Hvordan lære kvantemaskinlæring: +11 ressurser

Etter hvert som livene våre blir stadig mer dataorienterte, krever begrensningene ved klassisk databehandling en overgang til kvantemaskinlæring. Med muligheten til å faktorisere og behandle enorme mengder datasett raskt, kan kvantemaskinlæring akselerere effektivitet, beslutningstaking, forbedret mønstergjenkjenning, forbedret sikkerhet og avansert modellering.

Uansett bruken av kvantemaskinlæring, er det et fremvoksende felt som vil blomstre raskere enn vi kan tro.

Derfor, hvis du er en QML-entusiast, bør du begi deg ut på en læringsreise og mestre ins og outs av QML. Mens ressursene nedenfor er utviklet for å hjelpe deg med å gjøre nettopp det, la oss komme i gang med det grunnleggende.

Hva er kvantemaskinlæring?

Kvantemaskinlæring er ikke noe mer enn integrering av kvanteberegningsmetoder og algoritmer i maskinlæringsprogrammer. Ifølge Google har det blitt demonstrert at kvantemaskinlæring er i stand til å løse komplekse problemer som er utfordrende for klassiske/tradisjonelle datamaskiner.

Quantum Machine Learning kan være nyttig for ulike felt, fra supply chain management til kryptografi til IT.

Måter hvor kvantemaskinlæring er forskjellig

QML skiller seg fra vanlig maskinlæring på mange måter; vi diskuterer disse 5:

• Kvantemaskinlæring bruker qubits i stedet for bits for å forbedre driftssystemer
• Ved å utnytte begrepene overlagring og kvanteforviklinger, kan kvantedatamaskiner utføre flere komplekse problemer samtidig
• Hastighetspotensialet til QML er enormt, og kvantedatamaskiner kan også håndtere høydimensjonale data
• I fremtiden kan kvantemaskinlæring føre til forbedrede sikkerhetsprotokoller, akselerere utviklingen av nye medisiner og forsterke forslag til anbefalingssystem

Nå som du vet at QML er et raskt voksende felt, hold deg i forkant med disse kursene, bøkene og plattformanbefalingene:

Quantum Machine Learning: edX

Dette Quantum Machine Learning-kurset, som tilbys av University of Toronto, er et godt utgangspunkt for kvantemaskinlæringsalgoritmer og hvordan man må gå frem for å implementere dem i Python.

Dette avanserte kurset krever kun 6–9 timer per uke, og er stort sett i eget tempo. Det er to måter å ta dette kurset på. Verifisert spor som kommer mot et gebyr, og et revisjonsspor, det er gratis. Det som skiller de to er ubegrenset tilgang til læringsressurser. I tillegg til et delbart fullføringsbevis med graderte vurderinger og eksamener tilgjengelig i betalt versjon.

Petter Wittek, Asst. En professor ved University of Toronto underviser i dette kurset. Det bidrar til å kaste lys over nåværende og nær fremtidig kvanteteknologi. Og hvordan de forventes å overgå klassiske datamaskiner.

Du vil garantert lære variasjonskretser, klassisk-kvantehybridlæringsalgoritmer, enkle tilstander for sannsynlighetsmodeller og uvanlige kjernefunksjoner.

I tillegg kan du også lære hvordan du implementerer følgende algoritmer:

• Quantum Fourier transformasjon
• Kvantefaseestimering
• Kvantefasematrise
• Gaussiske prosesser

QC101 Quantum Computing

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

Faktisk krever det en matematikkbasert introduksjon til kvanteberegning mens du lærer kvantekryptografi for å kommunisere sikkert. I tillegg får du oppleve IBMs kvanteopplevelse. Tren i tillegg en kvantestøttevektormaskin til å lage spådommer basert på virkelige data.

Gjennom 12 timer med video, 10 artikler og 5 nedlastbare ressurser får du dessuten lære:

• Hvordan utvikle og simulere kvanteprogrammer på IBM Qiskit og Microsoft Q# mens du feilsøker dem
• Hvordan analysere kvantekretser via Diracs notasjon og kvantefysikkmodeller
• På samme måte, hvordan kvantedatabehandling kan hjelpe innen AI, maskinlæring og revolusjonere feltet datavitenskap

Dette Udemy-kurset om kvantelæring anbefales også av bedrifter over hele verden til sine ansatte. Med 17 seksjoner og 284 forelesninger, er dette kurset løpende over 12 timer.

Du trenger matematikk- og naturfagkunnskaper i 12. klasse for å lære dette kurset, med spesielt fokus på boolsk logikk, komplekse tall, lineær algebra, sannsynlighet og statistikk.

Kvantemaskinlæring: OpenHPI

Ønsker du å lære hvordan du bygger både grunnleggende og avanserte kvantemaskinlæringsmodeller? Dette kvantemaskinlæringskurset av OpenHPI er gratis. Det 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 ML-oppgaver
• Utfordringer og fremtidsutsikter for Quantum ML

Perfekt for informatikkstudenter, kvantelæringsentusiaster og maskinlæringseksperter, dette kurset varer i to uker, etterfulgt av en avsluttende eksamen du må bestå.

En titt på uke 1s forelesningsplan forteller oss at det vil skje mye med hensyn til støtte for vektormaskiner og variasjonskvanteklassifiserere. Uke 2 vil se mer av Quantum Generative Adversarial Networks og Quantum Boltzmann-maskiner, med praktiske implementeringsteknikker.

Qiskits globale sommerskole

Deretter har vi en annen gratis kvantemaskinlæringsressurs som er gratis og åpen kildekode. Faktisk er Qiskits forelesningsserie tilgjengelig på YouTube.

Det som var en to-ukers intensiv sommerskole er nå en YouTube-læringsserie bygget over 25 episoder, som hver strekker seg over en time eller to. Dette kurset er delt inn i 20 forelesninger og 5 lab-baserte applikasjoner.

På dette kurset lærer du

• Hvordan utforske kvanteapplikasjoner
• Introduksjon til kvantekretser, kvanteberegningsalgoritmer og operasjoner
• Hvordan bygge kvanteklassifiserere, se kvantekjerner i praksis
• Avanserte QML-algoritmer, kvantemaskinvare og hvordan du unngår ufruktbare platåer og problemer med trening

Hvis du har lett etter gratis og pålitelige kilder for å starte på QML-reisen din, men ikke har gjort det så langt, bør du vurdere dette som ditt tegn!

Maskinlæring med kvantedatamaskiner

Denne boken Machine Learning With Quantum Computers (2021) er skrevet av Maria Schuld og Francesco Petruccione og er et godt utgangspunkt for å fordype seg i avansert kvantemaskinlæring.

Fra kortsiktige til feiltolerante kvantelæringsalgoritmer, avdekker denne boken teoretiske og praktiske teknikker på:

• Parameteriserte kvantekretser
• Hybridoptimalisering
• Datakoding
• Quantum funksjonskart
• Kjernemetoder
• Kvantelæringsteori
• Kvantenevrale nettverk

Nå, hva er det spesielle med den andre utgaven? I tillegg, hvordan skiller den seg fra den første utgaven? Den går utover veiledede læringsmetoder og diskuterer fremtiden for kvantemaskinlæringsmetoder og algoritmer.

Hands-On Quantum ML med Python

Denne boken Hands-On Quantum Machine Learning With Python, skrevet av Dr. Frank Zickert, har som mål å gjøre deg til en ekspert på kvantemaskinlæring.

På innsiden finner du:

• Et dypdykk i grunnleggende kvantelæring, inkludert, men ikke begrenset til qubits, kvanteporter og kvantekretser
• Hvordan bruke Quantum Support Vector Machines (QSVM), Quantum k-means og Quantum Boltzmann Machines på kombinatoriske optimaliseringsproblemer
• Dessuten flere virkelige løsninger på vanlige problemer som Traveling Salesman Problem (TSP) og Quadratic Unconstrained Binary Optimization (QUBO) problemet
• Hvordan utnytte kvantesvingninger og løse problemer ved kvanteglødning
• Også algoritmer som Quantum Approximate Optimization Algorithm (QAOA) og Variational Quantum Eigensolver (VQE)
• Kvanteberegningsrammer, applikasjoner fra den virkelige verden og praktiske eksempler

Quantum ML med Python

Ønsker du å mestre grunnlaget for Quantum Machine Learning? Santanu Pattanayaks bok om Quantum Machine With Python er perfekt for ingeniører og QML-entusiaster.

På innsiden vil du lære:

• Quantum ML datagrunnlag som Dirac Notations, Qubits og Bell state
• Kvantebaserte algoritmer som Quantum Fourier-transformasjon, faseestimering og HHL (Harrow-Hassidim-Lloyd)
• Hvordan bruke QML til å løse problemer innen finans, prognoser, genomikk, forsyningskjedelogistikk, etc.
• I tillegg til Quantum adiabatiske prosesser og Quantum-basert optimalisering
• Bruk Qiskit-verktøysettet fra IBM og Cirq fra Google Research for å jobbe med Quantum-databehandlingsalgoritmer
• Bruk Python til å implementere noen flere kvantebaserte algoritmer og gjennomgå store utfordringer med virkelige applikasjoner

Hvis du ikke bare vil stoppe ved QML-ressurser, fortsett læringsreisen ved å utforske disse Quantum-databehandlingsplattformene:

IBM Quantum

Få gratis skytilgang til de mest avanserte kvantedatamaskinene online med IBMs Quantum.
Perfekt for lærere, utviklere og elever, IBM lar deg kjøre kvantekretsene dine bare ved å registrere deg og få et API-token.

Så du vil finne tilgang til simulatorer og 7-qubit og 5-qubit QPU-er hvor du får sjansen til å lære, utvikle og kjøre programmer. I tillegg er dette hva IBM-kvanteplattformen lar deg gjøre:

• Lær kvanteprogrammering ved hjelp av trinnvise veiledninger
• Bruk også IBM Quantum Composer til å bygge og visualisere kvantekretser grafisk på kvantemaskinvare og simulatorer
• Kode, programmer og prototype med Python i IBM Quantum lab, et sky-aktivert Jupyter Notebook-miljø

Det er mer. Du kan melde deg på Kvanteforskerprogrammet og Educatorprogrammet. I tillegg er IBMs dokumentkatalog også ganske kraftig. Fra Quantum Composer-dokumentasjon for nybegynnere til Qiskit Runtime for utviklere, du finner garantert alt du trenger her.

Dessuten, hvis du er pedagog, kan du bruke Field Guide til å undervise i emner. I tillegg til å 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 toppmoderne resultater ved å bruke abstraksjoner laget for dagens kvantedatamaskiner.

Cirq er perfekt for både nybegynnere og avanserte brukere og har tilbud som passer hver enkelt. Som nybegynner kan du lære hvordan du bygger og simulerer kvantekretser for å utføre transformasjoner.

Som en avansert bruker lar Cirq deg skrive en omtrentlig kvanteoptimaliseringsalgoritme for NISQ-maskinvare for å optimalisere løsninger som var utenkelige i klassisk databehandling. La oss ta en titt 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 operasjonelle begrensninger
• Simuler med Cirq eller wave-function simulator qism, og hån kvantemaskinvare og Quantum Virtual Machine
• Utfør ende-til-ende-eksperimenter på Googles kvanteprosesser og gå gjennom koden til tidligere simulatorer

Det som gjør Cirq pålitelig er de trinnvise detaljerte veiledningene og veiledningene. Fra å lære hvordan du går rundt Cirq til en god liste over lærebokkvantealgoritmer til å lære inn og ut av Quantum Virtual Machine (QVM), får du vite alt som er viktigst.

Det viktigste er at du også kan lære hvordan du implementerer Quantum Optimization Algorithms på ekte maskinvare. Men det er ikke alt!

Siden det er et fellesskap med åpen kildekode, kan du bli med på ukentlige møter og begynne å bidra til rammeverket for åpen kildekode.

Amazon bremse

Designet for å akselerere kvanteberegningsforskning, er Amazon Braket en fullstendig administrert tjeneste. Her er de viktigste funksjonene:

• Bruk et konsistent sett med utviklingsverktøy for å jobbe på kvantedatamaskiner
• Bygg kvantealgoritmer på en pålitelig sky og test dem i høyytelsessimulatorer
• Innover med teknologi og ekspertveiledning fra Amazon Quantum Solutions laboratorier
• Forskningsalgoritmer og har tilgang til superledende, fanget ion, nøytralt 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

En skytjeneste som inkluderer kvantemaskinvare, programvare og en mangfoldig portefølje av verktøy: det er Azure Quantum skytjeneste. Hva lar denne plattformen deg gjøre? La oss ta en titt:

• Få en bedre ide om å kjøre kvanteapplikasjoner ved å bruke Azure kvanteressursestimatorverktøy
• Dessuten, bland klassisk databehandling og kvantedatabehandlingsmetoder for å bygge hybridalgoritmer
• Få tilgang til pedagogiske ressurser som Microsoft Learn, Quantum Katas veiledninger og industribrukssaker for å forstå QML-verdenen

Så du kan komme i gang med gratis tilgang til åpen kildekode-utviklingssettet som er kompatibelt med Q#, Cirq og Qiskit.

Sammendrag

Mens vi har diskutert avanserte QML-kurs som vil hjelpe deg å holde deg på toppen av hva som skjer i kvanteverdenen, kan du komme i gang med bøkene for en tradisjonelt strukturert introduksjon til kvanteberegning.
Du kan også utforske de fire plattformene (IBM, Google Cirq, Amazon Braket og Azure) for å få en praktisk læringsopplevelse av kvantemaskinlæring, med tilgang til kvantemaskinvare og skyen.

De fleste av disse plattformene er åpen kildekode, og hvis du leter etter et fellesskap å vokse med, ville de være perfekte!

Du kan også utforske noen beste datavitenskap-kurs.