EITC/AI/TFQML TensorFlow Quantum Machine Learning est le programme européen de certification informatique sur l'utilisation de la bibliothèque Google TensorFlow Quantum pour la mise en œuvre de l'apprentissage automatique sur l'architecture Google Quantum Processor Sycamore.
Le programme de l'EITC/AI/TFQML TensorFlow Quantum Machine Learning se concentre sur les connaissances théoriques et les compétences pratiques dans l'utilisation de la bibliothèque TensorFlow Quantum de Google pour un apprentissage automatique basé sur un modèle de calcul quantique avancé sur l'architecture Google Quantum Processor Sycamore organisé dans la structure suivante, comprenant une vidéo complète contenu didactique comme référence pour cette certification EITC.
TensorFlow Quantum (TFQ) est une bibliothèque d'apprentissage automatique quantique pour le prototypage rapide de modèles hybrides de ML classique quantique. La recherche sur les algorithmes et applications quantiques peut tirer parti des cadres d'informatique quantique de Google, le tout depuis TensorFlow.
TensorFlow Quantum se concentre sur les données quantiques et la construction de modèles hybrides quantiques classiques. Il intègre des algorithmes de calcul quantique et une logique conçus dans Cirq (cadre de programmation quantique basé sur un modèle de circuits quantiques) et fournit des primitives de calcul quantique compatibles avec les API TensorFlow existantes, ainsi que des simulateurs de circuits quantiques haute performance. Pour en savoir plus, consultez le livre blanc TensorFlow Quantum.
L'informatique quantique est l'utilisation de phénomènes quantiques tels que la superposition et l'intrication pour effectuer des calculs. Les ordinateurs qui effectuent des calculs quantiques sont appelés ordinateurs quantiques. On pense que les ordinateurs quantiques sont capables de résoudre certains problèmes de calcul, tels que la factorisation d'entiers (qui sous-tend le cryptage RSA), beaucoup plus rapidement que les ordinateurs classiques. L'étude de l'informatique quantique est un sous-domaine de la science de l'information quantique.
L'informatique quantique a commencé au début des années 1980, lorsque le physicien Paul Benioff a proposé un modèle de mécanique quantique de la machine de Turing. Richard Feynman et Yuri Manin ont suggéré plus tard qu'un ordinateur quantique avait le potentiel de simuler des choses qu'un ordinateur classique ne pouvait pas. En 1994, Peter Shor a développé un algorithme quantique pour la factorisation des entiers qui avaient le potentiel de décrypter les communications cryptées RSA. Malgré les progrès expérimentaux en cours depuis la fin des années 1990, la plupart des chercheurs pensent que «l'informatique quantique tolérante aux pannes est encore un rêve assez lointain». Ces dernières années, les investissements dans la recherche en informatique quantique ont augmenté dans le secteur public et privé. Le 23 octobre 2019, Google AI, en partenariat avec la National Aeronautics and Space Administration (NASA) des États-Unis, a affirmé avoir effectué un calcul quantique irréalisable sur n'importe quel ordinateur classique (résultat dit de suprématie quantique).
Il existe plusieurs modèles d'ordinateurs quantiques (ou plutôt de systèmes informatiques quantiques), y compris le modèle de circuit quantique, la machine de Turing quantique, l'ordinateur quantique adiabatique, l'ordinateur quantique à sens unique et divers automates cellulaires quantiques. Le modèle le plus utilisé est le circuit quantique. Les circuits quantiques sont basés sur le bit quantique, ou «qubit», qui est quelque peu analogue au bit dans le calcul classique. Les Qubits peuvent être dans un état quantique 1 ou 0, ou ils peuvent être dans une superposition des états 1 et 0. Cependant, lorsque des qubits sont mesurés, le résultat de la mesure est toujours un 0 ou un 1; les probabilités de ces deux résultats dépendent de l'état quantique dans lequel se trouvaient les qubits immédiatement avant la mesure.
Les progrès vers la construction d'un ordinateur quantique physique se concentrent sur des technologies telles que les transmons, les pièges à ions et les ordinateurs quantiques topologiques, qui visent à créer des qubits de haute qualité. Ces qubits peuvent être conçus différemment, selon le modèle informatique complet de l'ordinateur quantique, qu'il s'agisse de portes logiques quantiques, de recuit quantique ou de calcul quantique adiabatique. Il existe actuellement un certain nombre d'obstacles importants dans la manière de construire des ordinateurs quantiques utiles. En particulier, il est difficile de maintenir les états quantiques des qubits car ils souffrent de décohérence quantique et de fidélité d'état. Les ordinateurs quantiques nécessitent donc une correction d'erreur. Tout problème de calcul qui peut être résolu par un ordinateur classique peut également être résolu par un ordinateur quantique. À l'inverse, tout problème qui peut être résolu par un ordinateur quantique peut également l'être par un ordinateur classique, du moins en principe avec suffisamment de temps. En d'autres termes, les ordinateurs quantiques obéissent à la thèse de Church-Turing. Bien que cela signifie que les ordinateurs quantiques ne fournissent aucun avantage supplémentaire par rapport aux ordinateurs classiques en termes de calculabilité, les algorithmes quantiques pour certains problèmes ont des complexités temporelles nettement inférieures à celles des algorithmes classiques connus correspondants. Notamment, on pense que les ordinateurs quantiques sont capables de résoudre rapidement certains problèmes qu’aucun ordinateur classique ne pourrait résoudre dans un laps de temps raisonnable - un exploit connu sous le nom de «suprématie quantique». L'étude de la complexité de calcul des problèmes par rapport aux ordinateurs quantiques est connue sous le nom de théorie de la complexité quantique.
Google Sycamore est un processeur quantique créé par la division Intelligence artificielle de Google Inc. Il comprend 53 qubits.
En 2019, Sycamore a terminé une tâche en 200 secondes qui, selon Google, dans un article sur Nature, prendrait 10,000 ans à un supercalculateur à la pointe de la technologie. Ainsi, Google a affirmé avoir atteint la suprématie quantique. Pour estimer le temps que prendrait un supercalculateur classique, Google a exécuté des parties de la simulation de circuit quantique sur le Summit, l'ordinateur classique le plus puissant au monde. Plus tard, IBM a fait un contre-argument, affirmant que la tâche ne prendrait que 2.5 jours sur un système classique comme Summit. Si les affirmations de Google sont confirmées, cela représenterait un bond exponentiel de la puissance de calcul.
En août 2020, les ingénieurs quantiques travaillant pour Google ont rapporté la plus grande simulation chimique sur un ordinateur quantique - une approximation Hartree-Fock avec Sycamore associée à un ordinateur classique qui analysait les résultats pour fournir de nouveaux paramètres pour le système à 12 qubits.
En décembre 2020, le processeur chinois Jiuzhang basé sur les photons, développé par l'USTC, a atteint une puissance de traitement de 76 qubits et était 10 milliards de fois plus rapide que Sycamore, ce qui en fait le deuxième ordinateur à atteindre la suprématie quantique.
Le Quantum Artificial Intelligence Lab (également appelé Quantum AI Lab ou QuAIL) est une initiative conjointe de la NASA, de l'Universities Space Research Association et de Google (en particulier, Google Research) dont l'objectif est de pionnier dans la recherche sur la manière dont l'informatique quantique pourrait aider à l'apprentissage automatique. et d'autres problèmes informatiques difficiles. Le laboratoire est hébergé au centre de recherche Ames de la NASA.
Le Quantum AI Lab a été annoncé par Google Research dans un article de blog le 16 mai 2013. Au moment de son lancement, le Lab utilisait l'ordinateur quantique le plus avancé disponible sur le marché, D-Wave Two de D-Wave Systems.
Le 20 mai 2013, il a été annoncé que les gens pouvaient demander à utiliser le temps sur le D-Wave Two au laboratoire. Le 10 octobre 2013, Google a publié un court métrage décrivant l'état actuel du Quantum AI Lab. Le 18 octobre 2013, Google a annoncé avoir intégré la physique quantique dans Minecraft.
En janvier 2014, Google a publié des résultats comparant les performances du D-Wave Two en laboratoire avec celles des ordinateurs classiques. Les résultats étaient ambigus et ont provoqué des discussions animées sur Internet. Le 2 septembre 2014, il a été annoncé que le Quantum AI Lab, en partenariat avec l'UC Santa Barbara, lancerait une initiative visant à créer des processeurs d'information quantique basés sur l'électronique supraconductrice.
Le 23 octobre 2019, le Quantum AI Lab a annoncé dans un article qu'il avait atteint la suprématie quantique.
Google AI Quantum fait progresser l'informatique quantique en développant des processeurs quantiques et de nouveaux algorithmes quantiques pour aider les chercheurs et les développeurs à résoudre des problèmes à court terme à la fois théoriques et pratiques.
L'informatique quantique est considérée comme une aide au développement des innovations de demain, y compris l'IA. C'est pourquoi Google consacre des ressources importantes à la création de matériel et de logiciels quantiques dédiés.
L'informatique quantique est un nouveau paradigme qui jouera un rôle important dans l'accélération des tâches pour l'IA. Google vise à offrir aux chercheurs et aux développeurs l'accès à des frameworks open source et à une puissance de calcul capable de fonctionner au-delà des capacités classiques de calcul.
Les principaux domaines d'intervention de Google AI Quantum sont
- Processeurs qubits supraconducteurs: qubits supraconducteurs avec architecture évolutive basée sur des puces ciblant une erreur de porte de deux qubits <0.5%.
- Métrologie Qubit: La réduction de la perte de deux qubits en dessous de 0.2% est essentielle pour la correction des erreurs. Nous travaillons sur une expérience de suprématie quantique, pour échantillonner approximativement un circuit quantique au-delà des capacités des ordinateurs et des algorithmes classiques de pointe.
- Simulation quantique: La simulation de systèmes physiques fait partie des applications les plus attendues de l'informatique quantique. Nous nous concentrons particulièrement sur les algorithmes quantiques pour la modélisation de systèmes d'électrons en interaction avec des applications en chimie et en science des matériaux.
- Optimisation assistée quantique: Nous développons des solveurs hybrides classiques quantiques pour une optimisation approximative. Les sauts thermiques dans les algorithmes classiques pour surmonter les barrières énergétiques pourraient être améliorés en invoquant des mises à jour quantiques. Nous sommes particulièrement intéressés par un transfert cohérent de population.
- Réseaux de neurones quantiques: nous développons un cadre pour implémenter un réseau de neurones quantiques sur des processeurs à court terme. Nous souhaitons comprendre quels avantages peuvent découler de la génération d'états de superposition massifs pendant le fonctionnement du réseau.
Les principaux outils développés par Google AI Quantum sont des frameworks open source spécialement conçus pour développer de nouveaux algorithmes quantiques pour aider à résoudre des applications à court terme pour des problèmes pratiques. Ceux-ci inclus:
- Cirq: un cadre quantique open-source pour la construction et l'expérimentation d'algorithmes quantiques bruyants à échelle intermédiaire (NISQ) sur des processeurs quantiques à court terme
- OpenFermion: une plateforme open-source pour traduire des problèmes de chimie et de science des matériaux en circuits quantiques pouvant être exécutés sur des plateformes existantes
Les applications à court terme de Google AI Quantum comprennent:
Simulation quantique
La conception de nouveaux matériaux et l'élucidation de la physique complexe grâce à des simulations précises de la chimie et des modèles de matière condensée font partie des applications les plus prometteuses de l'informatique quantique.
Techniques d'atténuation des erreurs
Nous travaillons à développer des méthodes sur la voie de la correction d'erreur quantique complète qui ont la capacité de réduire considérablement le bruit dans les appareils actuels. Bien que l'informatique quantique tolérante aux pannes à grande échelle puisse nécessiter des développements considérables, nous avons développé la technique d'expansion du sous-espace quantique pour aider à utiliser des techniques de correction d'erreur quantique pour améliorer les performances des applications sur des appareils à court terme. De plus, ces techniques facilitent les tests de codes quantiques complexes sur des appareils à court terme. Nous poussons activement ces techniques dans de nouveaux domaines et les exploitons comme base pour la conception d'expériences à court terme.
Apprentissage automatique quantique
Nous développons des techniques hybrides d'apprentissage automatique quantique-classique sur des dispositifs quantiques à court terme. Nous étudions l'apprentissage des circuits quantiques universels pour la classification et le regroupement de données quantiques et classiques. Nous nous intéressons également aux réseaux de neurones quantiques génératifs et discriminants, qui pourraient être utilisés comme répéteurs quantiques et unités de purification d'état au sein de réseaux de communication quantiques, ou pour la vérification d'autres circuits quantiques.
Optimisation quantique
Les optimisations discrètes dans les secteurs de l'aérospatiale, de l'automobile et d'autres peuvent bénéficier de l'optimisation classique quantique hybride, par exemple le recuit simulé, l'algorithme d'optimisation assistée par quantique (QAOA) et le transfert de population amélioré quantique peuvent être utiles avec les processeurs d'aujourd'hui.
Pour vous familiariser en détail avec le programme de certification, vous pouvez développer et analyser le tableau ci-dessous.
Le programme de certification EITC/AI/TFQML TensorFlow Quantum Machine Learning fait référence à des supports didactiques en libre accès sous forme de vidéo. Le processus d'apprentissage est divisé en une structure étape par étape (programmes -> leçons -> sujets) couvrant les parties pertinentes du programme. Des conseils illimités avec des experts du domaine sont également fournis.
Pour plus de détails sur la procédure de certification, consultez Comment cela fonctionne.
Ressources de référence sur le curriculum
TensorFlow Quantum (TFQ) est une bibliothèque d'apprentissage automatique quantique pour le prototypage rapide de modèles hybrides de ML classique quantique. La recherche sur les algorithmes et applications quantiques peut tirer parti des cadres de calcul quantique de Google, le tout depuis TensorFlow. TensorFlow Quantum se concentre sur les données quantiques et la construction de modèles hybrides quantiques-classiques. Il intègre des algorithmes et une logique de calcul quantique conçus dans Cirq, et fournit des primitives de calcul quantique compatibles avec les API TensorFlow existantes, ainsi que des simulateurs de circuits quantiques haute performance. Pour en savoir plus, consultez le livre blanc TensorFlow Quantum. Comme référence supplémentaire, vous pouvez consulter la vue d'ensemble et exécuter les didacticiels du notebook.
https://www.tensorflow.org/quantum
cirque
Cirq est un framework open-source pour les ordinateurs Noisy Intermediate Scale Quantum (NISQ). Il a été développé par l'équipe Google AI Quantum et la version alpha publique a été annoncée lors de l'atelier international sur les logiciels quantiques et l'apprentissage automatique quantique le 18 juillet 2018. Une démo de QC Ware a montré une implémentation de QAOA résolvant un exemple de la coupe maximale problème en cours de résolution sur un simulateur Cirq. Les programmes quantiques dans Cirq sont représentés par "Circuit" et "Schedule" où "Circuit" représente un circuit Quantum et "Schedule" représente un circuit Quantum avec des informations de synchronisation. Les programmes peuvent être exécutés sur des simulateurs locaux. L'exemple suivant montre comment créer et mesurer un état Bell dans Cirq.
importer cirque
# Choisir des qubits
qubit0 = cirque.GrilleQubit(0, 0)
qubit1 = cirque.GrilleQubit(0, 1)
# Créer un circuit
circuit = cirque.Circuit.de_ops(
cirque.H(qubit0),
cirque.CNO(qubit0, qubit1),
cirque.mesurer(qubit0, key='m0'),
cirque.mesurer(qubit1, key='m1')
)
L'impression du circuit affiche son schéma
impression(circuit)
# impressions
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
La simulation répétée du circuit montre que les mesures des qubits sont corrélées.
simulateur = cirque.Simulateur()
résultat = simulateur.courir(circuit, répétitions=5)
impression(résultat)
# impressions
# m0 = 11010
# m1 = 11010
Téléchargez le matériel préparatoire complet d'auto-apprentissage hors ligne pour le programme EITC/AI/TFQML TensorFlow Quantum Machine Learning dans un fichier PDF.
Matériel préparatoire EITC/AI/TFQML – version standard
Matériel préparatoire EITC/AI/TFQML – version étendue avec questions de révision