Cómo aprender aprendizaje automático cuántico: +11 recursos

A medida que nuestras vidas se vuelven cada vez más basadas en datos, las limitaciones de la computación clásica requieren un cambio al aprendizaje automático cuántico. Con la capacidad de analizar y procesar rápidamente cantidades masivas de datos, el aprendizaje automático cuántico puede mejorar la eficiencia, la toma de decisiones, el reconocimiento de patrones mejorado, el aumento de la seguridad y el modelado avanzado.

Independientemente del uso de aprendizaje automático cuántico, es un nuevo campo que florecerá antes de lo que podamos imaginar.

Por lo tanto, si usted es un entusiasta de QML, debe embarcarse en un viaje de aprendizaje y dominar las complejidades de QML. Si bien los recursos a continuación están diseñados para ayudarlo a hacer exactamente eso, comencemos con lo básico.

¿Qué es el aprendizaje automático cuántico?

Quantum Machine Learning no es más que la integración de técnicas y algoritmos de computación cuántica en programas de aprendizaje automático. Según Google, se ha demostrado que el aprendizaje automático cuántico puede resolver problemas complejos que desafían las computadoras clásicas/tradicionales.

El aprendizaje automático cuántico puede ser útil en campos que van desde la gestión de la cadena de suministro hasta la criptografía y la TI.

Diferencias de aprendizaje automático cuántico

QML difiere del aprendizaje automático convencional de muchas maneras; Discutimos estos 5:

• Quantum Machine Learning utiliza qubits en lugar de bits para mejorar los sistemas operativos
• Utilizando los conceptos de superposición y enredo cuántico, las computadoras cuánticas pueden resolver varios problemas complejos simultáneamente.
• El potencial de aceleración de QML es enorme, y las computadoras cuánticas también pueden manejar datos multidimensionales.
• En el futuro, Quantum Machine Learning puede proporcionar protocolos de seguridad mejorados, acelerar el desarrollo de nuevos medicamentos y fortalecer las ofertas de sistemas de recomendación.

Ahora que sabe que QML es un campo de rápido crecimiento, manténgase por delante de la curva con estos cursos, libros y recomendaciones de plataforma:

Aprendizaje automático cuántico: EDX

Este curso de aprendizaje automático cuántico, ofrecido conjuntamente por la Universidad de Toronto, es un buen punto de partida para aprender algoritmos de aprendizaje automático cuántico y cómo implementarlos en Python.

Este curso avanzado, que requiere solo 6-9 horas por semana, está diseñado principalmente para el autoaprendizaje. Hay dos formas de tomar este curso. La pista verificada, que se proporciona por una tarifa, y la pista de verificación, que se proporciona de forma gratuita. Lo que los distingue unos de otros es el acceso ilimitado a los recursos de aprendizaje. Además de un certificado general de finalización con calificaciones y exámenes evaluados disponibles en la versión pagada.

Petter Wittek, asistente. Este curso es impartido por un profesor en la Universidad de Toronto. Ayuda a arrojar luz sobre las tecnologías cuánticas actuales y futuras. Y cómo deberían superar a las computadoras clásicas.

Definitivamente aprenderá circuitos variacionales, algoritmos clásicos de aprendizaje híbrido cuántico, estados simples para modelos probabilísticos y funciones inusuales del kernel.

Además, también puede aprender cómo implementar los siguientes algoritmos:

• Transformación cuántica de Fourier
• Estimación de fase cuántica
• Matriz de fase cuántica
• Procesos gaussianos

QC101 Computación cuántica

Este curso de cálculo cuántico QC101 ofrecido por Udemy acerca la física cuántica al estudio de la luz polarizada.

De hecho, la comunicación segura requiere una introducción matemática a la computación cuántica mientras aprende la criptografía cuántica. Además, puede experimentar la experiencia cuántica de IBM. Además, capacite una máquina de vectores de soporte cuántico para hacer predicciones basadas en datos reales.

Además, a través de 12 horas de videos, 10 artículos y 5 recursos descargables, aprenderá:

• Cómo desarrollar y simular programas cuánticos en IBM Qiskit y Microsoft Q# mientras los depuramos
• Cómo analizar los circuitos cuánticos utilizando modelos de notación y física cuántica
• Exactamente cómo la computación cuántica puede ayudar en la inteligencia artificial, el aprendizaje automático y revolucionar la ciencia de los datos.

Este curso de Udemy sobre aprendizaje cuántico también es recomendado por empresas de todo el mundo para sus empleados. El curso consta de 17 secciones y 284 conferencias y está diseñado durante 12 horas.

Para estudiar este curso, necesitará un fondo de matemáticas y ciencias de 12º grado con especial énfasis en la lógica booleana, números complejos, álgebra lineal, probabilidad y estadísticas.

Aprendizaje automático cuántico: OpenHPI

¿Quiere aprender a crear modelos de aprendizaje automático cuántico básicos y avanzados? Este curso de aprendizaje automático cuántico de OpenHPI es gratuito. Está enseñado por la Dra. Christa Zufal, Julien Gacon y el Dr. David Sutter.

En este curso aprenderás

• Cómo construir modelos de aprendizaje básicos y avanzados
• Cómo usar Python y Qiskit para implementar algoritmos para resolver problemas de aprendizaje automático
• Desafíos y perspectivas futuras para Quantum ML

Este curso es ideal para estudiantes de informática, entusiastas del aprendizaje cuántico y expertos en aprendizaje automático. Durará dos semanas, después de lo cual deberá tomar un examen final.

Echando un vistazo al plan de conferencias de la primera semana, aprendemos que habrá mucho trabajo relacionado con las máquinas de vectores de soporte y los clasificadores cuánticos variacionales. En la segunda semana veremos más sobre las redes adversas generativas cuánticas y las máquinas Quantum Boltzmann con técnicas prácticas de implementación.

QISKIT Global Summer School

A continuación, tenemos otro recurso gratuito sobre Quantum Machine Learning, Free and Open Source. De hecho, la serie de conferencias Qiskit está disponible en YouTube.

Lo que solía ser una escuela de verano intensiva de dos semanas ahora se ha convertido en una serie de entrenamiento de YouTube que consta de 25 episodios, cada una duración de una hora o dos. Este curso se divide en 20 conferencias y 5 aplicaciones de laboratorio.

En este curso aprenderás

• Cómo explorar aplicaciones cuánticas
• Introducción a los circuitos cuánticos, algoritmos y operaciones de la computación cuántica
• Cómo construir clasificadores cuánticos, ver núcleos cuánticos en la práctica
• Algoritmos QML avanzados, hardware cuántico y cómo evitar las mesetas infructuosas y los problemas de aprendizaje

Si ha estado buscando fuentes gratuitas y confiables para comenzar su viaje QML pero no he encontrado una, ¡considera que este es su signo!

Aprendizaje automático con computadoras cuánticas

Este libro escrito por Maria Schuld y Francesco Petruccione, aprendizaje automático con computadoras cuánticas (2021) es un buen punto de partida para un estudio en profundidad del aprendizaje automático cuántico.

Este libro cubre métodos teóricos y prácticos, desde algoritmos de aprendizaje cuántico tolerante a fallas hasta fallas:

• Circuitos cuánticos parametrizados
• Optimización híbrida
• Codificación de datos
• Mapas de características cuánticas
• Métodos de núcleo
• Teoría del aprendizaje cuántico
• Redes neuronales cuánticas

¿Qué tiene de especial la segunda edición? Además, ¿cómo se diferencia de la primera edición? Va más allá de los métodos de aprendizaje supervisados y discute el futuro de los métodos y algoritmos de aprendizaje automático cuántico.

Experiencia práctica con aprendizaje automático cuántico con Python

Este libro, escrito por el Dr. Frank Zickert, tiene como objetivo convertirlo en un experto en aprendizaje automático cuántico.

En el interior encontrarás:

• Una inmersión profunda en los fundamentos del aprendizaje cuántico, incluidos, entre otros, qubits, puertas cuánticas y circuitos cuánticos.
• Cómo aplicar máquinas de vectores de soporte cuántico (QSVMS), Medias K cuánticas y máquinas Quantum Boltzmann a problemas de optimización combinatoria
• Además, varias soluciones del mundo real a problemas comunes como el problema del vendedor ambulante (TSP) y el problema de optimización binaria no restringida cuadrática (qubo).
• Cómo explotar las fluctuaciones cuánticas y resolver problemas utilizando recocido cuántico
• Además, algoritmos como el algoritmo de optimización aproximada cuántica (QAOA) y algoritmo de eigencomputación cuántica variacional (VQE),
• Marcos de computación cuántica, aplicaciones del mundo real y ejemplos prácticos

Aprendizaje automático cuántico con Python

¿Quieres aprender los conceptos básicos del aprendizaje automático cuántico? El libro de Santanu Pattanayak sobre aprendizaje automático cuántico con Python es perfecto para ingenieros y entusiastas de QML.

En el interior aprenderás:

• Los conceptos básicos del cálculo de aprendizaje automático cuántico, como la notación de Dirac, los qubits y los estados de Bell.
• Algoritmos cuánticos como la transformación cuántica de Fourier, la estimación de fase y el HHL (Harrow-Hassidim-Lloyd)
• Cómo usar QML para resolver problemas en finanzas, pronóstico, genómica, logística de la cadena de suministro, etc.
• Además de los procesos adiabáticos cuánticos y la optimización cuántica
• Use el KISKIT Toolkit de IBM y el CIRQ de Google Research para trabajar en algoritmos de computación cuántica.
• Use Python para implementar algunos algoritmos más basados en cuánticos y abordar los problemas clave del mundo real.

Si no desea detenerse con solo recursos QML, continúe su aprendizaje explorando las siguientes plataformas de computación cuántica:

IBM Quantum

Obtenga acceso gratuito basado en la nube a las computadoras cuánticas más avanzadas en línea con IBM Quantum. IBM es ideal para educadores, desarrolladores y estudiantes. Puede ejecutar sus circuitos cuánticos simplemente registrando y obteniendo un token API.

De esta manera, tendrá acceso a simuladores y QPU de 7 quits y 5 quits, donde tendrá la oportunidad de aprender, desarrollar y ejecutar programas. Además, esto es lo que la plataforma cuántica de IBM le permite:

• Aprenda la programación cuántica con guías paso a paso
• Además, use el compositor cuántico IBM para construir y visualizar gráficamente circuitos cuánticos en hardware cuántico y simuladores.
• Código, programa y prototipo con Python en el IBM Quantum Lab, Jupyter Notebook Cloud Entorno

Hay más. Puede registrarse para el programa de investigadores cuánticos y el programa Educador. Además, el catálogo de documentos de IBM también es bastante poderoso. Desde la documentación del compositor cuántico para principiantes hasta el tiempo de ejecución de Qiskit para los desarrolladores, seguramente encontrará todo lo que necesita aquí.

Además, si eres un instructor, puedes usar la guía de campo para enseñar temas. Además de probar tutoriales de laboratorio cuántico para crear y probar algoritmos como investigadores.

Google Cirq

Cirq de Google es una biblioteca de software de Python que puede usar para crear y optimizar los circuitos cuánticos y ejecutarlos en hardware cuántico y simuladores. Al ser completamente de código abierto, le permite lograr resultados de última generación utilizando abstracciones creadas para computadoras cuánticas modernas.

CIRQ es ideal tanto para principiantes como para usuarios avanzados y ofrece sugerencias para todos. Como principiante, puede aprender a crear y modelar circuitos cuánticos para realizar transformaciones.

Como usuario de Power, CIRQ le permite escribir un algoritmo de optimización aproximada cuántica para el hardware NISQ para optimizar las soluciones que eran impensables en la computación clásica. Echemos un vistazo a las funciones de Google Quantum AI de CIRQ que pueden extender sus capacidades:

• Aprenda estrategias de inserción de QML para construir los circuitos cuánticos correctos y mejorarlas.
• Aprenda a identificar dispositivos y equipos para determinar si los circuitos QML son prácticos y no tendrán limitaciones operativas.
• Modele con CIRQ o el simulador de función de onda QISM, y simule el hardware cuántico y la máquina virtual cuántica.
• Realice experimentos completos con los procesos cuánticos de Google y atraviese el código de simulaciones anteriores.

Lo que hace que CIRQ sea robusto son los tutoriales y guías detallados paso a paso de sus características. Desde aprender a trabajar con CIRQ hasta una buena lista de tutoriales sobre algoritmos cuánticos hasta aprender los entresijos de la máquina virtual cuántica (QVM), aprenderá lo esencial.

Lo que es más importante, también puede aprender a implementar algoritmos de optimización cuántica en hardware real.¡Pero eso no es todo!

Dado que esta es una comunidad de código abierto, puede unirse a reuniones semanales y contribuir a la plataforma de código abierto.

freno de Amazon

Amazon Braket es un servicio completamente administrado diseñado para acelerar la investigación en computación cuántica. Estas son las características más importantes:

• Use un conjunto consistente de herramientas de desarrollo para trabajar con computadoras cuánticas.
• Cree algoritmos cuánticos en una nube segura y pruébelos en simuladores de alto rendimiento.
• Innove con la orientación técnica y experta de los laboratorios de Amazon Quantum Solutions
• Explore algoritmos y obtenga acceso a superconductores, iones atrapados, átomos neutros y dispositivos fotónicos para probar diferentes hardware.
• Cree software cuántico o desarrolle marcos de trabajo de código abierto

Puede registrarse para obtener un nivel de uso gratuito de AWS durante 1 año o iniciar una investigación académica como parte del Programa de crédito para la investigación en la nube de AWS.

Servicio de nube cuántica de Azure

Un servicio en la nube que incluye hardware cuántico, software y una cartera diversa de herramientas: este es el servicio en la nube Azure Quantum.¿Qué te permite hacer esta plataforma? Vamos a ver:

• Obtenga una mejor comprensión de la ejecución de aplicaciones cuánticas con la herramienta de evaluación de recursos cuánticos de Azure.
• Además, mezcle técnicas de computación clásica y computación cuántica para crear algoritmos híbridos.
• Acceda a recursos educativos como Microsoft Learn, tutoriales de Quantum Kata y casos de uso de la industria para comprender el mundo de QML.

De modo que puede comenzar con acceso gratuito a un kit de desarrollo de código abierto compatible con Q#, Cirq y Qiskit.

Resumen

Si bien hemos discutido cursos avanzados de QML para mantenerlo actualizado con lo que sucede en el mundo cuántico, puede comenzar con libros estructurados tradicionalmente para una introducción a la computación cuántica. También puede explorar 4 plataformas (IBM, Google Cirq, Amazon Braket y Azure) para obtener una experiencia práctica de aprendizaje automático cuántico con acceso a hardware cuántico y la nube.

La mayoría de estas plataformas son de código abierto, y si está buscando una comunidad con la que crecer, ¡son perfectas!

También puede explorar algunos de los mejores cursos de ciencia de datos.