Поскольку наша жизнь становится все более ориентированной на данные, ограничения классических вычислений требуют перехода к квантовому машинному обучению. Благодаря способности быстро анализировать и обрабатывать огромные объемы данных квантовое машинное обучение может повысить эффективность, принятие решений, улучшенное распознавание образов, повышенную безопасность и расширенное моделирование.
Независимо от использования квантового машинного обучения, это новая область, которая расцветет раньше, чем мы можем себе представить.
Следовательно, если вы энтузиаст QML, вам следует отправиться в путешествие по обучению и освоить все тонкости QML. Хотя приведенные ниже ресурсы предназначены именно для того, чтобы помочь вам в этом, давайте начнем с основ.
Оглавление
Что такое квантовое машинное обучение?
Квантовое машинное обучение — это не что иное, как интеграция методов и алгоритмов квантовых вычислений в программы машинного обучения. Согласно Google, было продемонстрировано, что квантовое машинное обучение способно решать сложные проблемы, которые бросают вызов классическим/традиционным компьютерам.
Квантовое машинное обучение может быть полезно в разных областях, от управления цепочками поставок до криптографии и ИТ.
Отличия квантового машинного обучения
QML во многом отличается от обычного машинного обучения; мы обсуждаем эти 5:
- Квантовое машинное обучение использует кубиты вместо битов для улучшения операционных систем
- Используя концепции суперпозиции и квантовой запутанности, квантовые компьютеры могут одновременно решать несколько сложных задач.
- Потенциал ускорения QML огромен, и квантовые компьютеры также могут обрабатывать многомерные данные.
- В будущем квантовое машинное обучение может обеспечить улучшенные протоколы безопасности, ускорить разработку новых лекарств и усилить предложения системы рекомендаций.
Теперь, когда вы знаете, что QML — это быстрорастущая область, оставайтесь на шаг впереди с этими курсами, книгами и рекомендациями по платформам:
Квантовое машинное обучение: edX
Этот курс по квантовому машинному обучению, совместно предложенный Университетом Торонто, является хорошей отправной точкой для изучения алгоритмов квантового машинного обучения и того, как их реализовать в Python.
Этот продвинутый курс, требующий всего 6–9 часов в неделю, в основном предназначен для самостоятельного изучения. Есть два способа пройти этот курс. Верифицированный трек, который предоставляется за плату, и контрольный трек, который предоставляется бесплатно. Что отличает их друг от друга, так это неограниченный доступ к учебным ресурсам. В дополнение к общему сертификату об окончании с оцениваемыми оценками и экзаменами, доступными в платной версии.
Петтер Виттек, ассистент. Этот курс преподает профессор Университета Торонто. Это помогает пролить свет на современные и ближайшие квантовые технологии. И как они должны превзойти классические компьютеры.
Вы обязательно изучите вариационные схемы, классические квантовые гибридные алгоритмы обучения, простые состояния для вероятностных моделей и необычные функции ядра.
Кроме того, вы также можете научиться реализовывать следующие алгоритмы:
- Квантовое преобразование Фурье
- Квантовая фазовая оценка
- Квантовая фазовая матрица
- Гауссовские процессы
QC101 Квантовые вычисления
Этот курс квантовых вычислений QC101, предложенный Udemy, приближает квантовую физику к изучению поляризованного света.
На самом деле, для безопасного общения требуется математическое введение в квантовые вычисления, пока вы изучаете квантовую криптографию. Кроме того, вы можете испытать квантовый опыт IBM. Кроме того, обучите квантовую машину опорных векторов делать прогнозы на основе реальных данных.
Более того, благодаря 12 часам видео, 10 статьям и 5 загружаемым ресурсам вы узнаете:
- Как разрабатывать и моделировать квантовые программы на IBM Qiskit и Microsoft Q# при их отладке
- Как анализировать квантовые схемы с помощью обозначений Дирака и моделей квантовой физики
- Точно так же, как квантовые вычисления могут помочь в искусственном интеллекте, машинном обучении и произвести революцию в области науки о данных.
Этот курс Udemy по квантовому обучению также рекомендуется предприятиями по всему миру своим сотрудникам. Курс состоит из 17 разделов и 284 лекций и рассчитан на 12 часов.
Для изучения этого курса вам потребуются знания математики и естественных наук 12-го класса с особым акцентом на булеву логику, комплексные числа, линейную алгебру, вероятность и статистику.
Квантовое машинное обучение: OpenHPI
Хотите узнать, как создавать как базовые, так и расширенные модели квантового машинного обучения? Этот курс квантового машинного обучения от OpenHPI бесплатный. Его преподают доктор Криста Зуфал, Жюльен Гакон и доктор Дэвид Саттер.
В этом курсе вы узнаете
- Как построить базовые и продвинутые модели обучения
- Как использовать Python и Qiskit для реализации алгоритмов для решения задач машинного обучения
- Проблемы и будущие перспективы Quantum ML
Этот курс идеально подходит для студентов, изучающих информатику, энтузиастов квантового обучения и экспертов по машинному обучению. Он продлится две недели, после чего вам нужно будет сдать итоговый экзамен.
Взглянув на план лекций первой недели, мы узнаем, что будет много работы, связанной с машинами опорных векторов и вариационными квантовыми классификаторами. На второй неделе мы увидим больше о квантовых генеративных состязательных сетях и квантовых машинах Больцмана с практическими методами реализации.
Глобальная летняя школа Qiskit
Далее у нас есть еще один бесплатный ресурс по квантовому машинному обучению, бесплатный и с открытым исходным кодом. Фактически, серия лекций Qiskit доступна на YouTube.
То, что раньше было двухнедельной интенсивной летней школой, теперь превратилось в обучающий сериал на YouTube, состоящий из 25 эпизодов, каждый из которых длится час или два. Этот курс разделен на 20 лекций и 5 лабораторных приложений.
В этом курсе вы узнаете
- Как исследовать квантовые приложения
- Введение в квантовые схемы, алгоритмы и операции квантовых вычислений
- Как построить квантовые классификаторы, увидеть квантовые ядра на практике
- Усовершенствованные алгоритмы QML, квантовое оборудование и способы избежать бесплодных плато и проблем с обучаемостью
Если вы искали бесплатные и надежные источники, чтобы начать свое путешествие по QML, но так и не нашли, считайте, что это ваш знак!
Машинное обучение с квантовыми компьютерами
Эта книга, написанная Марией Шульд и Франческо Петруччионе, «Машинное обучение с помощью квантовых компьютеров» (2021 г.) является хорошей отправной точкой для углубленного изучения квантового машинного обучения.
В этой книге рассматриваются теоретические и практические методы: от краткосрочных до отказоустойчивых алгоритмов квантового обучения:
- Параметризованные квантовые схемы
- Гибридная оптимизация
- Кодирование данных
- Карты квантовых признаков
- Методы ядра
- Теория квантового обучения
- Квантовые нейронные сети
А что особенного во втором издании? Кроме того, чем оно отличается от первого издания? Он выходит за рамки контролируемых методов обучения и обсуждает будущее методов и алгоритмов квантового машинного обучения.
Практический опыт квантового машинного обучения с Python
Эта книга, написанная доктором Фрэнком Цикертом, направлена на то, чтобы сделать вас экспертом по квантовому машинному обучению.
Внутри вы найдете:
- Глубокое погружение в основы квантового обучения, включая, помимо прочего, кубиты, квантовые вентили и квантовые схемы.
- Как применять квантовые машины опорных векторов (QSVM), квантовые k-средние и квантовые машины Больцмана для задач комбинаторной оптимизации
- Кроме того, несколько реальных решений общих проблем, таких как задача коммивояжера (TSP) и задача квадратичной неограниченной двоичной оптимизации (QUBO).
- Как использовать квантовые флуктуации и решать проблемы с помощью квантового отжига
- Кроме того, такие алгоритмы, как алгоритм квантовой приближенной оптимизации (QAOA) и вариационный квантовый алгоритм собственных вычислений (VQE),
- Фреймворки квантовых вычислений, реальные приложения и практические примеры
Квантовое машинное обучение с Python
Хотите освоить основы квантового машинного обучения? Книга Сантану Паттанаяка о квантовой машине с Python идеально подходит для инженеров и энтузиастов QML.
Внутри вы узнаете:
- Основы вычислений квантового машинного обучения, такие как обозначения Дирака, кубиты и состояние Белла.
- Квантовые алгоритмы, такие как квантовое преобразование Фурье, оценка фазы и HHL (Харроу-Хассидим-Ллойд)
- Как использовать QML для решения задач в области финансов, прогнозирования, геномики, логистики цепочки поставок и т. д.
- В дополнение к квантовым адиабатическим процессам и квантовой оптимизации
- Используйте набор инструментов Qiskit от IBM и Cirq от Google Research для работы над алгоритмами квантовых вычислений.
- Используйте Python, чтобы реализовать еще несколько алгоритмов на основе Quantum и рассмотреть основные проблемы реальных приложений.
Если вы не хотите останавливаться только на ресурсах QML, продолжайте свое обучение, изучая следующие платформы квантовых вычислений:
IBM Квантум
Получите бесплатный облачный доступ к самым передовым квантовым компьютерам онлайн с помощью IBM Quantum.
IBM идеально подходит для преподавателей, разработчиков и учащихся. Вы можете запускать свои квантовые схемы, просто зарегистрировавшись и получив токен API.
Таким образом, вы получите доступ к симуляторам и 7-кубитным и 5-кубитным QPU, где у вас будет возможность изучать, разрабатывать и запускать программы. Кроме того, вот что позволяет квантовая платформа IBM:
- Изучите квантовое программирование с помощью пошаговых руководств
- Кроме того, используйте IBM Quantum Composer для графического построения и визуализации квантовых схем на квантовом оборудовании и симуляторах.
- Код, программа и прототип с Python в лаборатории IBM Quantum, облачной среде Jupyter Notebook
Есть больше. Вы можете зарегистрироваться в программе Quantum Researcher и в программе Educator. Кроме того, каталог документов IBM также достаточно мощный. От документации по Quantum Composer для начинающих до Qiskit Runtime для разработчиков — здесь вы обязательно найдете все, что вам нужно.
Кроме того, если вы преподаватель, вы можете использовать Полевое руководство для преподавания тем. В дополнение к опробованию учебных пособий Quantum lab для создания и тестирования алгоритмов в качестве исследователей.
Цирк Google
Cirq от Google — это программная библиотека Python, которую можно использовать для создания и оптимизации квантовых схем и запуска их на квантовом оборудовании и симуляторах. Будучи полностью открытым исходным кодом, он позволяет вам достигать самых современных результатов, используя абстракции, созданные для современных квантовых компьютеров.
Cirq идеально подходит как для начинающих, так и для опытных пользователей и предлагает предложения, подходящие каждому. Как новичок, вы можете научиться создавать и моделировать квантовые схемы для выполнения преобразований.
Как опытный пользователь, Cirq позволяет вам написать квантовый алгоритм приближенной оптимизации для оборудования NISQ, чтобы оптимизировать решения, которые были немыслимы в классических вычислениях. Давайте посмотрим на функции Cirq Google Quantum AI, которые могут расширить ваши возможности:
- Изучите стратегии вставки QML, чтобы построить нужные квантовые схемы и улучшить их.
- Научитесь определять устройства и оборудование, чтобы определить, практичны ли схемы QML и не будут ли они иметь эксплуатационные ограничения.
- Моделируйте с помощью Cirq или симулятора волновой функции qism, а также имитируйте квантовое оборудование и виртуальную машину Quantum.
- Проведите комплексные эксперименты с квантовыми процессами Google и пройдитесь по коду предыдущих симуляторов.
Что делает Cirq надежным, так это пошаговые подробные руководства и руководства по его функциям. От изучения того, как работать с Cirq, до хорошего списка учебников по квантовым алгоритмам и изучения всех тонкостей квантовой виртуальной машины (QVM), вы узнаете все самое важное.
Самое главное, вы также можете узнать, как реализовать алгоритмы квантовой оптимизации на реальном оборудовании. Но это не все!
Поскольку это сообщество с открытым исходным кодом, вы можете присоединяться к еженедельным встречам и вносить свой вклад в платформу с открытым исходным кодом.
Амазонка Брекет
Amazon Braket — это полностью управляемый сервис, предназначенный для ускорения исследований в области квантовых вычислений. Вот самые важные особенности:
- Используйте согласованный набор инструментов разработки для работы с квантовыми компьютерами.
- Создавайте квантовые алгоритмы в надежном облаке и тестируйте их в высокопроизводительных симуляторах.
- Внедряйте инновации с помощью технических и экспертных рекомендаций лабораторий Amazon Quantum Solutions
- Исследуйте алгоритмы и получите доступ к сверхпроводящим, захваченным ионам, нейтральным атомам и фотонным устройствам для тестирования различного оборудования.
- Создавайте квантовое программное обеспечение или разрабатывайте фреймворки с открытым исходным кодом
Вы можете подписаться на уровень бесплатного пользования AWS на 1 год или начать академические исследования в рамках программы AWS Cloud Credit for Research Program.
Квантовая облачная служба Azure
Облачная служба, включающая квантовое оборудование, программное обеспечение и разнообразный портфель инструментов: это облачная служба Azure Quantum. Что эта платформа позволяет вам делать? Давайте взглянем:
- Получите лучшее представление о выполнении квантовых приложений с помощью средства оценки квантовых ресурсов Azure.
- Кроме того, смешивайте методы классических вычислений и квантовых вычислений для создания гибридных алгоритмов.
- Получите доступ к образовательным ресурсам, таким как Microsoft Learn, учебные пособия Quantum Kata и отраслевые примеры использования, чтобы понять мир QML.
Таким образом, вы можете начать работу с бесплатным доступом к набору средств разработки с открытым исходным кодом, совместимому с Q#, Cirq и Qiskit.
Краткое содержание
Хотя мы обсудили продвинутые курсы по QML, которые помогут вам быть в курсе того, что происходит в квантовом мире, вы можете начать с книг, традиционно структурированных для введения в квантовые вычисления.
Вы также можете изучить 4 платформы (IBM, Google Cirq, Amazon Braket и Azure), чтобы получить практический опыт квантового машинного обучения с доступом к квантовому оборудованию и облаку.
Большинство этих платформ с открытым исходным кодом, и если вы ищете сообщество, с которым можно расти, они идеально подойдут!
Вы также можете изучить некоторые лучшие курсы Data Science.