Efterhånden som vores liv bliver mere og mere dataorienteret, kræver begrænsningerne af klassisk databehandling en overgang til kvantemaskinelæring. Med evnen til at faktorisere og behandle enorme mængder datasæt hurtigt, kan kvantemaskinelæring accelerere effektivitet, beslutningstagning, forbedret mønstergenkendelse, forbedret sikkerhed og avanceret modellering.
Uanset anvendelsen af kvantemaskinelæring, er det et spirende felt, der vil blomstre hurtigere, end vi kan tro.
Derfor, hvis du er en QML-entusiast, bør du begive dig ud på en læringsrejse og mestre ins og outs af QML. Mens nedenstående ressourcer er designet til at hjælpe dig med at gøre netop det, lad os komme i gang med det grundlæggende.
Indholdsfortegnelse
Hvad er Quantum Machine Learning?
Kvantemaskinelæring er intet andet end integration af kvanteberegningsmetoder og algoritmer inden for maskinlæringsprogrammer. Ifølge Google er det blevet påvist, at kvantemaskinelæring er i stand til at løse komplekse problemer, der er udfordrende for klassiske/traditionelle computere.
Quantum Machine Learning kan være nyttig til forskellige områder, fra supply chain management til kryptografi til it.
Måder, hvorpå kvantemaskinelæring er anderledes
QML adskiller sig fra almindelig maskinlæring på mange måder; vi diskuterer disse 5:
- Kvantemaskinelæring bruger qubits i stedet for bits til at forbedre driftssystemer
- Ved at udnytte begreberne overlejring og kvantesammenfiltring kan kvantecomputere udføre flere komplekse problemer samtidigt
- Hastighedspotentialet ved QML er massivt, og kvantecomputere kan også håndtere højdimensionelle data
- I fremtiden kan kvantemaskinelæring skabe forbedrede sikkerhedsprotokoller, fremskynde udviklingen af nye lægemidler og forstærke forslag til anbefalingssystem
Nu hvor du ved, at QML er et hurtigt voksende felt, skal du være på forkant med disse kurser, bøger og platformanbefalinger:
Quantum Machine Learning: edX
Dette Quantum Machine Learning-kursus, der tilbydes af University of Toronto, er et godt udgangspunkt for kvantemaskinelæringsalgoritmer, og hvordan man skal gå om at implementere dem i Python.
Dette avancerede kursus kræver kun 6-9 timer om ugen, og det er stort set i eget tempo. Der er to måder at tage dette kursus på. Verificeret spor, der kommer mod et gebyr, og et revisionsspor, det er gratis. Det, der adskiller de to, er ubegrænset adgang til læringsressourcer. Ud over et delbart færdiggørelsesbevis med bedømte vurderinger og eksamener tilgængelig i den betalte version.
Petter Wittek, Asst. En professor ved University of Toronto underviser i dette kursus. Det hjælper med at kaste lys over nuværende og nære fremtidige kvanteteknologier. Og hvordan de forventes at overgå klassiske computere.
Du er sikker på at lære variationskredsløb, klassisk-kvante-hybrid-indlæringsalgoritmer, simple tilstande for probabilistiske modeller og usædvanlige kernefunktioner.
Derudover kan du også lære, hvordan du implementerer følgende algoritmer:
- Quantum Fourier transformation
- Kvantefase estimering
- Kvantefasematrix
- Gaussiske processer
QC101 Quantum Computing
Dette QC101 Quantum Computing-kursus, der tilbydes af Udemy, nærmer sig kvantefysik gennem studiet af polariseret lys.
Faktisk kræver det en matematikbaseret introduktion til kvanteberegning, mens du lærer kvantekryptografi for at kommunikere sikkert. Derudover kommer du til at opleve IBMs kvanteoplevelse. Træn desuden en kvantestøttevektormaskine til at lave forudsigelser baseret på data fra den virkelige verden.
Desuden får du gennem 12 timers video, 10 artikler og 5 downloadbare ressourcer at lære:
- Hvordan man udvikler og simulerer kvanteprogrammer på IBM Qiskit og Microsoft Q#, mens man fejlretter dem
- Hvordan man analyserer kvantekredsløb via Diracs notation og kvantefysikmodeller
- Ligeledes, hvordan kvanteberegning kan hjælpe med kunstig intelligens, maskinlæring og revolutionere datavidenskabsområdet
Dette Udemy-kursus om kvantelæring anbefales også af virksomheder verden over til deres medarbejdere. Med 17 sektioner og 284 forelæsninger er dette kursus forløbet over 12 timer.
Du skal kræve matematik og naturvidenskab i 12. klasse for at lære dette kursus med særligt fokus på boolsk logik, komplekse tal, lineær algebra, sandsynlighed og statistik.
Quantum Machine Learning: OpenHPI
Ønsker du at lære at bygge både grundlæggende og avancerede kvantemaskinelæringsmodeller? Dette kvantemaskinelæringskursus af OpenHPI er gratis. Det undervises af Dr. Christa Zoufal, Julien Gacon og Dr. David Sutter.
På dette kursus lærer du
- Hvordan man bygger grundlæggende og avancerede læringsmodeller
- Sådan bruger du Python og Qiskit til at implementere algoritmer til at løse ML-opgaver
- Udfordringer og fremtidsudsigter for Quantum ML
Perfekt til datalogistuderende, Quantum Learning-entusiaster og Machine Learning-eksperter, dette kursus varer i to uger, efterfulgt af en afsluttende eksamen, du skal bestå.
Et kig på uge 1’s forelæsningsplan fortæller os, at der vil ske en masse med hensyn til understøttelse af vektormaskiner og variationskvanteklassifikatorer. Uge 2 vil se mere af Quantum Generative Adversarial Networks og Quantum Boltzmann-maskiner med praktiske implementeringsteknikker.
Qiskits globale sommerskole
Dernæst har vi en anden gratis kvantemaskinelæringsressource, der er gratis og open source. Faktisk er Qiskits foredragsserie tilgængelig på YouTube.
Det, der var en to-ugers intensiv sommerskole, er nu en YouTube-læringsserie bygget over 25 episoder, der hver strækker sig over en time eller to. Dette kursus er opdelt i 20 forelæsninger og 5 lab-baserede applikationer.
På dette kursus lærer du
- Sådan udforsker du kvanteapplikationer
- Introduktion til kvantekredsløb, kvanteberegningsalgoritmer og operationer
- Hvordan man bygger kvanteklassifikatorer, se kvantekerner i praksis
- Avancerede QML-algoritmer, kvantehardware og hvordan man undgår golde plateauer og problemer med træningsmuligheder
Hvis du har ledt efter gratis og pålidelige kilder til at starte på din QML-rejse, men endnu ikke har gjort det, så overvej dette som dit tegn!
Maskinlæring med kvantecomputere
Skrevet af Maria Schuld og Francesco Petruccione, denne bog Machine Learning With Quantum Computers (2021) er et godt udgangspunkt for at dykke ned i avanceret kvantemaskinelæring.
Fra kortsigtede til fejltolerante kvantelæringsalgoritmer optrævler denne bog teoretiske og praktiske teknikker om:
- Parametriserede kvantekredsløb
- Hybrid optimering
- Datakodning
- Kvantefunktionskort
- Kernel metoder
- Kvantelæringsteori
- Kvanteneurale netværk
Hvad er det specielle ved den anden udgave? Derudover, hvordan adskiller den sig fra den første udgave? Det går ud over overvågede læringsmetoder og diskuterer fremtiden for Quantum Machine læringsmetoder og algoritmer.
Hands-On Quantum ML med Python
Skrevet af Dr. Frank Zickert, denne bog Hands-On Quantum Machine Learning With Python har til formål at gøre dig til en kvantemaskinelæringsekspert.
Indeni finder du:
- Et dybt dyk ned i grundlæggende kvantelæring, inklusive, men ikke begrænset til qubits, kvanteporte og kvantekredsløb
- Sådan anvender du Quantum Support Vector Machines (QSVM), Quantum k-means og Quantum Boltzmann Machines til kombinatoriske optimeringsproblemer
- Desuden flere virkelige løsninger på almindelige problemer som Traveling Salesman Problem (TSP) og Quadratic Unconstrained Binary Optimization (QUBO) problemet
- Hvordan man udnytter kvanteudsving og løser problemer ved kvanteudglødning
- Også algoritmer som Quantum Approximate Optimization Algorithm (QAOA) og Variational Quantum Eigensolver (VQE)
- Kvanteberegningsrammer, applikationer fra den virkelige verden og praktiske eksempler
Quantum ML med Python
Ønsker du at mestre Quantum Machine Learning-fundamenter? Santanu Pattanayaks bog om Quantum Machine With Python er perfekt til ingeniører og QML-entusiaster.
Indenfor lærer du:
- Quantum ML computing fundamentals som Dirac Notations, Qubits og Bell state
- Kvantebaserede algoritmer som Quantum Fourier-transformation, faseestimering og HHL (Harrow-Hassidim-Lloyd)
- Hvordan man bruger QML til at løse problemer inden for økonomi, prognoser, genomik, logistik i forsyningskæden osv.
- Ud over Quantum adiabatiske processer og Quantum-baseret optimering
- Brug Qiskit-værktøjssæt fra IBM og Cirq fra Google Research til at arbejde med kvantecomputeralgoritmer
- Brug Python til at implementere nogle flere kvantebaserede algoritmer og gennemgå store udfordringer ved virkelige applikationer
Hvis du ikke bare vil stoppe ved QML-ressourcer, så fortsæt din læringsrejse ved at udforske disse Quantum-computerplatforme:
IBM Quantum
Få gratis skyadgang til de mest avancerede kvantecomputere online med IBM’s Quantum.
Perfekt til undervisere, udviklere og elever, IBM lader dig køre dine kvantekredsløb blot ved at tilmelde dig og få et API-token.
Så du vil finde adgang til simulatorer og 7-qubit og 5-qubit QPU’er, hvor du får chancen for at lære, udvikle og køre programmer. Derudover er her, hvad IBM-kvanteplatformen lader dig gøre:
- Lær kvanteprogrammering ved hjælp af trin-for-trin guider
- Brug også IBM Quantum Composer til at hjælpe med at bygge og visualisere kvantekredsløb grafisk på kvantehardware og simulatorer
- Kode, program og prototype med Python i IBM Quantum lab, et cloud-aktiveret Jupyter Notebook-miljø
Der er mere. Du kan tilmelde dig Kvanteforskeruddannelsen og Pædagoguddannelsen. Derudover er IBMs docs-mappe også ret kraftfuld. Fra Quantum Composer-dokumentation for begyndere til Qiskit Runtime for udviklere, du er sikker på at finde alt, hvad du har brug for her.
Desuden, hvis du er underviser, kan du bruge Field Guide til at undervise i emner. Ud over at prøve Quantum lab tutorials til at bygge og teste algoritmer som forskere.
Googles Cirq
Googles Cirq er et Python-softwarebibliotek, som du kan bruge til at bygge og optimere kvantekredsløb og køre dem på kvantehardware og -simulatorer. Da den er fuldstændig open source, giver den dig mulighed for at opnå avancerede resultater ved hjælp af abstraktioner lavet til nutidens kvantecomputere.
Cirq er perfekt til både begyndere og avancerede brugere og har tilbud, der passer til hver enkelt. Som nybegynder kan du lære at bygge og simulere kvantekredsløb for at udføre transformationer.
Som en avanceret bruger lader Cirq dig skrive en omtrentlig kvanteoptimeringsalgoritme for NISQ-hardware for at optimere løsninger, der var utænkelige i klassisk databehandling. Lad os tage et kig på funktionerne i Google Quantum AI’s Cirq, der kan styrke dig:
- Udforsk QML-indsættelsesstrategier for at bygge ønskede kvantekredsløb og forbedre dem
- Lær at definere enheder og hardware for at afgøre, om QML-kredsløb er praktiske og ikke har operationelle begrænsninger
- Simuler med Cirq eller wave-funktion simulator qism, og hån kvantehardware og Quantum Virtual Machine
- Udfør ende-til-ende-eksperimenter på Googles kvanteprocesser og gennemgå koden for tidligere simulatorer
Det, der gør Cirq pålidelig, er de trin-for-trin detaljerede tutorials og guider til dets funktioner. Fra at lære at gå om Cirq til en god liste over lærebogs kvantealgoritmer til at lære ins og outs af Quantum Virtual Machine (QVM), får du at vide alt det vigtigste.
Vigtigst af alt kan du også lære, hvordan du implementerer kvanteoptimeringsalgoritmer på ægte hardware. Men det er ikke alt!
Da det er et open source-fællesskab, kan du deltage i ugentlige møder og begynde at bidrage til open source-rammen.
Amazon bremse
Amazon Braket er designet til at accelerere kvantecomputerforskning og er en fuldt administreret tjeneste. Her er de vigtigste funktioner:
- Brug et ensartet sæt udviklingsværktøjer til at arbejde på kvantecomputere
- Byg kvantealgoritmer på en pålidelig sky, og test dem i højtydende simulatorer
- Innovér med teknologi og ekspertvejledning fra Amazon Quantum Solutions laboratorier
- Forskningsalgoritmer og har adgang til superledende, fangede ioner, neutrale atomer og fotoniske enheder til at teste forskellig hardware
- Byg kvantesoftware eller udvikle open source-rammer
Du kan tilmelde dig AWS Free Tier i 1 år eller komme i gang med akademisk forskning under AWS Cloud Credit for Research-programmet.
Azure Quantum Cloud Service
En cloud-tjeneste, der omfatter kvantehardware, -software og en mangfoldig portefølje af værktøjer: det er Azure Quantum-skytjeneste. Hvad giver denne platform dig mulighed for? Lad os se:
- Få en bedre idé om at udføre kvanteapplikationer ved hjælp af Azures kvanteressourceestimatorværktøj
- Derudover skal du blande klassiske og kvanteberegningsmetoder for at bygge hybride algoritmer
- Få adgang til uddannelsesressourcer som Microsoft Learn, Quantum Katas tutorials og branchebrugscases for at forstå verden af QML
Så du kan komme i gang med gratis adgang til open source-udviklingssættet, der er kompatibelt med Q#, Cirq og Qiskit.
Resumé
Mens vi har diskuteret avancerede QML-kurser, der vil hjælpe dig med at holde styr på, hvad der sker i kvanteverdenen, kan du komme i gang med bøgerne for en traditionelt struktureret introduktion til kvanteberegning.
Du kan også udforske de 4 platforme (IBM, Google Cirq, Amazon Braket og Azure) for at få en praktisk læringsoplevelse med kvantemaskinelæring med adgang til kvantehardware og skyen.
De fleste af disse platforme er open source, og hvis du leder efter et fællesskab at vokse med, ville de være perfekte!
Du kan også udforske nogle af de bedste Data Science-kurser.