À medida que nossas vidas se tornam cada vez mais orientadas para dados, as limitações da computação clássica exigem uma transição para o aprendizado de máquina quântica. Com a capacidade de fatorar e processar grandes quantidades de conjuntos de dados rapidamente, o aprendizado de máquina quântica pode acelerar a eficiência, a tomada de decisões, o reconhecimento aprimorado de padrões, a segurança aprimorada e a modelagem avançada.
Não importa os usos do aprendizado de máquina quântica, é um campo emergente que florescerá mais cedo do que podemos imaginar.
Portanto, se você é um entusiasta do QML, deve embarcar em uma jornada de aprendizado e dominar os meandros do QML. Embora os recursos abaixo sejam projetados para ajudá-lo a fazer exatamente isso, vamos começar com o básico.
últimas postagens
O que é aprendizado de máquina quântica?
O aprendizado de máquina quântica nada mais é do que a integração de métodos e algoritmos de computação quântica em programas de aprendizado de máquina. De acordo com o Google, foi demonstrado que o aprendizado de máquina quântica é capaz de resolver problemas complexos que são desafiadores para computadores clássicos/tradicionais.
O Quantum Machine Learning pode ser útil para diferentes campos, desde o gerenciamento da cadeia de suprimentos até a criptografia e a TI.
Maneiras em que o aprendizado de máquina quântica é diferente
O QML difere do aprendizado de máquina regular de várias maneiras; estamos discutindo estes 5:
- O aprendizado de máquina quântica usa qubits em vez de bits para melhorar os sistemas operacionais
- Aproveitando os conceitos de superposição e emaranhamento quântico, os computadores quânticos podem executar vários problemas complexos simultaneamente
- O potencial de aceleração do QML é enorme e os computadores quânticos também podem lidar com dados de alta dimensão
- No futuro, o aprendizado de máquina quântica pode trazer protocolos de segurança aprimorados, acelerar o desenvolvimento de novos medicamentos e ampliar as sugestões do sistema de recomendação
Agora que você sabe que o QML é um campo em rápido crescimento, fique à frente com estes cursos, livros e recomendações de plataforma:
Aprendizado de Máquina Quântica: edX
Co-oferecido pela Universidade de Toronto, este curso de Quantum Machine Learning é um bom ponto de partida para algoritmos de aprendizado de máquina quântica e como implementá-los em Python.
Exigindo apenas 6 a 9 horas por semana, este curso avançado é amplamente individualizado. Existem duas maneiras de fazer este curso. Faixa verificada que vem com uma taxa, e uma faixa de auditoria, que é gratuita. O que diferencia os dois é o acesso ilimitado aos recursos de aprendizado. Além de um certificado de conclusão compartilhável com avaliações pontuadas e exames disponíveis na versão paga.
Petter Wittek, Asst. Um professor da Universidade de Toronto ministra este curso. Ele ajuda a esclarecer as tecnologias quânticas atuais e futuras. E como eles devem superar os computadores clássicos.
Você certamente aprenderá circuitos variacionais, algoritmos híbridos de aprendizado quântico clássico, estados simples para modelos probabilísticos e funções de kernel incomuns.
Além disso, você também pode aprender como implementar os seguintes algoritmos:
- transformação quântica de Fourier
- Estimativa de fase quântica
- Matriz de fase quântica
- processos gaussianos
QC101 Computação Quântica
Oferecido pela Udemy, este curso de Computação Quântica QC101 aborda a física quântica por meio do estudo da luz polarizada.
Na verdade, é necessária uma introdução matemática à computação quântica enquanto você aprende a criptografia quântica para se comunicar com segurança. Além disso, você pode experimentar a experiência quântica da IBM. Além disso, treine uma máquina de vetor de suporte quântico para fazer previsões com base em dados do mundo real.
Além disso, por meio de 12 horas de vídeo, 10 artigos e 5 recursos para download, você aprenderá:
- Como desenvolver e simular programas quânticos no IBM Qiskit e Microsoft Q# enquanto os depura
- Como analisar circuitos quânticos através da notação de Dirac e modelos de física quântica
- Da mesma forma, como a computação quântica pode ajudar na IA, aprendizado de máquina e revolucionar o campo da ciência de dados
Este curso da Udemy sobre aprendizado quântico também é recomendado por empresas em todo o mundo para seus funcionários. Com 17 seções e 284 palestras, este curso tem duração de 12 horas.
Você precisará de conhecimentos de matemática e ciências do 12º ano para aprender este curso, com foco especial em lógica booleana, números complexos, álgebra linear, probabilidade e estatística.
Aprendizado de Máquina Quântica: OpenHPI
Procurando aprender a construir modelos de aprendizado de máquina quântica básicos e avançados? Este curso de aprendizado de máquina quântica da OpenHPI é gratuito. É ensinado pelo Dr. Christa Zoufal, Julien Gacon e Dr. David Sutter.
Neste curso, você aprenderá
- Como construir modelos de aprendizagem básicos e avançados
- Como usar Python e Qiskit para implementar algoritmos para resolver tarefas de ML
- Desafios e perspectivas futuras do Quantum ML
Perfeito para estudantes de ciência da computação, entusiastas do aprendizado quântico e especialistas em aprendizado de máquina, este curso terá duração de duas semanas, seguido de um exame final no qual você precisa passar.
Uma olhada no plano de aula da semana 1 nos diz que haverá muita coisa acontecendo com relação a máquinas vetoriais de suporte e classificadores quânticos variacionais. A semana 2 verá mais redes quânticas geradoras de adversários e máquinas quânticas de Boltzmann, com técnicas práticas de implementação.
Escola Global de Verão da Qiskit
Em seguida, temos outro recurso gratuito de aprendizado de máquina quântica que é gratuito e de código aberto. Na verdade, a série de palestras do Qiskit está disponível no YouTube.
O que era uma escola intensiva de verão de duas semanas agora é uma série de aprendizado do YouTube construída em 25 episódios, cada um com uma ou duas horas. Este curso é dividido em 20 palestras e 5 aplicações baseadas em laboratório.
Neste curso, você aprenderá
- Como explorar aplicações quânticas
- Introdução a circuitos quânticos, algoritmos e operações de computação quântica
- Como construir classificadores quânticos, veja os kernels quânticos na prática
- Algoritmos QML avançados, hardware quântico e como evitar platôs estéreis e problemas de treinabilidade
Se você está procurando fontes gratuitas e confiáveis para iniciar sua jornada QML, mas ainda não o fez, considere este seu sinal!
Aprendizado de máquina com computadores quânticos
Escrito por Maria Schuld e Francesco Petruccione, este livro Machine Learning With Quantum Computers (2021) é um bom ponto de partida para se aprofundar no aprendizado de máquina quântica avançado.
De algoritmos de aprendizado quântico de curto prazo a tolerantes a falhas, este livro revela técnicas teóricas e práticas sobre:
- Circuitos quânticos parametrizados
- Otimização híbrida
- Codificação de dados
- Mapas de características quânticas
- métodos do kernel
- Teoria de aprendizagem quântica
- Redes neurais quânticas
Agora, o que há de especial na segunda edição? Além disso, como ela difere da primeira edição? Ele vai além dos métodos de aprendizado supervisionado e discute o futuro dos métodos e algoritmos de aprendizado da Máquina Quântica.
Quantum ML prático com Python
Escrito pelo Dr. Frank Zickert, este livro Hands-On Quantum Machine Learning With Python visa torná-lo um especialista em aprendizado de máquina quântica.
Dentro, você encontrará:
- Um mergulho profundo nos fundamentos do aprendizado quântico, incluindo, entre outros, qubits, portas quânticas e circuitos quânticos
- Como aplicar Quantum Support Vector Machines (QSVM), Quantum k-means e Quantum Boltzmann Machines para questões de otimização combinatória
- Além disso, várias soluções da vida real para problemas comuns, como o problema do caixeiro viajante (TSP) e o problema de otimização binária sem restrições quadrática (QUBO).
- Como aproveitar flutuações quânticas e resolver problemas por recozimento quântico
- Além disso, algoritmos como Quantum Approximate Optimization Algorithm (QAOA) e Variational Quantum Eigensolver (VQE)
- Estruturas de computação quântica, aplicações do mundo real e exemplos práticos
ML quântico com Python
Quer dominar os fundamentos do Quantum Machine Learning? O livro de Santanu Pattanayak sobre Quantum Machine With Python é perfeito para engenheiros e entusiastas de QML.
Dentro, você aprenderá:
- Fundamentos da computação quântica ML, como notações de Dirac, Qubits e estado de Bell
- Algoritmos baseados em quântica, como transformação quântica de Fourier, estimativa de fase e HHL (Harrow-Hassidim-Lloyd)
- Como usar o QML para resolver problemas em finanças, previsão, genômica, logística da cadeia de suprimentos, etc.
- Além de processos adiabáticos quânticos e otimização baseada em quântica
- Use o kit de ferramentas Qiskit da IBM e Cirq da Google Research para trabalhar em algoritmos de computação quântica
- Use Python para implementar mais alguns algoritmos baseados em Quantum e revisar os principais desafios de aplicativos da vida real
Se você não quiser apenas parar nos recursos QML, continue sua jornada de aprendizado explorando estas plataformas de computação quântica:
IBM Quantum
Obtenha acesso gratuito à nuvem para os computadores quânticos mais avançados online com o Quantum da IBM.
Perfeito para educadores, desenvolvedores e alunos, a IBM permite que você execute seus circuitos quânticos apenas se inscrevendo e obtendo um token de API.
Assim, você encontrará acesso a simuladores e QPUs de 7 e 5 qubits, onde terá a chance de aprender, desenvolver e executar programas. Além disso, veja o que a plataforma quântica da IBM permite fazer:
- Aprenda programação quântica usando guias passo a passo
- Além disso, use o IBM Quantum Composer para ajudar a construir e visualizar circuitos quânticos graficamente em hardware e simuladores quânticos
- Codifique, programe e crie protótipos com Python no laboratório IBM Quantum, um ambiente Jupyter Notebook habilitado para nuvem
Tem mais. Você pode se inscrever no programa Quantum Researcher e no programa Educator. Além disso, o diretório de documentos da IBM também é bastante poderoso. Desde a documentação do Quantum Composer para iniciantes até o Qiskit Runtime para desenvolvedores, você certamente encontrará tudo o que precisa aqui.
Além disso, se você for um educador, poderá aproveitar o Guia de campo para ensinar tópicos. Além de experimentar tutoriais de laboratório quântico para construir e testar algoritmos como pesquisadores.
Cirq do Google
O Cirq do Google é uma biblioteca de software Python que você pode usar para construir e otimizar circuitos quânticos e executá-los em hardware e simuladores quânticos. Sendo totalmente de código aberto, permite obter resultados de última geração usando abstrações feitas para os computadores quânticos atuais.
O Cirq é perfeito para usuários iniciantes e avançados e tem ofertas adequadas para cada um. Como iniciante, você pode aprender a construir e simular circuitos quânticos para realizar transformações.
Como um usuário avançado, o Cirq permite que você escreva um algoritmo de otimização quântica aproximada para hardware NISQ para otimizar soluções impensáveis na computação clássica. Vamos dar uma olhada nos recursos do Cirq do Google Quantum AI que podem capacitá-lo:
- Explorar estratégias de inserção QML para construir circuitos quânticos desejados e melhorá-los
- Aprenda a definir dispositivos e hardware para determinar se os circuitos QML são práticos e não terão restrições operacionais
- Simule com Cirq ou qism de simulador de função de onda e simule hardware quântico e máquina virtual quântica
- Realize experimentos de ponta a ponta nos processos quânticos do Google e percorra o código dos simuladores anteriores
O que torna o Cirq confiável são os tutoriais e guias detalhados passo a passo que ele apresenta. Desde aprender como usar o Cirq até uma boa lista de algoritmos quânticos de livros didáticos e aprender os meandros da Quantum Virtual Machine (QVM), você conhece tudo o que é primordial.
Mais importante, você também pode aprender como implementar algoritmos de otimização quântica em hardware real. Mas isso não é tudo!
Como é uma comunidade de código aberto, você pode participar de reuniões semanais e começar a contribuir com a estrutura de código aberto.
Amazon Braket
Projetado para acelerar a pesquisa de computação quântica, o Amazon Braket é um serviço totalmente gerenciado. Aqui estão as características mais importantes:
- Use um conjunto consistente de ferramentas de desenvolvimento para trabalhar em computadores quânticos
- Crie algoritmos quânticos em uma nuvem confiável e teste-os em simuladores de alto desempenho
- Inove com orientação técnica e especializada dos laboratórios Amazon Quantum Solutions
- Pesquise algoritmos e tenha acesso a dispositivos supercondutores, íons aprisionados, átomos neutros e fotônicos para testar diferentes hardwares
- Crie software quântico ou desenvolva estruturas de código aberto
Você pode se inscrever no nível gratuito da AWS por 1 ano ou começar a fazer pesquisas acadêmicas no Programa de crédito para pesquisa na nuvem da AWS.
Serviço de nuvem quântica do Azure
Um serviço de nuvem que incorpora hardware quântico, software e um portfólio diversificado de ferramentas: esse é o serviço de nuvem Azure Quantum. O que esta plataforma permite que você faça? Vamos dar uma olhada:
- Tenha uma ideia melhor da execução de aplicativos quânticos usando a ferramenta estimadora de recursos quânticos do Azure
- Além disso, misture métodos de computação clássica e computação quântica para construir algoritmos híbridos
- Acesse recursos educacionais como o Microsoft Learn, tutoriais do Quantum Kata e casos de uso do setor para entender o mundo do QML
Portanto, você pode começar com acesso gratuito ao kit de desenvolvimento de código aberto compatível com Q#, Cirq e Qiskit.
Resumo
Embora tenhamos discutido cursos QML avançados que o ajudarão a ficar por dentro do que está acontecendo no mundo quântico, você pode começar com os livros para uma introdução tradicionalmente estruturada à computação quântica.
Você também pode explorar as 4 plataformas (IBM, Google Cirq, Amazon Braket e Azure) para ter uma experiência prática de aprendizado de máquina quântica, com acesso ao hardware quântico e à nuvem.
A maioria dessas plataformas é de código aberto e, se você estiver procurando por uma comunidade para crescer, elas seriam perfeitas!
Você também pode explorar alguns dos melhores cursos de ciência de dados.