 2018. Demo oleh QC Ware menunjukkan implementasi penyelesaian QAOA contoh pemotongan maksimum masalah diselesaikan pada simulator Cirq. Program kuantum di Cirq diwakili oleh "Sirkuit" dan "Jadwal" di mana "Sirkuit" mewakili sirkuit Quantum dan "Jadwal" mewakili sirkuit Quantum dengan informasi waktu. Program dapat dijalankan pada simulator lokal. Contoh berikut menunjukkan cara membuat dan mengukur status Bell di Cirq.
mengimpor sekitar
# Pilih qubit
qubit0 = sekitar.GridQubit(0, 0)
qubit1 = sekitar.GridQubit(0, 1)
# Buat sirkuit
sirkit = sekitar.sirkit.dari_ops(
sekitar.H(qubit0),
sekitar.tidak(qubit0, qubit1),
sekitar.mengukur(qubit0, kunci='m0'),
sekitar.mengukur(qubit1, kunci='m1')
)
Mencetak sirkuit menampilkan diagramnya
mencetak(sirkit)
# cetakan
# (0, 0): H───@───M('m0')───
#
# (0, 1): X───M('m1')───
Simulasi sirkuit berulang kali menunjukkan bahwa pengukuran qubit berkorelasi.
simulator = sekitar.simulator()
mengakibatkan = simulator.menjalankan(sirkit, pengulangan=5)
mencetak(mengakibatkan)
# cetakan
#m0=11010
#m1=11010
Unduh materi persiapan pembelajaran mandiri offline lengkap untuk program Pembelajaran Mesin Quantum TensorFlow EITC/AI/TFQML dalam file PDF
Materi persiapan EITC/AI/TFQML – versi standar
Materi persiapan EITC/AI/TFQML – versi diperpanjang dengan pertanyaan ulasan