EITC/AI/TFQML TensorFlow Quantum Machine Learning è il programma europeo di certificazione IT sull'utilizzo della libreria Google TensorFlow Quantum per l'implementazione del machine learning sull'architettura Google Quantum Processor Sycamore.
Il curriculum dell'EITC/AI/TFQML TensorFlow Quantum Machine Learning si concentra sulle conoscenze teoriche e sulle abilità pratiche nell'utilizzo della libreria TensorFlow Quantum di Google per l'apprendimento automatico basato su modelli di calcolo quantistici avanzati sull'architettura Google Quantum Processor Sycamore organizzata nella seguente struttura, che comprende un video completo contenuto didattico come riferimento per questa certificazione EITC.
TensorFlow Quantum (TFQ) è una libreria di machine learning quantistico per la prototipazione rapida di modelli ML classici quantistici ibridi. La ricerca in algoritmi e applicazioni quantistiche può sfruttare i framework di calcolo quantistico di Google, il tutto da TensorFlow.
TensorFlow Quantum si concentra sui dati quantistici e sulla creazione di modelli ibridi quantistici classici. Integra algoritmi di calcolo quantistico e logica progettati in Cirq (framework di programmazione quantistica basato sul modello di circuiti quantistici) e fornisce primitive di calcolo quantistico compatibili con le API TensorFlow esistenti, insieme a simulatori di circuiti quantistici ad alte prestazioni. Ulteriori informazioni nel white paper di TensorFlow Quantum.
Il calcolo quantistico è l'uso di fenomeni quantistici come la sovrapposizione e l'entanglement per eseguire calcoli. I computer che eseguono calcoli quantistici sono noti come computer quantistici. Si ritiene che i computer quantistici siano in grado di risolvere alcuni problemi computazionali, come la fattorizzazione dei numeri interi (che è alla base della crittografia RSA), sostanzialmente più veloce dei computer classici. Lo studio dell'informatica quantistica è un sottocampo della scienza dell'informazione quantistica.
L'informatica quantistica iniziò nei primi anni '1980, quando il fisico Paul Benioff propose un modello meccanico quantistico della macchina di Turing. Richard Feynman e Yuri Manin in seguito suggerirono che un computer quantistico aveva il potenziale per simulare cose che un computer classico non poteva. Nel 1994, Peter Shor ha sviluppato un algoritmo quantistico per la fattorizzazione di numeri interi che aveva il potenziale per decrittare le comunicazioni crittografate con RSA. Nonostante i progressi sperimentali in corso dalla fine degli anni '1990, la maggior parte dei ricercatori ritiene che "il calcolo quantistico tollerante ai guasti sia ancora un sogno piuttosto lontano". Negli ultimi anni, gli investimenti nella ricerca sull'informatica quantistica sono aumentati sia nel settore pubblico che in quello privato. Il 23 ottobre 2019, Google AI, in collaborazione con la National Aeronautics and Space Administration (NASA) degli Stati Uniti, ha affermato di aver eseguito un calcolo quantistico che non è fattibile su qualsiasi computer classico (il cosiddetto risultato della supremazia quantistica).
Esistono diversi modelli di computer quantistici (o meglio, sistemi informatici quantistici), tra cui il modello di circuito quantistico, la macchina di Turing quantistica, il computer quantistico adiabatico, il computer quantistico unidirezionale e vari automi cellulari quantistici. Il modello più utilizzato è il circuito quantistico. I circuiti quantistici sono basati sul bit quantistico, o "qubit", che è in qualche modo analogo al bit nel calcolo classico. I Qubit possono trovarsi in uno stato quantistico 1 o 0 oppure possono essere in una sovrapposizione degli stati 1 e 0. Tuttavia, quando vengono misurati i qubit, il risultato della misurazione è sempre 0 o 1; le probabilità di questi due risultati dipendono dallo stato quantistico in cui si trovavano i qubit immediatamente prima della misurazione.
I progressi verso la costruzione di un computer quantistico fisico si concentrano su tecnologie come transmons, trappole ioniche e computer quantistici topologici, che mirano a creare qubit di alta qualità. Questi qubit possono essere progettati in modo diverso, a seconda del modello di calcolo completo del computer quantistico, che si tratti di porte logiche quantistiche, annealing quantistico o calcolo quantistico adiabatico. Attualmente ci sono una serie di ostacoli significativi nel modo di costruire computer quantistici utili. In particolare, è difficile mantenere gli stati quantistici dei qubit poiché soffrono di decoerenza quantistica e fedeltà di stato. I computer quantistici richiedono quindi la correzione degli errori. Qualsiasi problema computazionale che può essere risolto da un computer classico può essere risolto anche da un computer quantistico. Al contrario, qualsiasi problema che può essere risolto da un computer quantistico può essere risolto anche da un computer classico, almeno in linea di principio con un tempo sufficiente. In altre parole, i computer quantistici obbediscono alla tesi Church-Turing. Sebbene ciò significhi che i computer quantistici non forniscono ulteriori vantaggi rispetto ai computer classici in termini di computabilità, gli algoritmi quantistici per determinati problemi hanno complessità temporali significativamente inferiori rispetto agli algoritmi classici noti corrispondenti. In particolare, si ritiene che i computer quantistici siano in grado di risolvere rapidamente alcuni problemi che nessun computer classico potrebbe risolvere in un periodo di tempo possibile, un'impresa nota come "supremazia quantistica". Lo studio della complessità computazionale dei problemi rispetto ai computer quantistici è noto come teoria della complessità quantistica.
Google Sycamore è un processore quantistico creato dalla divisione di intelligenza artificiale di Google Inc. Comprende 53 qubit.
Nel 2019, Sycamore ha completato un'attività in 200 secondi che Google ha affermato, in un articolo su Nature, richiederebbe 10,000 anni per completare un supercomputer all'avanguardia. Pertanto, Google ha affermato di aver raggiunto la supremazia quantistica. Per stimare il tempo che sarebbe stato impiegato da un supercomputer classico, Google ha eseguito parti della simulazione del circuito quantistico sul Summit, il computer classico più potente al mondo. Successivamente, IBM fece una controargomentazione, sostenendo che l'attività avrebbe richiesto solo 2.5 giorni su un sistema classico come Summit. Se le affermazioni di Google venissero accolte, rappresenterebbe un balzo esponenziale nella potenza di calcolo.
Nell'agosto 2020 gli ingegneri quantistici che lavorano per Google hanno riportato la più grande simulazione chimica su un computer quantistico: un'approssimazione di Hartree-Fock con Sycamore accoppiata a un computer classico che ha analizzato i risultati per fornire nuovi parametri per il sistema a 12 qubit.
Nel dicembre 2020, il processore cinese Jiuzhang basato su fotoni, sviluppato da USTC, ha raggiunto una potenza di elaborazione di 76 qubit ed era 10 miliardi di volte più veloce di Sycamore, rendendolo il secondo computer a raggiungere la supremazia quantistica.
Il Quantum Artificial Intelligence Lab (chiamato anche Quantum AI Lab o QuAIL) è un'iniziativa congiunta di NASA, Universities Space Research Association e Google (in particolare, Google Research) il cui obiettivo è quello di aprire la strada alla ricerca su come il calcolo quantistico potrebbe aiutare con l'apprendimento automatico e altri difficili problemi di informatica. Il laboratorio è ospitato presso l'Ames Research Center della NASA.
Il Quantum AI Lab è stato annunciato da Google Research in un post sul blog il 16 maggio 2013. Al momento del lancio, il laboratorio utilizzava il computer quantistico più avanzato disponibile in commercio, D-Wave Two di D-Wave Systems.
Il 20 maggio 2013, è stato annunciato che le persone avrebbero potuto richiedere di utilizzare il tempo sul D-Wave Two at the Lab. Il 10 ottobre 2013, Google ha pubblicato un cortometraggio che descrive lo stato attuale del Quantum AI Lab. Il 18 ottobre 2013, Google ha annunciato di aver incorporato la fisica quantistica in Minecraft.
Nel gennaio 2014, Google ha riportato i risultati che confrontavano le prestazioni del D-Wave Two in laboratorio con quelle dei computer classici. I risultati sono stati ambigui e hanno provocato accese discussioni su Internet. Il 2 settembre 2014 è stato annunciato che il Quantum AI Lab, in collaborazione con l'UC Santa Barbara, lancerà un'iniziativa per creare processori di informazione quantistica basati su elettronica superconduttrice.
Il 23 ottobre 2019, il Quantum AI Lab ha annunciato in un documento di aver raggiunto la supremazia quantistica.
Google AI Quantum sta facendo avanzare il calcolo quantistico sviluppando processori quantistici e nuovi algoritmi quantistici per aiutare ricercatori e sviluppatori a risolvere problemi a breve termine sia teorici che pratici.
Si ritiene che il quantum computing aiuti nello sviluppo delle innovazioni di domani, inclusa l'intelligenza artificiale. Ecco perché Google impegna risorse significative nella creazione di hardware e software quantistici dedicati.
Il quantum computing è un nuovo paradigma che giocherà un ruolo importante nell'accelerare le attività per l'IA. Google mira a offrire a ricercatori e sviluppatori l'accesso a framework open source e potenza di calcolo in grado di funzionare oltre le capacità di calcolo classiche.
Le principali aree di interesse di Google AI Quantum sono
- Processori qubit superconduttori: qubit superconduttori con architettura scalabile basata su chip che mira a un errore di gate a due qubit <0.5%.
- Metrologia Qubit: ridurre la perdita di due qubit al di sotto dello 0.2% è fondamentale per la correzione degli errori. Stiamo lavorando a un esperimento di supremazia quantistica, per campionare approssimativamente un circuito quantistico al di là delle capacità di computer e algoritmi classici all'avanguardia.
- Simulazione quantistica: la simulazione di sistemi fisici è tra le applicazioni più attese dell'informatica quantistica. Ci concentriamo in particolare sugli algoritmi quantistici per la modellazione di sistemi di elettroni interagenti con applicazioni in chimica e scienza dei materiali.
- Ottimizzazione quantistica assistita: stiamo sviluppando risolutori ibridi quantistici classici per l'ottimizzazione approssimativa. I salti termici negli algoritmi classici per superare le barriere energetiche potrebbero essere migliorati invocando aggiornamenti quantistici. Siamo particolarmente interessati a un trasferimento coerente della popolazione.
- Reti neurali quantistiche: stiamo sviluppando un framework per implementare una rete neurale quantistica su processori a breve termine. Ci interessa capire quali vantaggi possono derivare dalla generazione di massicci stati di sovrapposizione durante il funzionamento della rete.
I principali strumenti sviluppati da Google AI Quantum sono framework open source specificamente progettati per lo sviluppo di nuovi algoritmi quantistici per aiutare a risolvere applicazioni a breve termine per problemi pratici. Questi includono:
- Cirq: un framework quantistico open source per la creazione e la sperimentazione di algoritmi quantistici rumorosi su scala intermedia (NISQ) su processori quantistici a breve termine
- OpenFermion: una piattaforma open source per tradurre problemi di chimica e scienza dei materiali in circuiti quantistici che possono essere eseguiti su piattaforme esistenti
Le applicazioni a breve termine di Google AI Quantum includono:
Simulazione quantistica
La progettazione di nuovi materiali e la delucidazione della fisica complessa attraverso accurate simulazioni di chimica e modelli di materia condensata sono tra le applicazioni più promettenti del calcolo quantistico.
Tecniche di mitigazione degli errori
Lavoriamo per sviluppare metodi sulla strada per la completa correzione degli errori quantistici che abbiano la capacità di ridurre drasticamente il rumore nei dispositivi attuali. Sebbene il calcolo quantistico a tolleranza di errore su vasta scala possa richiedere notevoli sviluppi, abbiamo sviluppato la tecnica di espansione del subspazio quantistico per aiutare a utilizzare le tecniche di correzione degli errori quantistici per migliorare le prestazioni delle applicazioni su dispositivi a breve termine. Inoltre, queste tecniche facilitano il test di codici quantistici complessi su dispositivi a breve termine. Stiamo attivamente spingendo queste tecniche in nuove aree e sfruttandole come base per la progettazione di esperimenti a breve termine.
Apprendimento automatico quantistico
Stiamo sviluppando tecniche di apprendimento automatico quantistico-classico ibrido su dispositivi quantistici a breve termine. Stiamo studiando l'apprendimento del circuito quantistico universale per la classificazione e il raggruppamento di dati quantistici e classici. Siamo anche interessati a reti neurali quantistiche generative e discriminatorie, che potrebbero essere utilizzate come ripetitori quantistici e unità di purificazione di stato all'interno di reti di comunicazione quantistica, o per la verifica di altri circuiti quantistici.
Ottimizzazione quantistica
Le ottimizzazioni discrete nei settori aerospaziale, automobilistico e di altro tipo possono trarre vantaggio dall'ottimizzazione ibrida quantum-classica, ad esempio l'annealing simulato, l'algoritmo di ottimizzazione quantistica assistita (QAOA) e il trasferimento di popolazione potenziato quantistico possono avere utilità con i processori odierni.
Per conoscere nel dettaglio il curriculum di certificazione puoi espandere e analizzare la tabella sottostante.
Il Curriculum di certificazione EITC/AI/TFQML TensorFlow Quantum Machine Learning fa riferimento a materiali didattici ad accesso aperto in forma di video. Il processo di apprendimento è suddiviso in una struttura passo dopo passo (programmi -> lezioni -> argomenti) che copre le parti rilevanti del curriculum. Sono inoltre previste consulenze illimitate con esperti di dominio.
Per i dettagli sulla procedura di certificazione controllare Come Funziona?.
Risorse di riferimento del curriculum
TensorFlow Quantum (TFQ) è una libreria di machine learning quantistico per la prototipazione rapida di modelli ML classici quantistici ibridi. La ricerca in algoritmi e applicazioni quantistiche può sfruttare i framework di calcolo quantistico di Google, il tutto da TensorFlow. TensorFlow Quantum si concentra sui dati quantistici e sulla creazione di modelli ibridi quantistici classici. Integra algoritmi di calcolo quantistico e logica progettati in Cirq e fornisce primitive di calcolo quantistico compatibili con le API TensorFlow esistenti, insieme a simulatori di circuiti quantistici ad alte prestazioni. Ulteriori informazioni nel white paper di TensorFlow Quantum. Come ulteriore riferimento è possibile controllare la panoramica ed eseguire i tutorial del notebook.
https://www.tensorflow.org/quantum
Circo
Cirq è un framework open source per computer Noisy Intermediate Scale Quantum (NISQ). È stato sviluppato dal team di Google AI Quantum e l'alfa pubblica è stata annunciata al seminario internazionale sul software quantistico e sull'apprendimento automatico quantistico il 18 luglio 2018. Una demo di QC Ware ha mostrato un'implementazione del QAOA risolvendo un esempio del taglio massimo problema risolto su un simulatore Cirq. I programmi quantistici in Cirq sono rappresentati da "Circuit" e "Schedule" dove "Circuit" rappresenta un circuito quantistico e "Schedule" rappresenta un circuito quantistico con informazioni di temporizzazione. I programmi possono essere eseguiti su simulatori locali. L'esempio seguente mostra come creare e misurare uno stato Bell in Cirq.
importare circo
# Scegli qubit
qubit0 = circo.GrigliaQubit(0, 0)
qubit1 = circo.GrigliaQubit(0, 1)
# Crea un circuito
circuito = circo.Circuito.da_ops(
circo.H(qubit0),
circo.CNO(qubit0, qubit1),
circo.misurare(qubit0, chiave='m0'),
circo.misurare(qubit1, chiave='m1')
)
La stampa del circuito mostra il suo diagramma
stampare(circuito)
# stampe
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
La simulazione ripetuta del circuito mostra che le misurazioni dei qubit sono correlate.
simulatore = circo.Simulatore()
colpevole = simulatore.eseguire il(circuito, prove=5)
stampare(colpevole)
# stampe
# m0 = 11010
# m1 = 11010
Scarica i materiali preparatori completi di autoapprendimento offline per il programma EITC/AI/TFQML TensorFlow Quantum Machine Learning in un file PDF
Materiali preparatori EITC/AI/TFQML – versione standard
Materiali preparatori EITC/AI/TFQML – versione estesa con domande di revisione