Alors que nos vies deviennent de plus en plus axées sur les données, les limites de l’informatique classique appellent une transition vers l’apprentissage automatique quantique. Avec la capacité de factoriser et de traiter rapidement de grandes quantités d’ensembles de données, l’apprentissage automatique quantique peut accélérer l’efficacité, la prise de décision, une meilleure reconnaissance des modèles, une sécurité améliorée et une modélisation avancée.
Quelles que soient les utilisations de l’apprentissage automatique quantique, c’est un domaine émergent qui fleurira plus tôt que nous ne le pensons.
Par conséquent, si vous êtes un passionné de QML, vous devriez vous lancer dans un voyage d’apprentissage et maîtriser les tenants et les aboutissants de QML. Bien que les ressources ci-dessous soient conçues pour vous aider à faire exactement cela, commençons par les bases.
Table des matières
Qu’est-ce que l’apprentissage automatique quantique ?
L’apprentissage automatique quantique n’est rien de plus que l’intégration de méthodes et d’algorithmes informatiques quantiques dans des programmes d’apprentissage automatique. Selon Google, il a été démontré que l’apprentissage automatique quantique est capable de résoudre des problèmes complexes qui sont difficiles pour les ordinateurs classiques/traditionnels.
L’apprentissage automatique quantique peut être utile dans différents domaines, de la gestion de la chaîne d’approvisionnement à la cryptographie en passant par l’informatique.
Façons dont l’apprentissage automatique quantique est différent
QML diffère de l’apprentissage automatique classique à bien des égards ; nous discutons de ces 5:
- L’apprentissage automatique quantique utilise des qubits au lieu de bits pour améliorer les systèmes opérationnels
- En exploitant les concepts de superposition et d’intrication quantique, les ordinateurs quantiques peuvent résoudre plusieurs problèmes complexes simultanément
- Le potentiel d’accélération de QML est énorme et les ordinateurs quantiques peuvent également gérer des données de grande dimension
- À l’avenir, l’apprentissage automatique quantique peut apporter des protocoles de sécurité améliorés, accélérer le développement de nouveaux médicaments et amplifier les suggestions du système de recommandation
Maintenant que vous savez que QML est un domaine en pleine croissance, gardez une longueur d’avance grâce à ces cours, livres et recommandations de plate-forme :
Apprentissage automatique quantique : edX
Co-offert par l’Université de Toronto, ce cours d’apprentissage automatique quantique est un bon point de départ pour les algorithmes d’apprentissage automatique quantique et comment il faut s’y prendre pour les mettre en œuvre en Python.
Ne nécessitant que 6 à 9 heures par semaine, ce cours avancé est en grande partie auto-rythmé. Il y a deux façons de suivre ce cours. Une piste vérifiée qui est payante et une piste d’audit, c’est gratuit. Ce qui distingue les deux, c’est l’accès illimité aux ressources d’apprentissage. En plus d’un certificat d’achèvement partageable avec des évaluations et des examens notés disponibles dans la version payante.
Petter Wittek, assistant. Un professeur de l’Université de Toronto enseigne ce cours. Il aide à faire la lumière sur les technologies quantiques actuelles et à venir. Et comment on s’attend à ce qu’ils surpassent les ordinateurs classiques.
Vous êtes sûr d’apprendre les circuits variationnels, les algorithmes d’apprentissage hybrides quantiques classiques, les états simples pour les modèles probabilistes et les fonctions de noyau inhabituelles.
De plus, vous pouvez également apprendre à implémenter les algorithmes suivants :
- Transformation de Fourier quantique
- Estimation de phase quantique
- Matrice de phase quantique
- Processus gaussiens
QC101 Informatique quantique
Proposé par Udemy, ce cours QC101 Quantum Computing aborde la physique quantique à travers l’étude de la lumière polarisée.
En fait, il faut une introduction mathématique à l’informatique quantique pendant que vous apprenez la cryptographie quantique pour communiquer en toute sécurité. De plus, vous vivez l’expérience quantique d’IBM. De plus, entraînez une machine à vecteur de support quantique pour faire des prédictions basées sur des données du monde réel.
De plus, grâce à 12 heures de vidéo, 10 articles et 5 ressources téléchargeables, vous apprendrez :
- Comment développer et simuler des programmes quantiques sur IBM Qiskit et Microsoft Q# tout en les déboguant
- Comment analyser les circuits quantiques via la notation de Dirac et les modèles de physique quantique
- De même, comment l’informatique quantique peut aider à l’IA, à l’apprentissage automatique et révolutionner le domaine de la science des données
Ce cours Udemy sur l’apprentissage quantique est également recommandé par les entreprises du monde entier à leurs employés. Avec 17 sections et 284 conférences, ce cours se déroule sur 12 heures.
Vous aurez besoin de connaissances en mathématiques et en sciences de 12e année pour apprendre ce cours, avec un accent particulier sur la logique booléenne, les nombres complexes, l’algèbre linéaire, les probabilités et les statistiques.
Apprentissage automatique quantique : OpenHPI
Vous souhaitez apprendre à créer des modèles d’apprentissage automatique quantique de base et avancés ? Ce cours d’apprentissage automatique quantique par OpenHPI est gratuit. Il est enseigné par le Dr Christa Zoufal, Julien Gacon et le Dr David Sutter.
Dans ce cours, vous apprendrez
- Comment créer des modèles d’apprentissage de base et avancés
- Comment utiliser Python et Qiskit pour implémenter des algorithmes pour résoudre des tâches ML
- Défis et perspectives d’avenir de Quantum ML
Parfait pour les étudiants en informatique, les passionnés d’apprentissage quantique et les experts en apprentissage automatique, ce cours durera deux semaines, suivi d’un examen final que vous devrez réussir.
Un coup d’œil au plan de cours de la semaine 1 nous indique qu’il se passera beaucoup de choses en ce qui concerne les machines vectorielles de support et les classificateurs quantiques variationnels. La semaine 2 verra davantage de réseaux antagonistes génératifs quantiques et de machines Quantum Boltzmann, avec des techniques de mise en œuvre pratiques.
L’école d’été mondiale de Qiskit
Ensuite, nous avons une autre ressource gratuite d’apprentissage automatique quantique qui est gratuite et open-source. En fait, la série de conférences de Qiskit est disponible sur YouTube.
Ce qui était une école d’été intensive de deux semaines est maintenant une série d’apprentissage YouTube construite sur 25 épisodes, chacun s’étalant sur une heure ou deux. Ce cours est divisé en 20 conférences et 5 applications en laboratoire.
Dans ce cours, vous apprendrez
- Comment explorer les applications quantiques
- Introduction aux circuits quantiques, aux algorithmes et aux opérations d’informatique quantique
- Comment construire des classificateurs quantiques, voir les noyaux quantiques en pratique
- Algorithmes QML avancés, matériel quantique et comment éviter les plateaux stériles et les problèmes d’entraînement
Si vous avez cherché des sources gratuites et fiables pour commencer votre parcours QML mais que vous ne l’avez pas encore fait, considérez ceci comme votre signe !
Apprentissage automatique avec des ordinateurs quantiques
Écrit par Maria Schuld et Francesco Petruccione, ce livre Machine Learning With Quantum Computers (2021) est un bon point de départ pour se plonger dans l’apprentissage automatique quantique avancé.
Des algorithmes d’apprentissage quantique à court terme aux algorithmes tolérants aux pannes, ce livre dévoile des techniques théoriques et pratiques sur :
- Circuits quantiques paramétrés
- Optimisation hybride
- Encodage des données
- Cartes d’entités quantiques
- Méthodes du noyau
- Théorie de l’apprentissage quantique
- Réseaux de neurones quantiques
Maintenant, quelle est la particularité de la deuxième édition ? De plus, en quoi diffère-t-il de la première édition ? Il va au-delà des méthodes d’apprentissage supervisé et discute de l’avenir des méthodes et des algorithmes d’apprentissage automatique Quantum.
ML quantique pratique avec Python
Écrit par le Dr Frank Zickert, ce livre Hands-On Quantum Machine Learning With Python vise à faire de vous un expert en apprentissage quantique.
A l’intérieur, vous trouverez :
- Une plongée approfondie dans les fondamentaux de l’apprentissage quantique, y compris, mais sans s’y limiter, les qubits, les portes quantiques et les circuits quantiques
- Comment appliquer les machines à vecteurs de support quantiques (QSVM), les k-moyennes quantiques et les machines Quantum Boltzmann aux problèmes d’optimisation combinatoire
- En outre, plusieurs solutions concrètes à des problèmes courants tels que le problème du voyageur de commerce (TSP) et le problème d’optimisation binaire quadratique sans contrainte (QUBO)
- Comment tirer parti des fluctuations quantiques et résoudre des problèmes par recuit quantique
- En outre, des algorithmes tels que Quantum Approximate Optimization Algorithm (QAOA) et Variational Quantum Eigensolver (VQE)
- Cadres informatiques quantiques, applications du monde réel et exemples pratiques
ML quantique avec Python
Vous cherchez à maîtriser les bases du Quantum Machine Learning ? Le livre de Santanu Pattanayak sur Quantum Machine With Python est parfait pour les ingénieurs et les passionnés de QML.
À l’intérieur, vous apprendrez :
- Fondamentaux de l’informatique Quantum ML comme les notations de Dirac, les Qubits et l’état de Bell
- Algorithmes quantiques comme la transformée de Fourier quantique, l’estimation de phase et HHL (Harrow-Hassidim-Lloyd)
- Comment utiliser QML pour résoudre des problèmes de finance, de prévision, de génomique, de logistique de la chaîne d’approvisionnement, etc.
- En plus des processus adiabatiques Quantum et de l’optimisation basée sur Quantum
- Utilisez la boîte à outils Qiskit d’IBM et Cirq de Google Research pour travailler sur les algorithmes informatiques quantiques
- Utilisez Python pour implémenter d’autres algorithmes basés sur Quantum et passer en revue les principaux défis des applications réelles
Si vous ne voulez pas vous arrêter aux ressources QML, poursuivez votre parcours d’apprentissage en explorant ces plates-formes d’informatique quantique :
IBM quantique
Obtenez un accès cloud gratuit aux ordinateurs quantiques les plus avancés en ligne avec Quantum d’IBM.
Parfait pour les éducateurs, les développeurs et les apprenants, IBM vous permet d’exécuter vos circuits quantiques simplement en vous inscrivant et en obtenant un jeton API.
Ainsi, vous aurez accès à des simulateurs et à des QPU à 7 et 5 qubits où vous aurez la chance d’apprendre, de développer et d’exécuter des programmes. De plus, voici ce que la plate-forme quantique IBM vous permet de faire :
- Apprenez la programmation quantique à l’aide de guides pas à pas
- Utilisez également IBM Quantum Composer pour créer et visualiser graphiquement des circuits quantiques sur du matériel et des simulateurs quantiques.
- Code, programme et prototype avec Python dans le laboratoire IBM Quantum, un environnement Jupyter Notebook compatible avec le cloud
Il y a plus. Vous pouvez vous inscrire au programme Quantum Researcher et au programme Educator. De plus, le répertoire docs d’IBM est également assez puissant. De la documentation Quantum Composer pour les débutants à Qiskit Runtime pour les développeurs, vous êtes sûr de trouver tout ce dont vous avez besoin ici.
De plus, si vous êtes éducateur, vous pouvez tirer parti du guide de terrain pour enseigner des sujets. En plus d’essayer des didacticiels de laboratoire Quantum pour créer et tester des algorithmes en tant que chercheurs.
Cirq de Google
Cirq de Google est une bibliothèque logicielle Python que vous pouvez utiliser pour créer et optimiser des circuits quantiques et les exécuter sur du matériel et des simulateurs quantiques. Entièrement open source, il vous permet d’obtenir des résultats de pointe en utilisant des abstractions conçues pour les ordinateurs quantiques d’aujourd’hui.
Cirq est parfait pour les utilisateurs débutants et avancés et propose des offres adaptées à chacun. En tant que débutant, vous pouvez apprendre à construire et à simuler des circuits quantiques pour effectuer des transformations.
En tant qu’utilisateur avancé, Cirq vous permet d’écrire un algorithme d’optimisation approchée quantique pour le matériel NISQ afin d’optimiser des solutions impensables en informatique classique. Jetons un coup d’œil aux fonctionnalités du Cirq de Google Quantum AI qui peuvent vous permettre :
- Explorer les stratégies d’insertion QML pour construire les circuits quantiques souhaités et les améliorer
- Apprenez à définir les dispositifs et le matériel pour déterminer si les circuits QML sont pratiques et n’auront pas de contraintes opérationnelles
- Simulez avec Cirq ou un simulateur de fonction d’onde qism, et simulez du matériel quantique et de la machine virtuelle quantique
- Réalisez des expériences de bout en bout sur les processus quantiques de Google et parcourez le code des simulateurs précédents
Ce qui rend Cirq fiable, ce sont les didacticiels détaillés étape par étape et les guides qu’il contient. De l’apprentissage de Cirq à une bonne liste d’algorithmes quantiques manuels en passant par l’apprentissage des tenants et des aboutissants de la machine virtuelle quantique (QVM), vous apprenez tout ce qui est primordial.
Plus important encore, vous pouvez également apprendre à implémenter des algorithmes d’optimisation quantique sur du matériel réel. Mais ce n’est pas tout!
Comme il s’agit d’une communauté open source, vous pouvez participer à des réunions hebdomadaires et commencer à contribuer au framework open source.
Frein Amazon
Conçu pour accélérer la recherche en informatique quantique, Amazon Braket est un service entièrement géré. Voici les fonctionnalités les plus importantes :
- Utiliser un ensemble cohérent d’outils de développement pour travailler sur des ordinateurs quantiques
- Créez des algorithmes quantiques sur un cloud de confiance et testez-les dans des simulateurs hautes performances
- Innovez avec la technologie et les conseils d’experts des laboratoires Amazon Quantum Solutions
- Recherchez des algorithmes et accédez à des dispositifs supraconducteurs, à ions piégés, à atomes neutres et photoniques pour tester différents matériels
- Créez des logiciels quantiques ou développez des frameworks open source
Vous pouvez vous inscrire à l’offre gratuite AWS pendant 1 an ou vous lancer dans la recherche universitaire dans le cadre du programme AWS Cloud Credit for Research.
Service cloud quantique Azure
Un service cloud intégrant du matériel quantique, des logiciels et un portefeuille diversifié d’outils : c’est le service cloud Azure Quantum. Que vous permet cette plateforme ? Nous allons jeter un coup d’oeil:
- Obtenez une meilleure idée de l’exécution d’applications quantiques à l’aide de l’outil d’estimation des ressources quantiques Azure
- De plus, mélanger les méthodes de calcul classique et de calcul quantique pour construire des algorithmes hybrides
- Accédez à des ressources pédagogiques telles que Microsoft Learn, les didacticiels de Quantum Kata et des cas d’utilisation de l’industrie pour comprendre le monde de QML
Ainsi, vous pouvez commencer avec un accès gratuit au kit de développement open source compatible avec Q#, Cirq et Qiskit.
Résumé
Bien que nous ayons discuté de cours QML avancés qui vous aideront à rester au courant de ce qui se passe dans le monde quantique, vous pouvez commencer avec les livres pour une introduction traditionnellement structurée à l’informatique quantique.
Vous pouvez également explorer les 4 plates-formes (IBM, Google Cirq, Amazon Braket et Azure) pour vivre une expérience d’apprentissage pratique de l’apprentissage automatique quantique, avec accès au matériel quantique et au cloud.
La plupart de ces plateformes sont open-source, et si vous cherchez une communauté avec laquelle grandir, elles seraient parfaites !
Vous pouvez également explorer certains des meilleurs cours de science des données.