EITC/AI/TFQML TensorFlow Quantum Machine Learning es el programa europeo de certificación de TI sobre el uso de la biblioteca Google TensorFlow Quantum para implementar el aprendizaje automático en la arquitectura Google Quantum Processor Sycamore.
El plan de estudios de EITC/AI/TFQML TensorFlow Quantum Machine Learning se centra en el conocimiento teórico y las habilidades prácticas en el uso de la biblioteca TensorFlow Quantum de Google para el aprendizaje automático basado en modelos computacionales cuánticos avanzados en la arquitectura Sycamore del procesador Quantum de Google, organizada dentro de la siguiente estructura, que abarca un video completo contenido didáctico como referencia para esta Certificación EITC.
TensorFlow Quantum (TFQ) es una biblioteca de aprendizaje automático cuántico para la creación rápida de prototipos de modelos de AA híbridos cuánticos y clásicos. La investigación en algoritmos y aplicaciones cuánticas puede aprovechar los marcos de computación cuántica de Google, todo desde TensorFlow.
TensorFlow Quantum se centra en los datos cuánticos y la construcción de modelos híbridos cuánticos-clásicos. Integra algoritmos de computación cuántica y lógica diseñados en Cirq (marco de programación cuántica basado en el modelo de circuitos cuánticos) y proporciona primitivas de computación cuántica compatibles con las API de TensorFlow existentes, junto con simuladores de circuitos cuánticos de alto rendimiento. Obtenga más información en el informe técnico de TensorFlow Quantum.
La computación cuántica es el uso de fenómenos cuánticos como la superposición y el entrelazamiento para realizar cálculos. Las computadoras que realizan cálculos cuánticos se conocen como computadoras cuánticas. Se cree que las computadoras cuánticas son capaces de resolver ciertos problemas computacionales, como la factorización de enteros (que subyace al cifrado RSA), sustancialmente más rápido que las computadoras clásicas. El estudio de la computación cuántica es un subcampo de la ciencia de la información cuántica.
La computación cuántica comenzó a principios de la década de 1980, cuando el físico Paul Benioff propuso un modelo mecánico cuántico de la máquina de Turing. Richard Feynman y Yuri Manin sugirieron más tarde que una computadora cuántica tenía el potencial de simular cosas que una computadora clásica no podía. En 1994, Peter Shor desarrolló un algoritmo cuántico para factorizar números enteros que tenía el potencial de descifrar comunicaciones encriptadas con RSA. A pesar del progreso experimental en curso desde finales de la década de 1990, la mayoría de los investigadores creen que "la computación cuántica tolerante a fallos es todavía un sueño bastante lejano". En los últimos años, la inversión en la investigación de la computación cuántica ha aumentado tanto en el sector público como en el privado. El 23 de octubre de 2019, Google AI, en asociación con la Administración Nacional de Aeronáutica y del Espacio (NASA) de EE. UU., Afirmó haber realizado un cálculo cuántico que no es factible en cualquier computadora clásica (el llamado resultado de supremacía cuántica).
Hay varios modelos de computadoras cuánticas (o más bien, sistemas de computación cuántica), incluido el modelo de circuito cuántico, la máquina cuántica de Turing, la computadora cuántica adiabática, la computadora cuántica unidireccional y varios autómatas celulares cuánticos. El modelo más utilizado es el circuito cuántico. Los circuitos cuánticos se basan en el bit cuántico, o "qubit", que es algo análogo al bit en la computación clásica. Los qubits pueden estar en un estado cuántico 1 o 0, o pueden estar en una superposición de los estados 1 y 0. Sin embargo, cuando se miden los qubits, el resultado de la medición es siempre un 0 o un 1; las probabilidades de estos dos resultados dependen del estado cuántico en el que se encontraban los qubits inmediatamente antes de la medición.
El progreso hacia la construcción de una computadora cuántica física se centra en tecnologías como los transmons, las trampas de iones y las computadoras cuánticas topológicas, que tienen como objetivo crear qubits de alta calidad. Estos qubits pueden diseñarse de manera diferente, dependiendo del modelo de computación cuántica completa de la computadora, ya sean puertas lógicas cuánticas, recocido cuántico o computación cuántica adiabática. Actualmente hay una serie de obstáculos importantes en la forma de construir computadoras cuánticas útiles. En particular, es difícil mantener los estados cuánticos de los qubits, ya que sufren de decoherencia cuántica y fidelidad de estado. Por lo tanto, las computadoras cuánticas requieren corrección de errores. Cualquier problema computacional que pueda ser resuelto por una computadora clásica también puede ser resuelto por una computadora cuántica. A la inversa, cualquier problema que pueda ser resuelto por una computadora cuántica también puede ser resuelto por una computadora clásica, al menos en principio con suficiente tiempo. En otras palabras, las computadoras cuánticas obedecen a la tesis de Church-Turing. Si bien esto significa que las computadoras cuánticas no proporcionan ventajas adicionales sobre las computadoras clásicas en términos de computabilidad, los algoritmos cuánticos para ciertos problemas tienen complejidades de tiempo significativamente menores que los algoritmos clásicos conocidos correspondientes. En particular, se cree que las computadoras cuánticas pueden resolver rápidamente ciertos problemas que ninguna computadora clásica podría resolver en un período de tiempo factible, una hazaña conocida como "supremacía cuántica". El estudio de la complejidad computacional de problemas con respecto a las computadoras cuánticas se conoce como teoría de la complejidad cuántica.
Google Sycamore es un procesador cuántico creado por la división de Inteligencia Artificial de Google Inc. Consta de 53 qubits.
En 2019, Sycamore completó una tarea en 200 segundos que Google afirmó, en un artículo de Nature, que a una supercomputadora de última generación le tomaría 10,000 años terminarla. Por lo tanto, Google afirmó haber logrado la supremacía cuántica. Para estimar el tiempo que le tomaría una supercomputadora clásica, Google ejecutó partes de la simulación del circuito cuántico en la Summit, la computadora clásica más poderosa del mundo. Más tarde, IBM hizo un contraargumento, alegando que la tarea solo tomaría 2.5 días en un sistema clásico como Summit. Si se mantienen las afirmaciones de Google, entonces representaría un salto exponencial en la potencia informática.
En agosto de 2020, los ingenieros cuánticos que trabajan para Google informaron sobre la simulación química más grande en una computadora cuántica: una aproximación Hartree-Fock con Sycamore emparejada con una computadora clásica que analizaba los resultados para proporcionar nuevos parámetros para el sistema de 12 qubit.
En diciembre de 2020, el procesador chino Jiuzhang basado en fotones, desarrollado por USTC, alcanzó una potencia de procesamiento de 76 qubits y fue 10 mil millones de veces más rápido que Sycamore, lo que la convierte en la segunda computadora en alcanzar la supremacía cuántica.
El Laboratorio de Inteligencia Artificial Cuántica (también llamado Laboratorio de Inteligencia Artificial Cuántica o QuAIL) es una iniciativa conjunta de la NASA, la Asociación de Investigación Espacial de Universidades y Google (específicamente, Google Research) cuyo objetivo es ser pionero en la investigación sobre cómo la computación cuántica podría ayudar con el aprendizaje automático. y otros problemas difíciles de la informática. El laboratorio está alojado en el Centro de Investigación Ames de la NASA.
El laboratorio de inteligencia artificial cuántica fue anunciado por Google Research en una publicación de blog el 16 de mayo de 2013. En el momento del lanzamiento, el laboratorio estaba utilizando la computadora cuántica más avanzada disponible comercialmente, D-Wave Two de D-Wave Systems.
El 20 de mayo de 2013, se anunció que las personas podrían solicitar el uso del tiempo en el D-Wave Two en el laboratorio. El 10 de octubre de 2013, Google lanzó un cortometraje que describe el estado actual del Quantum AI Lab. El 18 de octubre de 2013, Google anunció que había incorporado la física cuántica en Minecraft.
En enero de 2014, Google informó resultados que comparan el rendimiento del D-Wave Two en el laboratorio con el de las computadoras clásicas. Los resultados fueron ambiguos y provocaron una acalorada discusión en Internet. El 2 de septiembre de 2014, se anunció que Quantum AI Lab, en asociación con UC Santa Barbara, lanzaría una iniciativa para crear procesadores de información cuántica basados en electrónica superconductora.
El 23 de octubre de 2019, Quantum AI Lab anunció en un documento que había alcanzado la supremacía cuántica.
Google AI Quantum está avanzando en la computación cuántica mediante el desarrollo de procesadores cuánticos y algoritmos cuánticos novedosos para ayudar a los investigadores y desarrolladores a resolver problemas a corto plazo tanto teóricos como prácticos.
Se considera que la computación cuántica ayudará en el desarrollo de las innovaciones del mañana, incluida la IA. Es por eso que Google dedica importantes recursos a la creación de hardware y software cuánticos dedicados.
La computación cuántica es un nuevo paradigma que jugará un papel importante en la aceleración de las tareas de la IA. Google tiene como objetivo ofrecer a los investigadores y desarrolladores acceso a marcos de código abierto y potencia informática que pueden operar más allá de las capacidades clásicas de computación.
Las principales áreas de enfoque de Google AI Quantum son
- Procesadores qubit superconductores: qubits superconductores con arquitectura escalable basada en chips que apunta a un error de puerta de dos qubit <0.5%.
- Metrología Qubit: reducir la pérdida de dos qubit por debajo del 0.2% es fundamental para la corrección de errores. Estamos trabajando en un experimento de supremacía cuántica, para muestrear aproximadamente un circuito cuántico más allá de las capacidades de las computadoras y algoritmos clásicos de última generación.
- Simulación cuántica: la simulación de sistemas físicos es una de las aplicaciones más esperadas de la computación cuántica. Nos centramos especialmente en algoritmos cuánticos para modelar sistemas de electrones en interacción con aplicaciones en química y ciencia de materiales.
- Optimización cuántica asistida: estamos desarrollando solucionadores híbridos cuántico-clásicos para una optimización aproximada. Los saltos térmicos en los algoritmos clásicos para superar las barreras energéticas podrían mejorarse invocando actualizaciones cuánticas. Estamos particularmente interesados en una transferencia de población coherente.
- Redes neuronales cuánticas: estamos desarrollando un marco para implementar una red neuronal cuántica en procesadores a corto plazo. Estamos interesados en comprender qué ventajas pueden derivarse de generar estados de superposición masiva durante el funcionamiento de la red.
Las principales herramientas desarrolladas por Google AI Quantum son marcos de código abierto diseñados específicamente para desarrollar nuevos algoritmos cuánticos para ayudar a resolver aplicaciones a corto plazo para problemas prácticos. Éstos incluyen:
- Cirq: un marco cuántico de código abierto para construir y experimentar con algoritmos cuánticos ruidosos de escala intermedia (NISQ) en procesadores cuánticos a corto plazo
- OpenFermion: una plataforma de código abierto para traducir problemas en química y ciencia de los materiales en circuitos cuánticos que se pueden ejecutar en plataformas existentes.
Las aplicaciones a corto plazo de Google AI Quantum incluyen:
Simulación cuántica
El diseño de nuevos materiales y la elucidación de la física compleja a través de simulaciones precisas de modelos de química y materia condensada se encuentran entre las aplicaciones más prometedoras de la computación cuántica.
Técnicas de mitigación de errores
Trabajamos para desarrollar métodos en el camino hacia la corrección total de errores cuánticos que tengan la capacidad de reducir drásticamente el ruido en los dispositivos actuales. Si bien la computación cuántica tolerante a fallas a gran escala puede requerir desarrollos considerables, hemos desarrollado la técnica de expansión del subespacio cuántico para ayudar a utilizar técnicas de corrección de errores cuánticos para mejorar el rendimiento de las aplicaciones en dispositivos a corto plazo. Además, estas técnicas facilitan la prueba de códigos cuánticos complejos en dispositivos a corto plazo. Estamos impulsando activamente estas técnicas en nuevas áreas y aprovechándolas como base para el diseño de experimentos a corto plazo.
Aprendizaje automático cuántico
Estamos desarrollando técnicas híbridas de aprendizaje automático cuántico-clásico en dispositivos cuánticos a corto plazo. Estamos estudiando el aprendizaje del circuito cuántico universal para la clasificación y agrupamiento de datos cuánticos y clásicos. También estamos interesados en redes neuronales cuánticas generativas y discriminatorias, que podrían usarse como repetidores cuánticos y unidades de purificación de estados dentro de las redes de comunicación cuántica, o para la verificación de otros circuitos cuánticos.
Optimización cuántica
Las optimizaciones discretas en las industrias aeroespacial, automotriz y otras pueden beneficiarse de la optimización clásica cuántica híbrida, por ejemplo, el recocido simulado, el algoritmo de optimización asistida cuántica (QAOA) y la transferencia de población mejorada cuántica pueden tener utilidad con los procesadores actuales.
Para familiarizarse en detalle con el plan de estudios de certificación, puede ampliar y analizar la tabla a continuación.
El plan de estudios de certificación de aprendizaje automático cuántico de EITC/AI/TFQML TensorFlow hace referencia a materiales didácticos de acceso abierto en forma de video. El proceso de aprendizaje se divide en una estructura paso a paso (programas -> lecciones -> temas) que cubre partes relevantes del plan de estudios. También se proporciona consultoría ilimitada con expertos en dominios.
Para obtener más información sobre el procedimiento de certificación, consulte ¿Cómo funciona?.
Recursos de referencia del plan de estudios
TensorFlow Quantum (TFQ) es una biblioteca de aprendizaje automático cuántico para la creación rápida de prototipos de modelos híbridos de AA clásico cuántico. La investigación en algoritmos y aplicaciones cuánticas puede aprovechar los marcos de computación cuántica de Google, todo desde TensorFlow. TensorFlow Quantum se centra en los datos cuánticos y en la construcción de modelos híbridos cuánticos-clásicos. Integra algoritmos de computación cuántica y lógica diseñados en Cirq, y proporciona primitivas de computación cuántica compatibles con las API de TensorFlow existentes, junto con simuladores de circuitos cuánticos de alto rendimiento. Obtenga más información en el informe técnico de TensorFlow Quantum. Como referencia adicional, puede consultar la descripción general y ejecutar los tutoriales del cuaderno.
https://www.tensorflow.org/quantum
circo
Cirq es un marco de código abierto para computadoras Noisy Intermediate Scale Quantum (NISQ). Fue desarrollado por el equipo de Google AI Quantum, y el alfa público se anunció en el Taller internacional sobre software cuántico y aprendizaje automático cuántico el 18 de julio de 2018. Una demostración de QC Ware mostró una implementación de QAOA resolviendo un ejemplo del corte máximo. problema que se resuelve en un simulador Cirq. Los programas cuánticos en Cirq están representados por "Circuito" y "Programación", donde "Circuito" representa un circuito cuántico y "Programación" representa un circuito cuántico con información de tiempo. Los programas se pueden ejecutar en simuladores locales. El siguiente ejemplo muestra cómo crear y medir un estado de campana en Cirq.
importar circo
# Elige qubits
cúbit0 = circo.CuadrículaQubit(0, 0)
cúbit1 = circo.CuadrículaQubit(0, 1)
# Crea un circuito
circuito = circo.Circuito.desde_ops(
circo.H(cúbit0),
circo.CNOT(cúbit0, cúbit1),
circo.medir(cúbit0, clave='m0'),
circo.medir(cúbit1, clave='m1')
)
La impresión del circuito muestra su diagrama.
Imprimir(circuito)
# impresiones
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Simular el circuito repetidamente muestra que las medidas de los qubits están correlacionadas.
simulador = circo.Simulador()
resultado = simulador.corrida(circuito, ensayos=5)
Imprimir(resultado)
# impresiones
# m0 = 11010
# m1 = 11010
Descargue los materiales preparatorios completos de autoaprendizaje fuera de línea para el programa EITC/AI/TFQML TensorFlow Quantum Machine Learning en un archivo PDF
Materiales preparatorios EITC/AI/TFQML – versión estándar
Materiales preparatorios del EITC/AI/TFQML – versión ampliada con preguntas de repaso