EITC/AI/TFQML TensorFlow Quantum Machine Learning бол Google TensorFlow Quantum номын санг ашиглах, Google Quantum Processor Sycamore архитектур дээр компьютерийн сургалтыг хэрэгжүүлэхэд ашигладаг Европын Мэдээллийн технологийн гэрчилгээжүүлэх хөтөлбөр юм.
EITC/AI/TFQML TensorFlow Quantum Machine Learning-ийн сургалтын хөтөлбөр нь дараахь бүтцийн хүрээнд зохион байгуулагдсан Google Quantum Processor Sycamore архитектур дээр суурилсан дэвшилтэт квант тооцоолох загварт суурилсан машин сурахад зориулагдсан Google-ийн TensorFlow квант номын санг ашиглах онолын мэдлэг, практик ур чадвар дээр төвлөрдөг. энэхүү ОҮИТБС-ын гэрчилгээний лавлагаа болох дидактик агуулга.
TensorFlow Quantum (TFQ) нь эрлийз квант-сонгодог ML загварыг хурдан эх загварчлахад зориулагдсан квант машин сурах номын сан юм. Квант алгоритм ба програмын талаархи судалгаа нь TensorFlow дотроос Google-ийн квант тооцоолох хүрээг ашиглах боломжтой юм.
TensorFlow Quantum нь квант өгөгдөлд анхаарлаа төвлөрүүлж, эрлийз квант-сонгодог загваруудыг бий болгодог. Энэ нь Cirq (квант хэлхээний загварт суурилсан квант програмчлалын хүрээ) -д боловсруулсан квант тооцоолох алгоритм ба логикийг нэгтгэж, өндөр гүйцэтгэлтэй квант хэлхээний симуляторуудын хамт одоо байгаа TensorFlow API-тэй нийцсэн квант тооцоолох командуудыг өгдөг. TensorFlow Quantum цагаан цаасан дээрээс уншина уу.
Квантын тооцоолол гэдэг нь тооцоолол хийхэд супер байрлал, орооцолдох зэрэг квантын үзэгдлийг ашиглах явдал юм. Квант тооцоолол хийдэг компьютерийг квант компьютер гэж нэрлэдэг. Квантын компьютерууд нь бүхэл тоон факторчлол (RSA шифрлэлтэд тулгуурладаг) гэх мэт тооцооллын тодорхой асуудлуудыг шийдвэрлэх чадвартай гэж үздэг бөгөөд энэ нь сонгодог компьютеруудаас хамаагүй хурдан юм. Квант тооцооллыг судлах нь квант мэдээллийн шинжлэх ухааны дэд салбар юм.
Квант тооцоолол 1980-аад оны эхээр эхэлсэн бөгөөд физикч Пол Бениофф Тюринг машины квант механик загварыг санал болгосон. Ричард Фейнман, Юрий Манин нар дараа нь квант компьютер нь сонгодог компьютерийн хийж чадахгүй зүйлийг дууриах чадвартай гэж үзсэн. 1994 онд Питер Шор RSA шифрлэгдсэн харилцаа холбооны шифрийг тайлах чадвартай бүхэл тоонуудыг факторинг хийх квант алгоритмыг боловсруулсан. 1990-ээд оны сүүлчээс хойш туршилтын ахиц дэвшил гарч байгаа ч ихэнх судлаачид "алдаанд тэсвэртэй квант тооцоолол нь холын мөрөөдөл хэвээр байна" гэж үздэг. Сүүлийн жилүүдэд квант тооцооллын судалгаанд оруулах хөрөнгө оруулалт төрийн болон хувийн хэвшлийн аль алинд нь нэмэгдэж байна. 23 оны 2019-р сарын XNUMX-нд Google AI нь АНУ-ын Үндэсний нисэх, сансар судлалын газар (NASA) -тай хамтран ямар ч сонгодог компьютер дээр ашиглах боломжгүй квант тооцоолол хийсэн гэж мэдэгдэв (квантын давамгайллын үр дүн гэгддэг).
Квант хэлхээний загвар, квант Тюринг машин, адиабат квант компьютер, нэг талын квант компьютер, төрөл бүрийн квант эсийн автомат зэрэг хэд хэдэн загварууд байдаг (квант тооцоолох системүүд гэх мэт). Хамгийн өргөн хэрэглэгддэг загвар бол квант хэлхээ юм. Квантын хэлхээ нь квант бит буюу “кубит” дээр суурилдаг бөгөөд энэ нь сонгодог тооцооллын биттэй арай адил төстэй юм. Кубит нь 1 эсвэл 0 квант төлөвт, эсвэл 1 ба 0 төлөвийн супер байрлалд байж болно. Гэсэн хэдий ч кубитуудыг хэмжихэд хэмжлийн үр дүн нь үргэлж 0 эсвэл 1 байна; эдгээр хоёр үр дүнгийн магадлал нь кубитууд хэмжихийн өмнөхөн байсан квант төлөвөөс хамаарна.
Физик квант компьютер бүтээх ахиц дэвшил нь өндөр чанарын кубитуудыг бий болгох зорилго бүхий трансмон, ион хураагч, топологийн квант компьютер зэрэг технологид чиглэгддэг. Квант логик хаалга, квант анинин, эсвэл адиабат квант тооцоолол зэргээс хамаарч эдгээр квотыг компьютерын бүрэн тооцоолох загвараас хамаарч өөр өөрөөр боловсруулж болно. Ашигтай квант компьютер бүтээхэд хэд хэдэн чухал саад бэрхшээл тулгараад байна. Ялангуяа кубитын квант төлөвийг квант задрал, төлөвийн үнэнч байдлаас болж хадгалахад хэцүү байдаг. Тиймээс квантын компьютерууд алдаа засах шаардлагатай байдаг. Сонгодог компьютерээр шийдэж болох тооцооллын аливаа асуудлыг квант компьютерээр бас шийдэж болно. Үүний эсрэгээр квант компьютерээр шийдэж болох аливаа асуудлыг ядаж зарчмын хувьд хангалттай хугацаа өгч сонгодог компьютерээр шийдэж болно. Өөрөөр хэлбэл квант компьютерууд Сүм-Тюрингийн дипломын ажилд захирагддаг. Энэ нь квант компьютерууд нь тооцоолох чадварын хувьд сонгодог компьютеруудтай харьцуулахад нэмэлт давуу талгүй гэсэн үг боловч тодорхой асуудлуудын квант алгоритмууд нь мэдэгдэж буй сонгодог алгоритмуудаас харьцангуй бага хугацааны нарийн төвөгтэй байдаг. Ялангуяа квант компьютерууд ямар ч сонгодог компьютер шийдэж чадахгүй тодорхой асуудлуудыг хурдан хугацаанд шийдэж чаддаг гэж үздэг бөгөөд энэ нь "квант ноёрхол" гэж нэрлэдэг. Квант компьютертэй холбоотой асуудлуудын тооцооллын нарийн төвөгтэй байдлыг судлах ажлыг квантын нарийн төвөгтэй байдлын онол гэж нэрлэдэг.
Google Sycamore бол Google Inc-ийн Хиймэл оюун ухааны хэлтсийн бүтээсэн квант процессор юм. Энэ нь 53 кубитээс бүрдэнэ.
2019 онд Sycamore нь Google-ийн Nature цаасан дээр хамгийн сүүлийн үеийн супер компьютерийг 200 жилийн хугацаанд барьж дуусгах болно гэж мэдэгдсэн даалгаврыг 10,000 секундын дотор гүйцэтгэсэн. Тиймээс Google нь квантын давамгайлалд хүрсэн гэж мэдэгдэв. Сонгодог супер компьютерийн зарцуулах цаг хугацааг тооцоолохын тулд Google нь дэлхийн хамгийн хүчирхэг сонгодог компьютер болох Summit дээр квант хэлхээний симуляцийн хэсгүүдийг ажиллуулав. Дараа нь IBM эсрэг даалгавар дэвшүүлж, уг даалгавар нь Summit шиг сонгодог систем дээр ердөө 2.5 хоног болно гэж мэдэгдсэн. Хэрэв Google-ийн нэхэмжлэлийг хангаж байгаа бол энэ нь тооцоолох чадвар дахь үсрэнгүй үсрэлтийг илэрхийлнэ.
2020 оны 12-р сард Google-д ажиллаж байсан квант инженерүүд квант компьютер дээрх хамгийн том химийн симуляци болох Sycamore-той харьцуулсан Hartree-Fock ойролцоо хувилбарыг сонгож, XNUMX кубит системийн шинэ параметрүүдийг өгөх үр дүнг шинжилсэн талаар мэдээлэв.
2020 оны 76-р сард USTC-ийн бүтээсэн Хятадын фотонд суурилсан Жиужан процессор 10 кубитийн хүчин чадалтай болж, Sycamore-оос XNUMX тэрбум дахин хурдан болсон нь квант ноёрхлыг олж авсан хоёр дахь компьютер болжээ.
Квант хиймэл оюун ухааны лаборатори (үүнийг Quantum AI Lab эсвэл QuAIL гэж нэрлэдэг) нь НАСА, Их сургуулиудын сансрын судалгааны холбоо, Google (ялангуяа Google Research) -ийн хамтарсан санаачилга бөгөөд квант тооцоолол нь машин сурахад хэрхэн тус болох талаар судалгаа шинжилгээний ажлыг эхлүүлэх зорилготой юм. болон бусад компьютерийн хүнд хэцүү асуудлууд. Лаборатори нь НАСА-ийн Амес судалгааны төвд байрладаг.
Квант хиймэл оюун ухааны лабораторийг 16 оны 2013-р сарын XNUMX-ны өдөр Google Research компани блог дээрээ нийтэлж зарласан. Лаборатори нь худалдаанд гарах хамгийн дэвшилтэт квант компьютер болох D-Wave Systems-ийн D-Wave Two компьютерийг ашиглаж байсан.
20 оны 2013-р сарын 10-нд хүмүүс лабораторийн D-Wave Two дээр цаг ашиглах хүсэлт гаргаж болно гэж мэдэгдсэн. 2013 оны 18-р сарын 2013-нд Google нь Квант хиймэл оюун ухааны лабораторийн өнөөгийн байдлыг тодорхойлсон богино хэмжээний киног гаргасан. XNUMX оны XNUMX-р сарын XNUMX-нд Google квант физикийг Minecraft-т оруулсан гэдгээ зарлав.
2014 оны 2-р сард Google нь лабораторийн D-Wave Two-ийн гүйцэтгэлийг сонгодог компьютеруудтай харьцуулсан үр дүнг мэдээлэв. Үр дүн нь хоёрдмол утгатай болж, интернетэд халуухан хэлэлцүүлэг өрнүүлэв. 2014 оны XNUMX-р сарын XNUMX-нд Квант хиймэл оюун ухааны лаборатори нь UC Santa Barbara-тай хамтран хэт дамжуулагч электроник дээр суурилсан квант мэдээллийн процессоруудыг бий болгох санаачилга гаргана гэж мэдэгдсэн.
23 оны 2019-р сарын XNUMX-нд Квант хиймэл оюун ухааны лаборатори квантын давамгайлалд хүрсэнээ цаасан дээр зарлав.
Google AI Quantum нь квант тооцоололыг хөгжүүлж, судлаачид болон хөгжүүлэгчдэд онолын болон практик аль алинд нь тулгамдсан асуудлыг шийдвэрлэхэд туслах квант процессорууд болон шинэ квант алгоритмуудыг боловсруулж байна.
Квантын тооцоолол нь хиймэл оюун ухаан, түүний дотор маргаашийн инновацийг хөгжүүлэхэд тусалдаг гэж үздэг. Тиймээс Google нь зориулалтын квантын техник хангамж, програм хангамжийг бий болгоход ихээхэн хэмжээний нөөцийг зарцуулдаг.
Квант тооцоолол бол хиймэл оюун ухааны ажлыг түргэсгэхэд томоохон үүрэг гүйцэтгэх шинэ загвар юм. Google нь судлаач, хөгжүүлэгчдэд сонгодог тооцоолох чадвараас гадна ажиллах боломжтой нээлттэй эхийн хүрээ, тооцоолох чадварт нэвтрэхийг санал болгохыг зорьж байна.
Google AI Quantum-ийн гол анхаарлын чиглэлүүд нь
- Супер дамжуулагч кубит процессорууд: Хоёр кубит хаалганы алдааг чиглэсэн чип дээр суурилсан өргөтгөх боломжтой архитектуртай хэт дамжуулагч кубитууд <0.5%.
- Кубит хэмжилзүй: Хоёр кубитын алдагдлыг 0.2% -иас бууруулах нь алдааг засахад чухал үүрэг гүйцэтгэдэг. Бид орчин үеийн сонгодог компьютерууд болон алгоритмуудын чадамжаас давсан квантын хэлхээг дээжлэн авахын тулд квантын давамгайллын туршилт хийхээр ажиллаж байна.
- Квантын симуляци: Физик системийн симуляци нь квант тооцооллын хамгийн их хүлээгдэж буй хэрэглээний нэг юм. Ялангуяа химийн болон материал судлалын хэрэглээний харилцан үйлчлэлтэй электронуудын системийг загварчлах квант алгоритм дээр анхаарлаа төвлөрүүлдэг.
- Квантын туслалцаатай оновчлол: Бид ойролцоогоор оновчлох зорилгоор эрлийз квант-сонгодог уусгагчийг боловсруулж байна. Сонгодог алгоритм дахь дулааны үсрэлтийг квантын шинэчлэлтийг дуудаж сайжруулж болно. Хүн амын шилжилт хөдөлгөөнийг бид ялангуяа сонирхож байна.
- Квантын мэдрэлийн сүлжээ: Бид ойрын хугацааны процессорууд дээр квант мэдрэлийн сүлжээг хэрэгжүүлэх хүрээг боловсруулж байна. Сүлжээний ашиглалтын явцад хэт их байрлал үүсэхэд ямар давуу талууд гарч болохыг бид сонирхож байна.
Google AI Quantum-ийн боловсруулсан гол хэрэгслүүд нь практик асуудлуудад зориулж ойрын хугацааны програмуудыг шийдвэрлэхэд туслах шинэ квантын алгоритмуудыг боловсруулахад зориулагдсан нээлттэй эхийн хүрээ юм. Үүнд:
- Cirq: Ойрын хугацааны квант процессорууд дээр дуу чимээтэй завсрын квант (NISQ) алгоритм байгуулах, туршилт хийх нээлттэй эх үүсвэрийн квант тогтолцоо.
- OpenFermion: хими, материал судлалын асуудлуудыг одоо байгаа платформ дээр гүйцэтгэж болох квант хэлхээнд шилжүүлэх нээлттэй эх сурвалж бүхий платформ
Google AI Quantum ойрын хэрэглээнд дараахь зүйлс орно.
Квантын загварчлал
Шинэ материалын дизайн, нарийн физикийг хими, конденсацын загварыг нарийвчлан загварчлах замаар тодруулах нь квант тооцооллын хамгийн ирээдүйтэй хэрэглээ юм.
Алдааг бууруулах арга техник
Одоогийн төхөөрөмжүүдийн дуу чимээг эрс бууруулах чадвартай квантын алдааг бүрэн засах арга замыг боловсруулахаар ажиллаж байна. Бүрэн хэмжээний алдаанд тэсвэртэй квант тооцоолол нь нэлээд их хөгжлийг шаарддаг боловч бид ойрын хугацааны төхөөрөмжүүдийн хэрэглээний гүйцэтгэлийг сайжруулахын тулд квантын алдааг засах арга техникийг ашиглахад туслах зорилгоор квант дэд орон зайг өргөжүүлэх аргыг боловсруулсан болно. Үүнээс гадна эдгээр аргууд нь ойрын хугацааны төхөөрөмжүүд дээр нарийн төвөгтэй квант кодыг турших боломжийг олгодог. Бид эдгээр техникийг шинэ чиглэлд идэвхтэй түлхэж, тэдгээрийг ойрын хугацааны туршилтын дизайны үндэс болгон ашиглаж байна.
Квантын машин сурах
Ойрын хугацааны квант төхөөрөмж дээр эрлийз квант-сонгодог машин сурах арга техникийг боловсруулж байна. Бид квант ба сонгодог өгөгдлийг ангилах, кластержуулах бүх нийтийн квантын хэлхээний сургалтыг судалж байна. Түүнчлэн квант холбооны сүлжээнд квант давтагч, төлөвийг цэвэршүүлэх нэгж болгон ашиглаж болох эсвэл бусад квант хэлхээг баталгаажуулах зорилгоор үүсгэж болох, ялгаварлан гадуурхдаг квант мэдрэлийн сүлжээг бид сонирхож байна.
Квантын оновчлол
Сансрын, автомашины болон бусад салбар дахь салангид оновчлол нь эрлийз квант-сонгодог оновчлолоос ашиг хүртэх боломжтой, жишээлбэл загварчилсан анилизаци, квантын тусламжтайгаар оновчлох алгоритм (QAOA) ба квантын сайжруулсан популяцийн шилжилт нь өнөөгийн процессоруудтай адил ашигтай байж болох юм.
Баталгаажуулалтын сургалтын хөтөлбөртэй дэлгэрэнгүй танилцахын тулд та доорх хүснэгтийг өргөжүүлж, дүн шинжилгээ хийж болно.
EITC/AI/TFQML TensorFlow квант машин сургалтын гэрчилгээ олгох сургалтын хөтөлбөр нь видео хэлбэрээр нээлттэй хандалтын дидактик материалыг иш татдаг. Сургалтын үйл явц нь сургалтын хөтөлбөрийн холбогдох хэсгүүдийг хамарсан алхам алхмаар бүтцэд (хөтөлбөр -> хичээл -> сэдэв) хуваагдана. Домэйн мэргэжилтнүүдтэй хязгааргүй зөвлөгөө өгдөг.
Баталгаажуулалтын журмын талаарх дэлгэрэнгүй мэдээллийг шалгана уу Хэрхэн ажилладаг.
Сургалтын хөтөлбөрийн лавлах материал
TensorFlow Quantum (TFQ) нь эрлийз квант-сонгодог ML загварыг хурдан эх загварчлахад зориулагдсан квант машин сурах номын сан юм. Квант алгоритм ба програмын талаархи судалгаа нь TensorFlow дотроос Google-ийн квант тооцоолох хүрээг ашиглах боломжтой юм. TensorFlow Quantum нь квант өгөгдөлд анхаарлаа төвлөрүүлж, эрлийз квант-сонгодог загваруудыг бий болгодог. Энэ нь Cirq-д боловсруулсан квант тооцоолох алгоритм ба логикийг нэгтгэж, өндөр хүчин чадалтай квант хэлхээний симуляторуудын хамт одоо байгаа TensorFlow API-тэй нийцсэн квант тооцоолох командуудыг өгдөг. TensorFlow Quantum цагаан цаасан дээрээс уншина уу. Нэмэлт лавлагаа болгон та тоймыг шалгаж, дэвтэрийн зааврыг ажиллуулж болно.
https://www.tensorflow.org/quantum
Цирк
Cirq бол дуу чимээтэй завсрын квант (NISQ) компьютеруудын нээлттэй эх үүсвэрийн хүрээ юм. Үүнийг Google AI квант баг боловсруулсан бөгөөд олон нийтийн альфа-г 18 оны 2018-р сарын XNUMX-нд болсон квант програм хангамж ба квант машины сургалтын олон улсын семинар дээр зарласан. QC Ware-ийн хийсэн демо нь QAOA-ийн хэрэгжилтийг харуулсан нь хамгийн их бууруулах жишээг харуулсан болно. асуудлыг Cirq симулятор дээр шийдвэрлэж байна. Cirq дахь квант програмыг "Circuit" ба "Schedule" -ээр төлөөлдөг бөгөөд "Circuit" нь квантын хэлхээг, "Schedule" нь квантын хэлхээг илэрхийлдэг бөгөөд цаг хугацааны мэдээлэлтэй байдаг. Програмыг орон нутгийн симулятор дээр гүйцэтгэж болно. Cirq дээр Bell төлөвийг хэрхэн үүсгэх, хэмжихийг дараах жишээнд үзүүлэв.
импорт цирк
# Кубитуудыг сонго
кубит0 = цирк.GridQubit(0, 0)
кубит1 = цирк.GridQubit(0, 1)
# Хэлхээ үүсгэх
хэлхээ = цирк.Circuit.эхээс(
цирк.H(кубит0),
цирк.ҮГҮЙ(кубит0, кубит1),
цирк.хэмжих(кубит0, гол='m0'),
цирк.хэмжих(кубит1, гол='m1')
)
Хэлхээг хэвлэх нь түүний диаграммыг харуулна
хэвлэх(хэлхээ)
# хэвлэнэ
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Цахилгаан хэлхээг дууриаж хийснээр кубитуудын хэмжилт хоорондоо уялдаа холбоотой болохыг харуулж байна.
симулятор = цирк.Simulator()
үр дүн = симулятор.ажиллуулах(хэлхээ, давталт=5)
хэвлэх(үр дүн)
# хэвлэнэ
# m0 = 11010
# m1 = 11010
EITC/AI/TFQML TensorFlow Quantum Machine Learning програмын бүрэн оффлайн бие даан суралцах бэлтгэл материалыг PDF файлаар татаж аваарай.
EITC/AI/TFQML бэлтгэх материал – стандарт хувилбар
EITC/AI/TFQML-ийн бэлтгэл материалууд – хянан шалгах асуулт бүхий өргөтгөсөн хувилбар