Lær kvantemaskinlæring: 11 ressurser for å mestre QML

Overgangen til kvantemaskinlæring

I en verden der data stadig spiller en større rolle i livene våre, viser begrensningene ved tradisjonell databehandling behovet for en overgang til kvantemaskinlæring. Med evnen til raskt å faktorisere og behandle enorme mengder data, kan kvantemaskinlæring akselerere effektivitet, forbedre beslutningstaking, øke mønstergjenkjenning, styrke sikkerheten og fremme avansert modellering.

Uavhengig av hvordan kvantemaskinlæring brukes, er det et felt i rask utvikling som forventes å vokse raskere enn mange forestiller seg.

Derfor, hvis du er en entusiast innen kvantemaskinlæring (QML), bør du starte en læringsreise for å forstå alle aspekter ved feltet. Ressursene vi presenterer her er laget for å hjelpe deg med nettopp det. La oss begynne med det grunnleggende.

Hva er kvantemaskinlæring?

Kvantemaskinlæring er i bunn og grunn integrasjonen av kvanteberegningsmetoder og algoritmer i maskinlæringssystemer. Ifølge Google har det blitt vist at kvantemaskinlæring kan løse komplekse problemer som tradisjonelle datamaskiner sliter med.

Kvantemaskinlæring kan være nyttig i mange forskjellige områder, fra styring av forsyningskjeder til kryptografi og informasjonsteknologi.

Hvordan skiller kvantemaskinlæring seg fra tradisjonell maskinlæring?

QML skiller seg fra vanlig maskinlæring på flere måter, her er 5 av dem:

• Kvantemaskinlæring bruker qubits i stedet for bits, noe som fører til bedre operativsystemer.
• Ved å bruke prinsippene om superposisjon og kvanteforvikling, kan kvantedatamaskiner håndtere flere komplekse oppgaver samtidig.
• Hastighetspotensialet til QML er enormt, og kvantedatamaskiner kan også jobbe med høydimensjonale data.
• I fremtiden kan kvantemaskinlæring føre til forbedrede sikkerhetsprotokoller, fremskynde utviklingen av nye medisiner og styrke anbefalingssystemer.

Nå som du vet at QML er et felt i rask utvikling, kan du holde deg i forkant med disse anbefalingene for kurs, bøker og plattformer:

Kvantemaskinlæring: edX

Dette kurset i kvantemaskinlæring, tilbudt av University of Toronto, er et godt utgangspunkt for å lære om kvantemaskinlæringsalgoritmer og hvordan de implementeres i Python.

Dette avanserte kurset krever bare 6–9 timer per uke og foregår stort sett i eget tempo. Det er to måter å ta kurset på: et verifisert spor som koster penger, og et revisjonsspor som er gratis. Hovedforskjellen er ubegrenset tilgang til læringsressurser. I tillegg får man et delbart bevis på fullføring med vurderinger og eksamener i den betalte versjonen.

Petter Wittek, assisterende professor ved University of Toronto, er foreleser i kurset. Det belyser nåværende og nær fremtidig kvanteteknologi, og hvordan den forventes å overgå klassisk databehandling.

Du vil lære om variasjonskretser, hybridlæringsalgoritmer for klassisk kvante, enkle tilstander for sannsynlighetsmodeller og spesielle kjernefunksjoner.

Du vil også lære å implementere følgende algoritmer:

• Kvantefouriertransformasjon
• Kvantefaseestimering
• Kvantefasematrise
• Gaussiske prosesser

QC101 Kvanteberegning

Dette QC101 Quantum Computing-kurset, tilbudt av Udemy, nærmer seg kvantefysikk gjennom studiet av polarisert lys.

Det tilbyr en matematikkbasert innføring i kvanteberegning og lærer deg samtidig om kvantekryptografi for sikker kommunikasjon. I tillegg får du erfaring med IBMs kvanteplattform. Du vil også trene en kvantestøttevektormaskin for å lage spådommer basert på virkelige data.

Gjennom 12 timer med video, 10 artikler og 5 nedlastbare ressurser lærer du:

• Hvordan utvikle og simulere kvanteprogrammer på IBM Qiskit og Microsoft Q# og feilsøke dem.
• Hvordan analysere kvantekretser ved hjelp av Diracs notasjon og kvantefysikkmodeller.
• Hvordan kvanteberegning kan bidra innen kunstig intelligens og maskinlæring, og revolusjonere datavitenskap.

Dette Udemy-kurset om kvantelæring anbefales også av bedrifter over hele verden for sine ansatte. Med 17 seksjoner og 284 forelesninger varer kurset over 12 timer.

Du trenger kunnskap i matematikk og naturfag fra videregående skole, med vekt på boolsk logikk, komplekse tall, lineær algebra, sannsynlighet og statistikk.

Kvantemaskinlæring: OpenHPI

Ønsker du å lære å bygge både grunnleggende og avanserte kvantemaskinlæringsmodeller? Dette kvantemaskinlæringskurset fra OpenHPI er gratis. Kurset undervises av Dr. Christa Zoufal, Julien Gacon og Dr. David Sutter.

På dette kurset lærer du:

• Hvordan bygge grunnleggende og avanserte læringsmodeller.
• Hvordan bruke Python og Qiskit til å implementere algoritmer for å løse maskinlæringsoppgaver.
• Utfordringer og fremtidsutsikter for kvantemaskinlæring.

Kurset er perfekt for studenter innen informatikk, entusiaster innen kvantelæring og maskinlæringseksperter. Det varer i to uker og avsluttes med en eksamen.

En oversikt over timeplanen for uke 1 viser at det vil være fokus på støttevektormaskiner og variasjonskvanteklassifiserere. Uke 2 vil fokusere på kvantegenerative motstandernettverk og kvante-Boltzmann-maskiner, med praktiske implementeringsteknikker.

Qiskits globale sommerskole

Dette er enda en gratis ressurs for kvantemaskinlæring som er åpen kildekode. Qiskits forelesningsserie er tilgjengelig på YouTube.

Det som en gang var en to ukers intensiv sommerskole, er nå en læringsserie på YouTube med 25 episoder, hver på en til to timer. Kurset er delt inn i 20 forelesninger og 5 laboratoriebaserte applikasjoner.

På dette kurset lærer du:

• Hvordan utforske kvanteapplikasjoner.
• Introduksjon til kvantekretser, kvanteberegningsalgoritmer og operasjoner.
• Hvordan bygge kvanteklassifiserere og se kvantekjerner i praksis.
• Avanserte kvantemaskinlæringsalgoritmer, kvante maskinvare og hvordan du unngår ufruktbare platåer og problemer med trening.

Hvis du har lett etter gratis og pålitelige kilder for å starte din QML-reise, bør du vurdere dette som et tegn.

Maskinlæring med kvantedatamaskiner

Boken «Machine Learning With Quantum Computers» (2021), skrevet av Maria Schuld og Francesco Petruccione, er et godt utgangspunkt for å fordype deg i avansert kvantemaskinlæring.

Boken dekker alt fra kortsiktige til feiltolerante kvantelæringsalgoritmer, og utforsker teoretiske og praktiske teknikker for:

• Parametriserte kvantekretser.
• Hybridoptimalisering.
• Datakoding.
• Kvantefunksjonskart.
• Kjernemetoder.
• Kvantelæringsteori.
• Kvantenevrale nettverk.

Hva er det spesielle med den andre utgaven? Den går utover veiledede læringsmetoder og diskuterer fremtiden for kvantemaskinlæringsmetoder og algoritmer.

Praktisk kvantemaskinlæring med Python

Boken «Hands-On Quantum Machine Learning With Python», skrevet av Dr. Frank Zickert, har som mål å gjøre deg til en ekspert innen kvantemaskinlæring.

Du finner følgende i boken:

• En grundig innføring i grunnleggende kvantelæring, inkludert qubits, kvanteporter og kvantekretser.
• Hvordan bruke Quantum Support Vector Machines (QSVM), Quantum k-means og Quantum Boltzmann Machines på kombinatoriske optimaliseringsproblemer.
• Flere virkelige løsninger på vanlige problemer som Traveling Salesman Problem (TSP) og Quadratic Unconstrained Binary Optimization (QUBO).
• Hvordan utnytte kvantesvingninger og løse problemer ved kvanteglødning.
• Algoritmer som Quantum Approximate Optimization Algorithm (QAOA) og Variational Quantum Eigensolver (VQE).
• Kvanteberegningsrammeverk, virkelige applikasjoner og praktiske eksempler.

Kvantemaskinlæring med Python

Ønsker du å mestre grunnlaget for kvantemaskinlæring? Santanu Pattanayaks bok om kvantemaskinlæring med Python er perfekt for ingeniører og QML-entusiaster.

I boken lærer du:

• Grunnleggende om kvantemaskinlæringsdata, som Dirac-notasjoner, qubits og Bell-tilstander.
• Kvantebaserte algoritmer som Quantum Fourier-transformasjon, faseestimering og HHL (Harrow-Hassidim-Lloyd).
• Hvordan bruke QML til å løse problemer innen finans, prognoser, genomikk, forsyningskjedelogistikk osv.
• Kvant adiabatiske prosesser og kvantebasert optimalisering.
• Hvordan bruke Qiskit-verktøysettet fra IBM og Cirq fra Google Research til å jobbe med kvanteberegningsalgoritmer.
• Hvordan bruke Python til å implementere flere kvantebaserte algoritmer og gå gjennom store utfordringer med virkelige applikasjoner.

Hvis du ikke bare vil stoppe ved QML-ressurser, kan du fortsette læringsreisen ved å utforske disse kvanteberegningsplattformene:

IBM Quantum

Få gratis tilgang til de mest avanserte kvantedatamaskinene online med IBM Quantum. Plattformen er perfekt for lærere, utviklere og studenter, og lar deg kjøre kvantekretsene dine ved å registrere deg og få en API-nøkkel.

Du vil få tilgang til simulatorer og 7-qubit og 5-qubit QPU-er der du får sjansen til å lære, utvikle og kjøre programmer. IBMs kvanteplattform lar deg også:

• Lære kvanteprogrammering ved hjelp av trinnvise veiledninger.
• Bruke IBM Quantum Composer til å bygge og visualisere kvantekretser grafisk på kvantemaskinvare og simulatorer.
• Kode, programmere og lage prototyper med Python i IBM Quantum lab, et skybasert Jupyter Notebook-miljø.

Det er mer. Du kan melde deg på Quantum Researcher-programmet og Educator-programmet. IBMs dokumentkatalog er også ganske omfattende. Her finner du alt du trenger, fra Quantum Composer-dokumentasjon for nybegynnere til Qiskit Runtime for utviklere.

Hvis du er lærer, kan du bruke feltguiden til å undervise i emner. I tillegg kan du prøve ut Quantum lab-opplæringer for å bygge og teste algoritmer som forskere.

Googles Cirq

Googles Cirq er et Python-programvarebibliotek som du kan bruke til å bygge og optimalisere kvantekretser og kjøre dem på kvantemaskinvare og simulatorer. Den er helt åpen kildekode og lar deg oppnå de beste resultatene ved å bruke abstraksjoner som er laget for dagens kvantedatamaskiner.

Cirq passer både nybegynnere og avanserte brukere. Som nybegynner kan du lære hvordan du bygger og simulerer kvantekretser for å utføre transformasjoner.

Som en avansert bruker lar Cirq deg skrive en tilnærmet kvanteoptimaliseringsalgoritme for NISQ-maskinvare for å optimalisere løsninger som var utenkelige i klassisk databehandling. La oss se på funksjonene til Google Quantum AIs Cirq som kan hjelpe deg:

• Utforsk QML-innsettingsstrategier for å bygge ønskede kvantekretser og forbedre dem.
• Lær å definere enheter og maskinvare for å finne ut om QML-kretser er praktiske og ikke har driftsmessige begrensninger.
• Simuler med Cirq eller wave-function simulator qism, og «mock» kvantemaskinvare og Quantum Virtual Machine.
• Utfør ende-til-ende-eksperimenter på Googles kvanteprosessorer og gå gjennom koden til tidligere simulatorer.

Det som gjør Cirq pålitelig er de trinnvise detaljerte veiledningene. Fra å lære hvordan du kommer i gang med Cirq til en god liste over lærebokkvantealgoritmer og å lære alle detaljene i Quantum Virtual Machine (QVM), får du vite alt som er viktigst.

Du kan også lære hvordan du implementerer kvanteoptimaliseringsalgoritmer på ekte maskinvare. Siden det er et åpen kildekode-fellesskap, kan du bli med på ukentlige møter og begynne å bidra til åpen kildekode-rammeverket.

Amazon Braket

Amazon Braket er en fullt administrert tjeneste som er utviklet for å akselerere kvanteberegningsforskning. Her er de viktigste funksjonene:

• Bruk et konsistent sett med utviklingsverktøy for å jobbe med kvantedatamaskiner.
• Bygg kvantealgoritmer på en pålitelig sky og test dem i høyytelsessimulatorer.
• Innovér med teknologi og ekspertveiledning fra Amazon Quantum Solutions-laboratorier.
• Forsk på algoritmer og få tilgang til superledende, fangede ion-, nøytrale atom- og fotoniske enheter for å teste forskjellig maskinvare.
• Bygg kvanteprogramvare eller utvikle rammeverk med åpen kildekode.

Du kan registrere deg for AWS Free Tier i 1 år eller komme i gang med akademisk forskning under AWS Cloud Credit for Research-programmet.

Azure Quantum Cloud Service

Azure Quantum Cloud Service er en skytjeneste som inkluderer kvantemaskinvare, programvare og et variert utvalg verktøy. Hva lar denne plattformen deg gjøre? Her er en oversikt:

• Få en bedre forståelse av hvordan du kjører kvanteapplikasjoner ved å bruke Azure-kvante ressursestimatorverktøy.
• Bland klassisk databehandling og kvantedatabehandlingsmetoder for å bygge hybridalgoritmer.
• Få tilgang til pedagogiske ressurser som Microsoft Learn, Quantum Katas veiledninger og bransjebrukstilfeller for å forstå QML-verdenen.

Du kan begynne med gratis tilgang til et åpen kildekode-utviklingssett som er kompatibelt med Q#, Cirq og Qiskit.

Oppsummering

Vi har diskutert avanserte QML-kurs som vil hjelpe deg med å holde deg oppdatert innen kvanteverdenen, og du kan begynne med bøkene for en tradisjonell strukturert introduksjon til kvanteberegning.

Du kan også utforske de fire plattformene (IBM, Google Cirq, Amazon Braket og Azure) for å få praktisk erfaring med kvantemaskinlæring, med tilgang til kvantemaskinvare og skyen.

De fleste av disse plattformene er åpen kildekode, og hvis du ser etter et fellesskap å vokse sammen med, vil disse være perfekte for deg.

Du kan også utforske noen av de beste kursene innen datavitenskap.