Apprendimento automatico quantistico – È ora di cominciare
QML è il prossimo passo logico per i professionisti del ML
Nei prossimi decenni, il calcolo quantistico svolgerà un ruolo essenziale per il progresso tecnologico, scientifico e commerciale. Con Google che rivendica la “supremazia quantistica” e l’interesse esponenziale per questo argomento, non siamo lontani dal vedere molte questioni intrattabili, difficili da affrontare con un computer classico, risolte dall’elaborazione quantistica. Inoltre, vi è una chiara indicazione che l’apprendimento automatico e la computazione quantistica svolgeranno ruoli complementari nel rafforzare le rispettive aree.
Ma la domanda principale è: perché tuffarsi in un argomento complesso come l’apprendimento automatico quantistico, che sembra complesso e difficile da imparare?
Fortunatamente, la computazione quantistica e poi l’apprendimento automatico quantistico non sono così spaventosi come sembrano. Si può quindi iniziare senza preoccuparsi troppo della complessità di molte funzioni “spettrali” della Meccanica Quantistica che spaventano.
Perché si dovrebbe imparare l’apprendimento della macchina quantistica?
Ecco alcuni motivi per cui dovreste prendere seriamente in considerazione l’idea di immergervi nella Computazione Quantistica (CQ) e poi nell’Apprendimento Macchina Quantistico (QML).
- La matematica è estremamente elegante ed è divertente capire il calcolo quantistico usando la matematica.
- Per l’apprendimento sono disponibili eccellenti risorse gratuite e materiale di riferimento come i libri.
- La curva di apprendimento è piuttosto ripida; è meglio iniziare subito, perché c’è un’esplosione della ricerca e dei progressi nel campo. Un ingresso tardivo renderà il viaggio ancora più difficile, poiché l’area di conoscenza si espande in modo esponenziale. Si veda l’immagine precedente; la curva di apprendimento sarà più ripida con il passare del tempo.
- La comunità si allarga ogni giorno di più; di conseguenza, l’aiuto è sempre disponibile quando qualcuno si trova in difficoltà.
- Le macchine quantistiche diventano ogni giorno più potenti. Ogni giorno che passa si prospetta un futuro più luminoso per i calcoli complessi che qualsiasi supercomputer o qualsiasi combinazione di GPU/TPU richiederebbe migliaia di anni per raggiungere. Ma, allo stesso tempo, un computer quantistico lo farebbe in pochi minuti.
- Sono disponibili molti strumenti di sviluppo software open-source per il calcolo quantistico, la simulazione e persino la connessione a un computer quantistico per la prova di concetto.
- Le prime ricerche mostrano che il QML supererà il CML in molti compiti complessi di apprendimento automatico. Ad esempio, il diagramma sottostante mostra che la rete neurale quantistica può avere dimensioni effettive più elevate, ridurre le perdite più rapidamente ed evitare i plateau sterili.
Potete imparare tutti questi aspetti dai nostri corsi, ad esempio nel pacchetto “Matematica di Base e Python per il Deep Learning”
Cosa si deve imparare prima dell'apprendimento automatico quantistico
- Algebra lineare sui numeri complessi
- Probabilità di base e teoria dei numeri
- Trasformazione di Fourier e sua versione quantistica
- Python sarebbe una buona scelta in quanto molte librerie e framework open-source di Quantum Computing sono disponibili in python.
- L’apprendimento automatico classico sarebbe un prerequisito per comprendere molti algoritmi QML equivalenti o avanzati.
- L’informatica quantistica con i concetti critici, gli algoritmi e l’implementazione degli algoritmi utilizzando la programmazione python fornirà le basi necessarie per comprendere il QML.
Come si dovrebbe imparare il Quantum Machine Learning?
Algebra lineare:
La maggior parte dei libri sul Quantum Computing tratta l’algebra lineare nello spazio vettoriale complesso. Ho trovato estremamente utile il libro di Michael Loceff, che aiuta a costruire le conoscenze dal basso verso l’alto (A Course in Quantum Computing Volume-1 di Michael Loceff). Consiglio vivamente di tenerlo come riferimento. Se qualche argomento vi sembra complesso, potete tornare indietro e capire il teorema fondamentale e poi capire il nocciolo della questione. È disponibile anche un video YouTube di supporto al libro con una presentazione in stile hollywoodiano. Infine, Qiskit offre un libro di testo online che costituisce un’eccellente introduzione all’algebra lineare necessaria. Linear Algebra for Quantum Computation (Algebra lineare per il calcolo quantistico) di Springer contiene un riassunto conciso delle aree chiave dell’algebra lineare necessarie per comprendere la CQ. Potete anche provare il seguente video di YouTube.
Video YouTube di Brant Carlson
Probabilità e teoria dei numeri
Non entrerò nei dettagli in questa sede, poiché è disponibile molto materiale su questi argomenti.
Trasformazione di Fourier
Anche in questo caso consiglio di leggere il libro di Michael Loceff, che è piuttosto approfondito e va dalle serie di Fourier, alla trasformata di Fourier discreta e veloce e infine alla trasformata di Fourier quantistica. Anche YouTube contiene tonnellate di materiale su questo argomento.
Apprendimento automatico classico
Bisogna avere una certa dimestichezza con le teorie dell’apprendimento automatico classico, gli algoritmi, le diverse librerie e le implementazioni. Tonnellate di materiale disponibile su Medium, MOOC, video su YouTube ecc.
Calcolo quantistico
La Bibbia della computazione quantistica è un libro di Nielsen e Chaung. Anche dopo due decenni, è ancora il miglior libro sull’argomento, nonostante molte sezioni siano ormai un po’ datate.
Anche il libro di Loceff tratta i concetti di base della computazione quantistica e i potenti algoritmi. Raccomanderei anche alcuni corsi come quello di Umesh Vazirani di Edx (potete trovare i video anche su YouTube).
Raccomando anche i contenuti dei videocorsi di John Preskill su YouTube.
Video su YouTube di John Preskill
Si prega di fare riferimento alle pagine seguenti, che contengono una lista curata di video, libri, MOOC, blog ecc. per la computazione quantistica.
https://qosf.org/learn_quantum/#massive-open-online-courses
https://github.com/desireevl/awesome-quantum-computing
Librerie Python
I giganti dell’industria come IBM e Google hanno in dotazione molti strumenti software e librerie di sviluppo. Qui troverete un elenco completo e i dettagli. Ho trovato Qiskit come la più popolare tra tutte e facile da usare, ma come per tutte le altre librerie software, le opinioni differiscono e potreste apprezzare Cirq di Google o PyQuil di Rigetti. Qiskit ha molti contenuti, tra cui un libro di testo e un canale YouTube, con molti bei video.
Immagine da YouTube di Qiskit
Apprendimento automatico quantistico
Infine, siamo nello spazio dell’apprendimento automatico quantistico. Siamo nell’era NISQ (Noisy Intermediate-Scale Quantum) ed è importante capire cosa possiamo fare a breve termine con macchine quantistiche imperfette.
Un MOOC è disponibile presso Edx con un’introduzione pratica al calcolo quantistico e all’apprendimento automatico potenziato dai quanti, oltre a un repo di codice.
Video del MOOC sull’apprendimento automatico quantistico da YouTube
Esistono due libri sul QML, ma nessuno di essi mi è sembrato veramente utile, in quanto entrambi mancano di profondità nelle aree del QML e dedicano la maggior parte degli sforzi alla spiegazione del QC.
– Apprendimento automatico quantistico: Cosa significa l’informatica quantistica per l’estrazione dei dati di Peter Wittek
– Apprendimento supervisionato con i computer quantistici di Maria Schuld e Francesco Petruccione.
Raccomando anche di fare riferimento ai contenuti e alle librerie QML di Penny Lane. Questo perché PennyLane supporta tutti i principali framework Quantum.
Questo repository Github contiene un elenco completo di algoritmi per QML.
Anche la pagina Qiskit per l’apprendimento automatico contiene preziose informazioni sull’implementazione.
Ho creato una playlist di YouTube per QML, nella quale troverete una grande quantità di contenuti QML liberamente disponibili su YouTube.
Un suggerimento importante: non affrontate un lavoro di ricerca finché non vi sentite a vostro agio con i concetti e le notazioni di base, altrimenti vi sarà difficile esaminare i documenti.
Nota finale
Sia il CQ che il QML sono campi in piena espansione, con molte aspettative e speranze a volte irragionevoli. Ho cercato di condividere la mia esperienza e il viaggio che ho fatto finora. Mi piacerebbe sentire i vostri suggerimenti o se vi imbattete in altri contenuti o informazioni che possano aiutare la nostra fiorente comunità.
Articolo originale di Baijayanta Roy
https://towardsdatascience.com/quantum-machine-learning-its-time-to-start-now-1f5a1ee9bc31
Share:
