EITC/AI/TFQML TensorFlow Quantum Machine Learning เป็นโปรแกรมการรับรองด้านไอทีของยุโรปเกี่ยวกับการใช้ไลบรารี TensorFlow Quantum ของ Google สำหรับการปรับใช้การเรียนรู้ของเครื่องบนสถาปัตยกรรม Google Quantum Processor Sycamore
หลักสูตรของ EITC/AI/TFQML TensorFlow Quantum Machine Learning มุ่งเน้นไปที่ความรู้ทางทฤษฎีและทักษะการปฏิบัติในการใช้ไลบรารี TensorFlow Quantum ของ Google สำหรับการเรียนรู้ด้วยเครื่องแบบจำลองควอนตัมขั้นสูงบนสถาปัตยกรรม Google Quantum Processor Sycamore ซึ่งจัดอยู่ในโครงสร้างต่อไปนี้ซึ่งครอบคลุมวิดีโอที่ครอบคลุม เนื้อหาการสอนเป็นข้อมูลอ้างอิงสำหรับการรับรอง EITC นี้
TensorFlow Quantum (TFQ) คือไลบรารีการเรียนรู้ของเครื่องควอนตัมสำหรับการสร้างต้นแบบอย่างรวดเร็วของโมเดล ML แบบควอนตัมคลาสสิกแบบผสม การวิจัยในอัลกอริทึมควอนตัมและแอปพลิเคชันสามารถใช้ประโยชน์จากกรอบการคำนวณควอนตัมของ Google ได้ทั้งหมดจากภายใน TensorFlow
TensorFlow Quantum มุ่งเน้นไปที่ข้อมูลควอนตัมและสร้างแบบจำลองควอนตัมคลาสสิกแบบไฮบริด มันรวมอัลกอริธึมคอมพิวเตอร์ควอนตัมและตรรกะที่ออกแบบใน Cirq (เฟรมเวิร์กการเขียนโปรแกรมควอนตัมตามแบบจำลองวงจรควอนตัม) และมีพื้นฐานการคำนวณควอนตัมที่เข้ากันได้กับ TensorFlow API ที่มีอยู่พร้อมกับเครื่องจำลองวงจรควอนตัมประสิทธิภาพสูง อ่านเพิ่มเติมในเอกสารไวท์เปเปอร์ TensorFlow Quantum
คอมพิวเตอร์ควอนตัมคือการใช้ปรากฏการณ์ทางควอนตัมเช่นการซ้อนทับและการพัวพันเพื่อทำการคำนวณ คอมพิวเตอร์ที่คำนวณควอนตัมเรียกว่าคอมพิวเตอร์ควอนตัม เชื่อกันว่าคอมพิวเตอร์ควอนตัมสามารถแก้ปัญหาการคำนวณบางอย่างได้เช่นการแยกตัวประกอบจำนวนเต็ม (ซึ่งใช้การเข้ารหัส RSA) ซึ่งเร็วกว่าคอมพิวเตอร์ทั่วไป การศึกษาคอมพิวเตอร์ควอนตัมเป็นสาขาย่อยของวิทยาศาสตร์ข้อมูลควอนตัม
คอมพิวเตอร์ควอนตัมเริ่มขึ้นในช่วงต้นทศวรรษที่ 1980 เมื่อนักฟิสิกส์พอลเบนิอฟฟ์ได้เสนอแบบจำลองเชิงควอนตัมของเครื่องทัวริง Richard Feynman และ Yuri Manin แนะนำในภายหลังว่าคอมพิวเตอร์ควอนตัมมีศักยภาพในการจำลองสิ่งต่าง ๆ ที่คอมพิวเตอร์แบบคลาสสิกไม่สามารถทำได้ ในปี 1994 Peter Shor ได้พัฒนาอัลกอริทึมควอนตัมสำหรับการแยกตัวประกอบจำนวนเต็มซึ่งมีศักยภาพในการถอดรหัสการสื่อสารที่เข้ารหัส RSA แม้จะมีความคืบหน้าในการทดลองอย่างต่อเนื่องตั้งแต่ช่วงปลายทศวรรษ 1990 นักวิจัยส่วนใหญ่เชื่อว่า“ คอมพิวเตอร์ควอนตัมที่ทนต่อความผิดพลาดยังคงเป็นความฝันที่ห่างไกล” ในช่วงไม่กี่ปีที่ผ่านมาการลงทุนในการวิจัยคอมพิวเตอร์ควอนตัมเพิ่มขึ้นทั้งในภาครัฐและเอกชน เมื่อวันที่ 23 ตุลาคม 2019 Google AI ร่วมกับองค์การบริหารการบินและอวกาศแห่งชาติของสหรัฐอเมริกา (NASA) อ้างว่าได้ทำการคำนวณควอนตัมที่ไม่สามารถทำได้บนคอมพิวเตอร์แบบคลาสสิก (ซึ่งเรียกว่าผลสูงสุดของควอนตัม)
คอมพิวเตอร์ควอนตัมมีหลายรุ่น (หรือมากกว่าระบบคอมพิวเตอร์ควอนตัม) รวมทั้งแบบจำลองวงจรควอนตัมเครื่องควอนตัมทัวริงคอมพิวเตอร์ควอนตัมอะเดียแบติกคอมพิวเตอร์ควอนตัมทางเดียวและออโตมาตาเซลล์ควอนตัมต่างๆ แบบจำลองที่ใช้กันอย่างแพร่หลายคือวงจรควอนตัม วงจรควอนตัมมีพื้นฐานมาจากบิตควอนตัมหรือ“ qubit” ซึ่งค่อนข้างคล้ายคลึงกับบิตในการคำนวณแบบคลาสสิก คิวบิทสามารถอยู่ในสถานะควอนตัม 1 หรือ 0 หรืออาจอยู่ในสถานะซ้อนทับของสถานะ 1 และ 0 อย่างไรก็ตามเมื่อวัด qubits ผลของการวัดจะเป็น 0 หรือ 1 เสมอ ความน่าจะเป็นของผลลัพธ์ทั้งสองนี้ขึ้นอยู่กับสถานะควอนตัมที่ qubits อยู่ในทันทีก่อนการวัด
ความก้าวหน้าในการสร้างคอมพิวเตอร์ควอนตัมทางกายภาพมุ่งเน้นไปที่เทคโนโลยีเช่นทรานสโมนกับดักไอออนและคอมพิวเตอร์ควอนตัมโทโพโลยีซึ่งมีจุดมุ่งหมายเพื่อสร้างควิทที่มีคุณภาพสูง qubits เหล่านี้อาจได้รับการออกแบบที่แตกต่างกันขึ้นอยู่กับรูปแบบการคำนวณของคอมพิวเตอร์ควอนตัมแบบเต็มไม่ว่าจะเป็นประตูลอจิกควอนตัมการหลอมควอนตัมหรือการคำนวณควอนตัมอะเดียแบติก ปัจจุบันมีอุปสรรคสำคัญหลายประการในการสร้างคอมพิวเตอร์ควอนตัมที่มีประโยชน์ โดยเฉพาะอย่างยิ่งมันเป็นเรื่องยากที่จะรักษาสถานะควอนตัมของ qubits เนื่องจากพวกเขาต้องทนทุกข์ทรมานจากการเสื่อมสภาพของควอนตัมและความจงรักภักดีของรัฐ คอมพิวเตอร์ควอนตัมจึงต้องการการแก้ไขข้อผิดพลาด ปัญหาการคำนวณใด ๆ ที่สามารถแก้ไขได้ด้วยคอมพิวเตอร์แบบคลาสสิกก็สามารถแก้ไขได้ด้วยคอมพิวเตอร์ควอนตัม ในทางกลับกันปัญหาใด ๆ ที่สามารถแก้ไขได้ด้วยคอมพิวเตอร์ควอนตัมสามารถแก้ไขได้ด้วยคอมพิวเตอร์แบบคลาสสิกอย่างน้อยก็ต้องให้เวลาที่เพียงพอ กล่าวอีกนัยหนึ่งคอมพิวเตอร์ควอนตัมเชื่อฟังวิทยานิพนธ์ของศาสนจักร - ทัวริง แม้ว่าจะหมายความว่าคอมพิวเตอร์ควอนตัมไม่มีข้อได้เปรียบเพิ่มเติมใด ๆ กับคอมพิวเตอร์แบบคลาสสิกในแง่ของความสามารถในการคำนวณ แต่อัลกอริทึมควอนตัมสำหรับปัญหาบางอย่างมีความซับซ้อนของเวลาน้อยกว่าอัลกอริธึมคลาสสิกที่รู้จักกันอย่างมีนัยสำคัญ โดยเฉพาะอย่างยิ่งเชื่อกันว่าคอมพิวเตอร์ควอนตัมสามารถแก้ปัญหาบางอย่างได้อย่างรวดเร็วซึ่งไม่มีคอมพิวเตอร์แบบคลาสสิกสามารถแก้ไขได้ในระยะเวลาที่เป็นไปได้ซึ่งเป็นผลงานที่เรียกว่า“ อำนาจสูงสุดของควอนตัม” การศึกษาความซับซ้อนในการคำนวณของปัญหาเกี่ยวกับคอมพิวเตอร์ควอนตัมเรียกว่าทฤษฎีความซับซ้อนของควอนตัม
Google Sycamore เป็นโปรเซสเซอร์ควอนตัมที่สร้างขึ้นโดยแผนกปัญญาประดิษฐ์ของ Google Inc. ประกอบด้วย 53 qubits
ในปี 2019 Sycamore ทำงานให้เสร็จภายใน 200 วินาทีที่ Google อ้างว่าเป็นเอกสาร Nature จะใช้เวลาซูเปอร์คอมพิวเตอร์ที่ล้ำสมัย 10,000 ปีจึงจะเสร็จสิ้น ดังนั้น Google จึงอ้างว่าประสบความสำเร็จสูงสุดทางควอนตัม ในการประมาณเวลาที่ซูเปอร์คอมพิวเตอร์คลาสสิกจะใช้ Google ได้ดำเนินการบางส่วนของการจำลองวงจรควอนตัมบน Summit ซึ่งเป็นคอมพิวเตอร์คลาสสิกที่ทรงพลังที่สุดในโลก ต่อมาไอบีเอ็มได้โต้แย้งโดยอ้างว่างานนี้จะใช้เวลาเพียง 2.5 วันในระบบคลาสสิกเช่น Summit หากการอ้างสิทธิ์ของ Google ได้รับการยอมรับการอ้างสิทธิ์ดังกล่าวจะแสดงถึงการก้าวกระโดดของพลังคอมพิวเตอร์
ในเดือนสิงหาคม 2020 วิศวกรควอนตัมที่ทำงานให้กับ Google ได้รายงานการจำลองทางเคมีที่ใหญ่ที่สุดบนคอมพิวเตอร์ควอนตัมซึ่งเป็นการประมาณแบบ Hartree-Fock กับ Sycamore ที่จับคู่กับคอมพิวเตอร์แบบคลาสสิกที่วิเคราะห์ผลลัพธ์เพื่อให้ได้พารามิเตอร์ใหม่สำหรับระบบ 12 qubit
ในเดือนธันวาคมปี 2020 หน่วยประมวลผล Jiuzhang ซึ่งใช้โฟตอนของจีนซึ่งพัฒนาโดย USTC มีพลังในการประมวลผล 76 qubits และเร็วกว่า Sycamore ถึง 10 พันล้านเท่าทำให้คอมพิวเตอร์เครื่องนี้เป็นคอมพิวเตอร์เครื่องที่สองที่ได้รับอำนาจสูงสุดทางควอนตัม
Quantum Artificial Intelligence Lab (หรือที่เรียกว่า Quantum AI Lab หรือ QuAIL) เป็นการริเริ่มร่วมกันของ NASA, Universities Space Research Association และ Google (โดยเฉพาะ Google Research) ซึ่งมีเป้าหมายเพื่อบุกเบิกการวิจัยเกี่ยวกับวิธีที่คอมพิวเตอร์ควอนตัมสามารถช่วยในการเรียนรู้ของเครื่องได้ และปัญหาทางวิทยาศาสตร์คอมพิวเตอร์ที่ยากอื่น ๆ ห้องปฏิบัติการนี้จัดขึ้นที่ศูนย์วิจัย Ames ของ NASA
Quantum AI Lab ได้รับการประกาศโดย Google Research ในบล็อกโพสต์เมื่อวันที่ 16 พฤษภาคม 2013 ในช่วงเวลาของการเปิดตัว Lab ใช้คอมพิวเตอร์ควอนตัมที่ทันสมัยที่สุดในเชิงพาณิชย์ D-Wave Two จาก D-Wave Systems
เมื่อวันที่ 20 พฤษภาคม 2013 มีการประกาศว่าผู้คนสามารถสมัครเพื่อใช้เวลาบน D-Wave Two ที่ห้องทดลองได้ เมื่อวันที่ 10 ตุลาคม 2013 Google ได้เปิดตัวภาพยนตร์สั้นที่อธิบายสถานะปัจจุบันของ Quantum AI Lab เมื่อวันที่ 18 ตุลาคม 2013 Google ได้ประกาศว่าได้รวมฟิสิกส์ควอนตัมไว้ใน Minecraft
ในเดือนมกราคม 2014 Google ได้รายงานผลการเปรียบเทียบประสิทธิภาพของ D-Wave Two ในห้องปฏิบัติการกับคอมพิวเตอร์แบบคลาสสิก ผลลัพธ์ที่ได้มีความคลุมเครือและกระตุ้นให้เกิดการอภิปรายอย่างดุเดือดบนอินเทอร์เน็ต เมื่อวันที่ 2 กันยายน 2014 มีการประกาศว่า Quantum AI Lab ร่วมกับ UC Santa Barbara จะเปิดตัวโครงการริเริ่มในการสร้างตัวประมวลผลข้อมูลควอนตัมโดยใช้อุปกรณ์อิเล็กทรอนิกส์ตัวนำยิ่งยวด
ในวันที่ 23 ตุลาคม 2019 Quantum AI Lab ได้ประกาศในกระดาษว่าประสบความสำเร็จสูงสุดทางควอนตัม
Google AI Quantum กำลังพัฒนาคอมพิวเตอร์ควอนตัมโดยการพัฒนาตัวประมวลผลควอนตัมและอัลกอริทึมควอนตัมแบบใหม่เพื่อช่วยนักวิจัยและนักพัฒนาในการแก้ปัญหาระยะใกล้ทั้งทางทฤษฎีและทางปฏิบัติ
คอมพิวเตอร์ควอนตัมถือเป็นการช่วยในการพัฒนานวัตกรรมในอนาคตรวมถึง AI นั่นเป็นเหตุผลที่ Google ทุ่มเททรัพยากรจำนวนมากในการสร้างฮาร์ดแวร์และซอฟต์แวร์ควอนตัมโดยเฉพาะ
คอมพิวเตอร์ควอนตัมเป็นกระบวนทัศน์ใหม่ที่จะมีบทบาทสำคัญในการเร่งงานสำหรับ AI Google มีเป้าหมายเพื่อให้นักวิจัยและนักพัฒนาสามารถเข้าถึงเฟรมเวิร์กโอเพนซอร์สและพลังการประมวลผลที่สามารถทำงานได้นอกเหนือจากความสามารถในการคำนวณแบบดั้งเดิม
จุดโฟกัสหลักของ Google AI Quantum คือ
- ตัวประมวลผล qubit ตัวนำยิ่งยวด: qubits ตัวนำยิ่งยวดที่มีสถาปัตยกรรมที่ปรับขนาดได้บนชิปซึ่งกำหนดเป้าหมายข้อผิดพลาดเกตสอง qubit <0.5%
- มาตรวิทยา Qubit: การลดการสูญเสียสอง qubit ต่ำกว่า 0.2% เป็นสิ่งสำคัญสำหรับการแก้ไขข้อผิดพลาด เรากำลังดำเนินการทดลองเหนือควอนตัมเพื่อสุ่มตัวอย่างวงจรควอนตัมที่เกินความสามารถของคอมพิวเตอร์คลาสสิกและอัลกอริทึมที่ล้ำสมัย
- การจำลองควอนตัม: การจำลองระบบทางกายภาพเป็นหนึ่งในแอพพลิเคชั่นคอมพิวเตอร์ควอนตัมที่มีคนคาดหวังมากที่สุด โดยเฉพาะอย่างยิ่งเรามุ่งเน้นไปที่อัลกอริธึมควอนตัมสำหรับการสร้างแบบจำลองระบบของอิเล็กตรอนที่มีปฏิสัมพันธ์กับการใช้งานทางเคมีและวัสดุศาสตร์
- การเพิ่มประสิทธิภาพโดยใช้ควอนตัมช่วย: เรากำลังพัฒนาตัวแก้ควอนตัมคลาสสิกแบบไฮบริดสำหรับการเพิ่มประสิทธิภาพโดยประมาณ การกระโดดด้วยความร้อนในอัลกอริธึมแบบคลาสสิกเพื่อเอาชนะอุปสรรคด้านพลังงานสามารถปรับปรุงได้โดยการเรียกใช้การอัปเดตควอนตัม เราสนใจเป็นพิเศษในการถ่ายโอนประชากรที่สอดคล้องกัน
- เครือข่ายประสาทควอนตัม: เรากำลังพัฒนากรอบเพื่อนำโครงข่ายประสาทควอนตัมไปใช้กับโปรเซสเซอร์ระยะใกล้ เราสนใจที่จะทำความเข้าใจว่าข้อได้เปรียบใดที่อาจเกิดขึ้นจากการสร้างสภาวะซ้อนทับขนาดใหญ่ระหว่างการทำงานของเครือข่าย
เครื่องมือหลักที่พัฒนาโดย Google AI Quantum เป็นเฟรมเวิร์กโอเพ่นซอร์สที่ออกแบบมาโดยเฉพาะสำหรับการพัฒนาอัลกอริธึมควอนตัมแบบใหม่เพื่อช่วยแก้ปัญหาแอปพลิเคชันระยะใกล้สำหรับปัญหาในทางปฏิบัติ ซึ่งรวมถึง:
- Cirq: กรอบควอนตัมโอเพนซอร์สสำหรับการสร้างและทดลองด้วยอัลกอริธึมควอนตัมระดับกลางที่มีเสียงดังบนโปรเซสเซอร์ควอนตัมระยะใกล้
- OpenFermion: แพลตฟอร์มโอเพ่นซอร์สสำหรับแปลปัญหาทางเคมีและวัสดุศาสตร์เป็นวงจรควอนตัมที่สามารถดำเนินการบนแพลตฟอร์มที่มีอยู่
แอปพลิเคชันระยะใกล้ Google AI Quantum ประกอบด้วย:
การจำลองควอนตัม
การออกแบบวัสดุใหม่และการอธิบายฟิสิกส์ที่ซับซ้อนผ่านการจำลองทางเคมีที่แม่นยำและแบบจำลองสสารควบแน่นเป็นหนึ่งในการประยุกต์ใช้คอมพิวเตอร์ควอนตัมที่มีแนวโน้มมากที่สุด
เทคนิคการลดข้อผิดพลาด
เราทำงานเพื่อพัฒนาวิธีการบนท้องถนนเพื่อแก้ไขข้อผิดพลาดควอนตัมเต็มรูปแบบซึ่งมีความสามารถในการลดเสียงรบกวนในอุปกรณ์ปัจจุบันได้อย่างมาก ในขณะที่คอมพิวเตอร์ควอนตัมที่ทนต่อความผิดพลาดเต็มรูปแบบอาจต้องการการพัฒนาอย่างมาก แต่เราได้พัฒนาเทคนิคการขยายพื้นที่ย่อยควอนตัมเพื่อช่วยใช้เทคนิคจากการแก้ไขข้อผิดพลาดควอนตัมเพื่อปรับปรุงประสิทธิภาพของแอปพลิเคชันบนอุปกรณ์ระยะใกล้ ยิ่งไปกว่านั้นเทคนิคเหล่านี้ยังอำนวยความสะดวกในการทดสอบรหัสควอนตัมที่ซับซ้อนบนอุปกรณ์ระยะใกล้ เรากำลังผลักดันเทคนิคเหล่านี้อย่างจริงจังในพื้นที่ใหม่ ๆ และใช้ประโยชน์จากเทคนิคเหล่านี้เป็นพื้นฐานสำหรับการออกแบบการทดลองระยะใกล้
การเรียนรู้ของเครื่องควอนตัม
เรากำลังพัฒนาเทคนิคแมชชีนเลิร์นนิงแบบควอนตัมคลาสสิกแบบไฮบริดบนอุปกรณ์ควอนตัมระยะใกล้ เรากำลังศึกษาการเรียนรู้วงจรควอนตัมสากลสำหรับการจำแนกและการจัดกลุ่มของข้อมูลควอนตัมและข้อมูลคลาสสิก นอกจากนี้เรายังสนใจในโครงข่ายประสาทควอนตัมแบบกำเนิดและแบบแบ่งแยกซึ่งสามารถใช้เป็นตัวทำซ้ำควอนตัมและหน่วยการทำให้บริสุทธิ์ของรัฐภายในเครือข่ายการสื่อสารควอนตัมหรือสำหรับการตรวจสอบวงจรควอนตัมอื่น ๆ
การเพิ่มประสิทธิภาพควอนตัม
การเพิ่มประสิทธิภาพแบบไม่ต่อเนื่องในการบินและอวกาศยานยนต์และอุตสาหกรรมอื่น ๆ อาจได้รับประโยชน์จากการเพิ่มประสิทธิภาพแบบควอนตัมคลาสสิกแบบไฮบริดตัวอย่างเช่นการจำลองการหลอมอัลกอริธึมการเพิ่มประสิทธิภาพโดยใช้ควอนตัม (QAOA) และการถ่ายโอนประชากรแบบควอนตัมอาจมีประโยชน์กับโปรเซสเซอร์ในปัจจุบัน
หากต้องการทราบรายละเอียดเกี่ยวกับหลักสูตรการรับรอง คุณสามารถขยายและวิเคราะห์ตารางด้านล่างได้
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum อ้างอิงเนื้อหาการสอนแบบเปิดในรูปแบบวิดีโอ กระบวนการเรียนรู้แบ่งออกเป็นโครงสร้างทีละขั้นตอน (โปรแกรม -> บทเรียน -> หัวข้อ) ครอบคลุมส่วนต่างๆ ของหลักสูตรที่เกี่ยวข้อง นอกจากนี้ยังมีการให้คำปรึกษาอย่างไม่จำกัดกับผู้เชี่ยวชาญด้านโดเมนอีกด้วย
สำหรับรายละเอียดการตรวจสอบขั้นตอนการรับรอง มันทำงานอย่างไร.
แหล่งข้อมูลอ้างอิงหลักสูตร
TensorFlow Quantum (TFQ) คือไลบรารีการเรียนรู้ของเครื่องควอนตัมสำหรับการสร้างต้นแบบอย่างรวดเร็วของโมเดล ML แบบควอนตัมคลาสสิกแบบผสม การวิจัยในอัลกอริทึมควอนตัมและแอปพลิเคชันสามารถใช้ประโยชน์จากกรอบการคำนวณควอนตัมของ Google ได้ทั้งหมดจากภายใน TensorFlow TensorFlow Quantum มุ่งเน้นไปที่ข้อมูลควอนตัมและสร้างแบบจำลองควอนตัมคลาสสิกแบบไฮบริด มันรวมอัลกอริธึมการคำนวณควอนตัมและตรรกะที่ออกแบบใน Cirq และให้การคำนวณแบบควอนตัมแบบดั้งเดิมที่เข้ากันได้กับ TensorFlow API ที่มีอยู่พร้อมกับเครื่องจำลองวงจรควอนตัมประสิทธิภาพสูง อ่านเพิ่มเติมในเอกสารไวท์เปเปอร์ TensorFlow Quantum เพื่อเป็นข้อมูลอ้างอิงเพิ่มเติมคุณสามารถตรวจสอบภาพรวมและเรียกใช้บทช่วยสอนของสมุดบันทึก
https://www.tensorflow.org/quantum
เซอร์ค
Cirq เป็นเฟรมเวิร์กโอเพ่นซอร์สสำหรับคอมพิวเตอร์ Noisy Intermediate Scale Quantum (NISQ) ได้รับการพัฒนาโดยทีม Google AI Quantum และมีการประกาศอัลฟ่าสาธารณะในการประชุมเชิงปฏิบัติการนานาชาติเรื่องซอฟต์แวร์ Quantum และ Quantum Machine Learning เมื่อวันที่ 18 กรกฎาคม 2018 การสาธิตโดย QC Ware แสดงให้เห็นถึงการใช้งาน QAOA เพื่อแก้ปัญหาตัวอย่างของการตัดสูงสุด กำลังแก้ไขปัญหาในเครื่องจำลอง Cirq โปรแกรมควอนตัมใน Cirq แสดงด้วย "วงจร" และ "ตารางเวลา" โดยที่ "วงจร" แสดงถึงวงจรควอนตัมและ "กำหนดการ" แสดงถึงวงจรควอนตัมพร้อมข้อมูลเวลา โปรแกรมสามารถทำงานบนเครื่องจำลองท้องถิ่นได้ ตัวอย่างต่อไปนี้แสดงวิธีสร้างและวัดสถานะกระดิ่งใน Cirq
นำเข้า Cirq
# เลือก qubits
คิวบิต0 = Cirq.ตาราง(0, 0)
คิวบิต1 = Cirq.ตาราง(0, 1)
# สร้างวงจร
วงจรไฟฟ้า = Cirq.วงจรไฟฟ้า.จาก_ops(
Cirq.H(คิวบิต0),
Cirq.คสช(คิวบิต0, คิวบิต1),
Cirq.วัด(คิวบิต0, สำคัญ='m0'),
Cirq.วัด(คิวบิต1, สำคัญ='m1')
)
การพิมพ์วงจรจะแสดงไดอะแกรม
พิมพ์(วงจรไฟฟ้า)
# ภาพพิมพ์
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
การจำลองวงจรซ้ำ ๆ แสดงให้เห็นว่าการวัดของ qubits มีความสัมพันธ์กัน
จำลอง = Cirq.จำลอง()
ผล = จำลอง.วิ่ง(วงจรไฟฟ้า, การฝึกซ้อม=5)
พิมพ์(ผล)
# ภาพพิมพ์
# m0 = 11010
# m1 = 11010
ดาวน์โหลดเอกสารเตรียมการเรียนรู้ด้วยตนเองแบบออฟไลน์ฉบับสมบูรณ์สำหรับโปรแกรม EITC/AI/TFQML TensorFlow Quantum Machine Learning ในรูปแบบไฟล์ PDF
เอกสารการเตรียมการ EITC/AI/TFQML – เวอร์ชันมาตรฐาน
เอกสารการเตรียมการ EITC/AI/TFQML – เวอร์ชันขยายพร้อมคำถามในการทบทวน