I en tid där våra liv blir alltmer datadrivna, kräver begränsningarna i traditionell datoranvändning en övergång till kvantmaskininlärning. Kvantmaskininlärning, med sin potential att snabbt faktorisera och bearbeta stora datamängder, kan accelerera effektivitet, förbättra beslutsfattande, ge bättre mönsterigenkänning, öka säkerheten och möjliggöra mer avancerad modellering.
Oavsett de specifika användningsområdena är kvantmaskininlärning ett snabbt växande område med en utvecklingshastighet som kan överraska oss.
Om du är en entusiast inom kvantmaskininlärning (QML) bör du därför påbörja din utbildningsresa och bemästra alla aspekter av QML. Resurserna nedan är utformade för att underlätta denna resa. Låt oss inledningsvis utforska grunderna.
Vad är kvantmaskininlärning?
Kvantmaskininlärning är, enkelt uttryckt, integrationen av kvantberäkningsmetoder och algoritmer i maskininlärningstillämpningar. Enligt Google har det visat sig att kvantmaskininlärning kan lösa komplexa problem som är utmanande för klassiska datorer.
Kvantmaskininlärning har potential att vara användbar inom en rad områden, alltifrån logistikhantering till kryptografi och IT.
Hur skiljer sig kvantmaskininlärning?
QML skiljer sig från traditionell maskininlärning på flera sätt. Här är fem av de viktigaste skillnaderna:
- Kvantmaskininlärning använder kvantbitar (qubits) istället för bitar, vilket förbättrar operativsystemen.
- Genom att nyttja koncept som superposition och kvantförvrängning kan kvantdatorer utföra många komplexa beräkningar samtidigt.
- QML:s hastighetspotential är enorm, och kvantdatorer kan också bearbeta högdimensionella data.
- I framtiden kan kvantmaskininlärning leda till bättre säkerhetsprotokoll, påskynda utvecklingen av nya läkemedel och förbättra rekommendationssystem.
Nu när du är medveten om att QML är ett snabbväxande område, kan du ta ett försprång med dessa rekommenderade kurser, böcker och plattformar:
Quantum Machine Learning: edX
Denna kurs i kvantmaskininlärning, som erbjuds av University of Toronto, är en bra utgångspunkt för att lära sig om algoritmer för kvantmaskininlärning och hur man implementerar dem i Python.
Denna avancerade kurs kräver endast 6–9 timmars arbete per vecka och är till stor del självstudier. Det finns två sätt att gå kursen. En verifierad kurs, mot en avgift, och en revisionskurs, som är gratis. Skillnaden ligger i obegränsad tillgång till läromedel. Den betalda versionen inkluderar även ett delbart intyg och betygsatta prov.
Petter Wittek, biträdande professor vid University of Toronto, leder denna kurs. Den belyser nuvarande och nära framtida kvantteknologier, samt hur de förväntas överträffa klassiska datorer.
Du kommer att lära dig om variationskretsar, klassiska kvant-hybridinlärningsalgoritmer, enkla tillstånd för sannolikhetsmodeller och ovanliga kärnfunktioner.
Du kommer även att lära dig att implementera följande algoritmer:
- Quantum Fourier transformation
- Kvantfasestimering
- Kvantfasmatris
- Gaussiska processer
QC101 Quantum Computing
Denna QC101-kurs i kvantberäkning från Udemy närmar sig kvantfysik genom studier av polariserat ljus.
Kursen ger en matematisk introduktion till kvantberäkning, samtidigt som du lär dig om kvantkryptografi för säker kommunikation. Du får även prova på IBMs kvantupplevelse och träna en kvantstödd vektormaskin för att göra förutsägelser baserade på data från verkliga världen.
Genom 12 timmars videomaterial, 10 artiklar och 5 nedladdningsbara resurser får du lära dig:
- Hur du utvecklar och simulerar kvantprogram på IBM Qiskit och Microsoft Q#, samt felsöker dem
- Hur du analyserar kvantkretsar genom Diracs notation och kvantfysikmodeller
- Hur kvantberäkning kan bidra till AI, maskininlärning och revolutionera datavetenskap.
Denna Udemy-kurs i kvantinlärning rekommenderas även av företag världen över till sina anställda. Kursen har 17 avsnitt och 284 föreläsningar, som totalt omfattar 12 timmar.
Du behöver kunskaper i matematik och naturvetenskap på gymnasienivå för att klara av kursen, med särskilt fokus på boolesk logik, komplexa tal, linjär algebra, sannolikhet och statistik.
Quantum Machine Learning: OpenHPI
Vill du lära dig att bygga både grundläggande och avancerade kvantmaskininlärningsmodeller? Denna kvantmaskininlärningskurs från OpenHPI är kostnadsfri och undervisas av Dr. Christa Zoufal, Julien Gacon och Dr. David Sutter.
I denna kurs får du lära dig:
- Hur man bygger grundläggande och avancerade inlärningsmodeller
- Hur man använder Python och Qiskit för att implementera algoritmer för att lösa ML-uppgifter
- Utmaningar och framtidsutsikter inom Quantum ML
Denna kurs är perfekt för studenter inom datavetenskap, kvantinlärningsentusiaster och experter inom maskininlärning. Kursen sträcker sig över två veckor, följt av en slutexamen som du måste klara.
En översikt över vecka 1:s föreläsningsplan visar att den kommer att täcka mycket om stödda vektormaskiner och variationskvantklassificerare. Vecka 2 kommer att fokusera på Quantum Generative Adversarial Networks och Quantum Boltzmann-maskiner, med praktiska implementeringstekniker.
Qiskits Global Summer School
Härnäst har vi ännu en kostnadsfri resurs för kvantmaskininlärning som är öppen källkod. Qiskits föreläsningsserie är tillgänglig på YouTube.
Det som en gång var en två veckors intensiv sommarskola är nu en YouTube-serie bestående av 25 avsnitt som är en till två timmar långa. Kursen är indelad i 20 föreläsningar och 5 labbapplikationer.
I den här kursen får du lära dig:
- Hur man utforskar kvantapplikationer
- Introduktion till kvantkretsar, kvantberäkningsalgoritmer och operationer
- Hur man bygger kvantklassificerare och använder kvantkärnor i praktiken
- Avancerade QML-algoritmer, kvantmaskinvara och hur man undviker karga platåer och träningsrelaterade problem.
Om du letat efter kostnadsfria och pålitliga resurser för att börja din QML-resa är det dags att ta steget!
Maskininlärning med kvantdatorer
Boken ”Machine Learning With Quantum Computers” (2021), skriven av Maria Schuld och Francesco Petruccione, är en bra utgångspunkt för att fördjupa sig i avancerad kvantmaskininlärning.
Denna bok täcker både teoretiska och praktiska metoder inom alltifrån kortsiktiga till feltoleranta kvantinlärningsalgoritmer, och utforskar:
- Parametriserade kvantkretsar
- Hybridoptimering
- Datakodning
- Quantum funktionskartor
- Kärnmetoder
- Kvantinlärningsteori
- Kvantneurala nätverk
Vad är det som gör den andra upplagan speciell och hur skiljer den sig från den första? Den går bortom övervakade inlärningsmetoder och diskuterar framtiden för Quantum Machine Learning-metoder och algoritmer.
Hands-On Quantum ML med Python
Den här boken, ”Hands-On Quantum Machine Learning With Python”, skriven av Dr. Frank Zickert, syftar till att göra dig till en expert på kvantmaskininlärning.
I boken hittar du:
- En djupdykning i grunderna för kvantinlärning, inklusive kvantbitar, kvantgrindar och kvantkretsar.
- Hur man tillämpar Quantum Support Vector Machines (QSVM), Quantum k-means och Quantum Boltzmann Machines för kombinatoriska optimeringsproblem.
- Dessutom flera verkliga lösningar på vanliga problem som ”Traveling Salesman Problem” (TSP) och ”Quadratic Unconstrained Binary Optimization” (QUBO) problemet
- Hur man utnyttjar kvantfluktuationer och löser problem genom kvantglödgning
- Algoritmer som Quantum Approximate Optimization Algorithm (QAOA) och Variational Quantum Eigensolver (VQE)
- Kvantberäkningsramar, verkliga applikationer och praktiska exempel.
Quantum ML med Python
Vill du bemästra grunderna i Quantum Machine Learning? Santanu Pattanayaks bok om ”Quantum Machine With Python” är perfekt för ingenjörer och QML-entusiaster.
I boken kommer du att lära dig:
- Quantum ML-beräkningsgrunder som Dirac Notations, Qubits och Bell-tillstånd.
- Kvantbaserade algoritmer som Quantum Fourier-transform, fasuppskattning och HHL (Harrow-Hassidim-Lloyd).
- Hur man använder QML för att lösa problem inom ekonomi, prognoser, genomik och logistik.
- Quantum adiabatiska processer och Quantum-baserad optimering
- Använd Qiskit Toolkit från IBM och Cirq från Google Research för att arbeta med Quantum Computing-algoritmer
- Använd Python för att implementera några fler Quantum-baserade algoritmer och undersöka de stora utmaningarna med verkliga applikationer
Om du vill ta steget bortom enbart QML-resurser kan du fortsätta din inlärningsresa genom att utforska dessa kvantdatorplattformar:
IBM Quantum
Få kostnadsfri molnåtkomst till de mest avancerade kvantdatorerna online med IBMs Quantum.
IBM:s plattform passar lärare, utvecklare och studenter, och låter dig köra dina kvantkretsar genom att registrera dig och få en API-token.
Du får tillgång till simulatorer och 7-qubit och 5-qubit QPU:er, vilket ger dig möjlighet att lära dig, utveckla och köra program. Det här kan du göra med IBM:s kvantplattform:
- Lär dig kvantprogrammering med hjälp av steg-för-steg-guider.
- Använd IBM Quantum Composer för att bygga och visualisera kvantkretsar grafiskt på kvantmaskinvara och simulatorer.
- Koda, programmera och skapa prototyper med Python i IBM Quantum lab, en molnbaserad Jupyter Notebook-miljö.
Och det finns mer! Du kan anmäla dig till deras forskarprogram för kvantvetenskap och deras utbildningsprogram. IBMs dokumentationskatalog är även mycket omfattande. Där hittar du allt du kan tänkas behöva, från dokumentation om Quantum Composer för nybörjare till Qiskit Runtime för utvecklare.
Om du är lärare kan du använda deras fältguide för att undervisa i ämnen, och testa Quantum lab-tutorials för att bygga och testa algoritmer som forskare.
Googles Cirq
Googles Cirq är ett Python-bibliotek som du kan använda för att bygga och optimera kvantkretsar och köra dem på kvantmaskinvara och simulatorer. Eftersom den är helt öppen källkod ger den dig möjlighet att uppnå toppmoderna resultat med hjälp av abstraktioner som är anpassade för dagens kvantdatorer.
Cirq passar både nybörjare och avancerade användare. Som nybörjare kan du lära dig hur du bygger och simulerar kvantkretsar för att genomföra transformationer.
Som en avancerad användare kan Cirq låta dig skriva en approximativ kvantoptimeringsalgoritm för NISQ-maskinvara, för att optimera lösningar som var otänkbara inom klassisk datoranvändning. Här är några av de funktioner som Google Quantum AI:s Cirq kan ge dig:
- Utforska QML-metoder för att bygga kvantkretsar och förbättra dem.
- Lär dig att definiera enheter och maskinvara för att se om QML-kretsar är praktiska och inte kommer att ha begränsningar.
- Simulera med Cirq eller vågfunktionssimulatorn qism och efterlikna kvantmaskinvara och Quantum Virtual Machine.
- Utför experiment med Googles kvantprocessorer och ta del av koden för tidigare simulatorer.
Cirq är pålitlig tack vare de detaljerade guider och handledningar som medföljer. Där hittar du alltifrån hur du använder Cirq, en bra lista över kvantalgoritmer, till detaljer om Quantum Virtual Machine (QVM).
Du kan också lära dig att implementera Quantum Optimization Algorithms på riktig maskinvara. Men det är inte allt!
Eftersom det är en öppen källkodsgemenskap kan du vara med på de veckovisa mötena och bidra till ramverket.
Amazon Braket
Amazon Braket är en helhanterad tjänst som är utformad för att accelerera forskning inom kvantberäkning. Här är de viktigaste funktionerna:
- Använd en konsekvent uppsättning utvecklingsverktyg för att arbeta med kvantdatorer
- Bygg kvantalgoritmer i ett pålitligt moln och testa dem i högpresterande simulatorer
- Få expertvägledning och utforska ny teknik genom Amazon Quantum Solutions labs
- Utveckla algoritmer och få tillgång till supraledande, jonfångade, neutrala atomer och fotoniska enheter för att testa olika maskinvaror.
- Bygg kvantprogramvara eller utveckla ramverk med öppen källkod.
Du kan registrera dig för AWS Free Tier i 1 år eller komma igång med akademisk forskning inom ramen för AWS Cloud Credit for Research-programmet.
Azure Quantum Cloud Service
Azure Quantum Cloud Service är en molntjänst som kombinerar kvantmaskinvara, programvara och ett brett utbud av verktyg. Vad kan den här plattformen göra för dig? Här är några exempel:
- Få en bättre förståelse för hur du kör kvantapplikationer med Azures verktyg för kvantresursuppskattning
- Blanda klassisk datorteknik med kvantberäkningsmetoder för att bygga hybridalgoritmer.
- Få tillgång till utbildningsresurser som Microsoft Learn, Quantum Katas-tutorials och branschspecifika exempel för att förstå QML-världen
Du kan komma igång med kostnadsfri tillgång till utvecklingspaketet med öppen källkod, som är kompatibelt med Q#, Cirq och Qiskit.
Sammanfattning
Vi har gått igenom avancerade QML-kurser som hjälper dig att hålla koll på utvecklingen inom kvantvärlden. Du kan också börja med böckerna för en mer traditionell och strukturerad introduktion till kvantberäkning.
Utforska de fyra plattformarna (IBM, Google Cirq, Amazon Braket och Azure) för att få en praktisk inlärningsupplevelse inom kvantmaskininlärning, med tillgång till kvantmaskinvara och molntjänster.
De flesta av dessa plattformar är öppen källkod, och om du letar efter en gemenskap att växa med är de ett utmärkt val!
Du kan också utforska några av de bästa kurserna inom datavetenskap.