ผู้เชี่ยวชาญด้านโดเมน ยินดีต้อนรับสู่ Quantum: แนะนำ QISKit AQUA

ผู้เชี่ยวชาญด้านโดเมน ยินดีต้อนรับสู่ Quantum: แนะนำ QISKit AQUA

เครดิตฟรี

QISKit AQUA เชื่อมต่อคอมพิวเตอร์ควอนตัมสุดคลาสสิก
การทำงานกับคอมพิวเตอร์ควอนตัมจริงง่ายขึ้นสำหรับผู้เชี่ยวชาญด้านเคมี ปัญญาประดิษฐ์ และการเพิ่มประสิทธิภาพ อาคาร QISKit มาเปิดชุดข้อมูลควอนตัมวิทยาศาสตร์ของเราสำหรับการพัฒนาซอฟต์แวร์ที่เราได้เปิดตัว AQUA – lgorithms และวงจรสำหรับQU antum pplications ซอฟต์แวร์โอเพนซอร์ซใหม่นี้ช่วยให้แอปพลิเคชันคอมพิวเตอร์คลาสสิกส่งการดำเนินการที่ซับซ้อนเพื่อรันบนคอมพิวเตอร์ควอนตัมผ่านระบบคลาวด์

สล็อต

ให้ฉันเริ่มด้วยการอธิบายเกี่ยวกับซอฟต์แวร์ควอนตัม และตำแหน่งที่ QISKit และ AQUA เหมาะสม ที่ระดับต่ำสุดคือฮาร์ดแวร์ที่ qubits นั่งที่อุณหภูมิเย็นจัด 15 mK qubits รับสัญญาณพัลส์ไมโครเวฟสำหรับการคำนวณ ซึ่งได้รับการแปลและแปลงจาก OpenQASM ซึ่งเป็นภาษาแอสเซมบลีระดับต่ำของ IBM Q โดย QISKit ผู้ใช้ระบบIBM Q Experience 16 qubit ฟรีสามารถเขียนโปรแกรมโดยตรงใน OpenQASM แต่จะใช้ไลบรารี่ในภาษาระดับสูงได้ง่ายกว่า นั่นคือที่มาของ QISKit ซึ่งเป็นอินเทอร์เฟซส่วนหน้าที่ทำงานร่วมกับ Python ( อ่านบทความของ IBM Fellow Dr. Jay Gambetta เกี่ยวกับการอัปเกรดล่าสุดของ QISKit)
QISKit เพียงอย่างเดียวต้องใช้ทักษะของนักพัฒนา การรันการทดลองบน IBM Q Experience หมายถึงการเข้าใจวิธีเขียนโปรแกรม หรือใช้โปรแกรมของผู้อื่น เช่น โปรแกรมที่อยู่ในที่เก็บ github ของ QISKit จนถึงตอนนี้ แนวทางนี้ประสบความสำเร็จ: ผู้ใช้มากกว่า 85,000 คนทำการทดลองมากกว่า 4 ล้านครั้ง และเผยแพร่เอกสารการวิจัย 80 ฉบับโดยอิงจากการทดลองที่ทำงานบนระบบ แต่เราพลาดการมีส่วนร่วมของผู้เชี่ยวชาญโดเมน – จนกระทั่ง QISKit AQUA
สภาพแวดล้อมไฮบริดควอนตัมคลาสสิก
QISKit AQUA เป็นไลบรารีของอัลกอริทึมควอนตัมที่ทำสองสิ่งได้สำเร็จ:
ช่วยให้ผู้เชี่ยวชาญด้านโดเมนที่ไม่คุ้นเคยกับการคำนวณควอนตัมสามารถเข้าถึงคอมพิวเตอร์ควอนตัม IBM Q ผ่านแอปพลิเคชันแบบคลาสสิกที่พวกเขาเคยใช้หรือผ่านอัลกอริธึมเฉพาะโดเมนที่มีอยู่แล้ว
นอกจากนี้ยังช่วยให้นักวิจัยและนักพัฒนาสนับสนุนอัลกอริทึมใหม่ๆ ให้กับไลบรารีโดเมนโอเพนซอร์สของ QISKit AQUA
เริ่มต้นด้วยเคมี ปัญญาประดิษฐ์ และการปรับให้เหมาะสม ผู้เชี่ยวชาญในสาขาเหล่านี้สามารถเริ่มใช้ประโยชน์จาก QISKit AQUA เป็นองค์ประกอบใหม่ในแอปพลิเคชันที่พวกเขาใช้ในการค้นคว้า พวกเขาสามารถทำทั้งหมดนี้ได้โดยไม่ต้องเข้าใจอย่างถ่องแท้ถึงการคำนวณควอนตัมที่ซับซ้อนที่เกิดขึ้นในระดับลึกของสแต็คซอฟต์แวร์หรือที่ระดับฮาร์ดแวร์
ทุกวันนี้ ไลบรารี่ QISKit AQUA Chemistry รองรับการใช้งานแบบคลาสสิก เช่น Gaussian, PSI4, PySCF และ PyQuante ผู้ใช้สามารถทำงานกับหนึ่งในแอพเหล่านี้ใน ACQUA เพื่อเรียกใช้การดำเนินการเฉพาะบนฮาร์ดแวร์ควอนตัม IBM Q หรือเครื่องจำลอง – เทียบกับภายในซอฟต์แวร์ดั้งเดิม – เพื่อตรวจสอบผลลัพธ์ที่คอมพิวเตอร์ควอนตัมสร้างขึ้น การเปิดตัวนี้ยังรวมถึง QISKit ACQUA Artificial Intelligence และอัลกอริทึม QISKit AQUA Optimization และจะรวมอินเทอร์เฟซไปยังแอปพลิเคชันเฉพาะโดเมนในอนาคตอันใกล้
นักเคมีที่ทำงานอยู่หลายคนในปัจจุบันใช้แพ็คเกจซอฟต์แวร์เพื่อทำการคำนวณเฉพาะที่เกี่ยวข้องกับสาขาที่สนใจโดยเฉพาะ เราหวังว่านักเคมีจะมองว่า QISKit AQUA สามารถขยายพลังของแอปพลิเคชันที่คุ้นเคยของพวกเขาไปสู่อาณาจักรควอนตัมได้อย่างไร เราได้ทำให้การดาวน์โหลดและติดตั้ง QISKit AQUA เป็นเรื่องง่ายเพื่อเริ่มการเรียนรู้และทดลอง
qubit สากลโดยประมาณสิบหกหรือยี่สิบตัวในปัจจุบันยังไม่มีข้อได้เปรียบเหนือคอมพิวเตอร์แบบคลาสสิก นักวิทยาศาสตร์ของ IBM ได้พิสูจน์แล้วว่าสามารถจำลอง49 และ 56 qubitsบนซูเปอร์คอมพิวเตอร์สำหรับปัญหาเฉพาะได้ เหตุใดจึงต้องสร้างสภาพแวดล้อมแบบคลาสสิกและควอนตัมไฮบริดในตอนนี้
ความพร้อมของควอนตัม
ผู้เชี่ยวชาญสามารถใช้แอปพลิเคชันเฉพาะโดเมนที่คุ้นเคยต่อไปได้ ซึ่งทำมากกว่าการวัดพลังงานสถานะพื้นดินของโมเลกุลต่างๆ ที่เราแสดงในตัวอย่าง พวกเขายังสามารถใช้ประโยชน์จากการเพิ่มพลังของการประมวลผลควอนตัมเมื่อปริมาณควอนตัมดีขึ้น และจำนวนแอปพลิเคชันเพิ่มขึ้นในไลบรารีที่เกี่ยวข้องของ QISKit AQUA QISKit AQUA พัฒนาความร่วมมือทั่วทั้งอุตสาหกรรม วิชาการ และการวิจัย เพื่อเตรียมพร้อมสำหรับโลกที่คอมพิวเตอร์คลาสสิกและควอนตัมทำงานร่วมกันเพื่อแก้ปัญหาที่ซับซ้อนในการคำนวณได้ดียิ่งขึ้น อนาคตของการใช้คอมพิวเตอร์เป็นแบบไฮบริด และ QISKit AQUA เป็นก้าวสำคัญในการทำให้สิ่งนี้เป็นจริง
เราเลือก Alba เป็นผู้ชนะเพราะบทช่วยสอนของเธอ “การจำลอง Exact Ising Model: วิธีจำลองวิวัฒนาการของเวลาที่ไม่มีเวลา” โดดเด่นกว่าผลงานคุณภาพสูงอื่นๆ ในด้านความคิดสร้างสรรค์ ความคิดริเริ่ม รูปลักษณ์และโครงสร้าง สิ่งสำคัญที่สุดคือ การมีส่วนร่วมของ Alba สร้างความสมดุลให้กับรายละเอียดทางวิทยาศาสตร์และเนื้อหาเชิงโครงสร้างในหัวข้อที่มีความเกี่ยวข้องสูงสำหรับการประยุกต์ใช้ควอนตัม เช่น เคมีควอนตัม นอกจากนี้ บทช่วยสอนของเธอยังช่วยเปรียบเทียบระหว่างผลลัพธ์ที่ได้จากการจำลองควอนตัมที่สมบูรณ์แบบกับผลลัพธ์ที่ได้รับผลกระทบจากสัญญาณรบกวนบนฮาร์ดแวร์ควอนตัมจริง

สล็อตออนไลน์

“เป็นเกียรติสำหรับฉันที่ได้รับการยอมรับจากกลุ่ม IBM Q” อัลบากล่าว “การคำนวณควอนตัมบนคลาวด์ทำให้นักทฤษฎีข้อมูลควอนตัมอย่างฉันออกแบบได้ และใช้อัลกอริทึมของฉันในการทดลองทดลองด้วยวิธีที่หรูหราและเรียบง่าย ฉันมั่นใจว่านี่เป็นเพียงจุดเริ่มต้นของบางสิ่งที่ยอดเยี่ยม!”
ขอขอบคุณอย่างจริงใจต่อผู้เข้าร่วมทุกคนที่ส่งบทช่วยสอน เป็นการยากที่จะเลือกผู้ชนะ บทช่วยสอนทั้งหมดมีความเกี่ยวข้องสำหรับการทำความเข้าใจแนวคิดของการคำนวณควอนตัม เป้าหมายของเราคือการรวมทั้งหมดไว้ในที่เก็บบทช่วยสอน QISKit เพื่อให้ทุกคนในชุมชนสามารถใช้งานได้
สุดท้ายนี้ เราสนับสนุนให้ผู้อื่นเข้าร่วมใน IBM Q Awards ที่เหลืออยู่:
IBM Q Best Paper Award
สำหรับนักวิทยาศาสตร์ที่ได้ตีพิมพ์บทความที่ใช้ QISKit หรือ IBM Q Experience
กำหนดเวลา: กรกฎาคม 15, 2018
รางวัล Teach Me Quantum
สำหรับอาจารย์หรืออาจารย์ที่ใช้ QISKit หรือ IBM Q Experience ในการบรรยาย
กำหนดเวลา: พฤศจิกายน 15, 2018
ความก้าวหน้าทางเทคโนโลยีและทฤษฎีอย่างต่อเนื่องใน AI ทำให้ AI แพร่หลายมากขึ้น นำไปสู่การพัฒนาชีวิตของเราในด้านต่างๆ อย่างไม่เคยปรากฏมาก่อน ด้วยการตรวจจับคำพูดและการแปลด้วยเครื่องที่ช่วยให้โต้ตอบกับลำโพงอัจฉริยะได้อย่างเป็นธรรมชาติมากขึ้น AI มีการเติบโตที่น่าทึ่งในช่วงหลายปีที่ผ่านมา และในขณะที่ความก้าวหน้าของ AI เหล่านี้เกิดขึ้นได้ด้วยการควบคุมโมเดลโครงข่ายประสาทเทียม (ANN) ที่ซับซ้อนมากขึ้น ซึ่งปกติแล้วจะอยู่ในศูนย์ข้อมูล พวกเขาต้องการต้นทุนด้านการคำนวณและพลังงานจำนวนมากที่ไม่ยั่งยืนในระยะยาว โอกาสในการเติบโตที่ใหญ่ที่สุดรวมถึงความท้าทายบางอย่างจะย้ายจาก AI ในระบบคลาวด์ไปเป็น AI ให้เข้าใกล้ “เอดจ์” มากขึ้น ไม่ว่าจะเป็น IoT และอุปกรณ์เคลื่อนที่ โดรน หุ่นยนต์ และเซ็นเซอร์ ซึ่งทำงานในสภาพแวดล้อมที่มีพลังงานและข้อจำกัดในการเชื่อมต่อ

jumboslot

ในระบบ AI ที่ล้ำสมัยในปัจจุบัน ใช้พลังงานและเวลาจำนวนมากในการถ่ายโอนข้อมูลจำนวนมหาศาลระหว่างบล็อกการประมวลผลและหน่วยความจำ ซึ่งเป็นอุปสรรคที่มักเรียกว่าคอขวดของฟอน-นอยมันน์ อีกวิธีหนึ่งคือการคำนวณ “ในหน่วยความจำ” – การย้ายการคำนวณไปยังตำแหน่งที่จัดเก็บข้อมูล – ซึ่งประหยัดพลังงานมากกว่าและอาจมีความสำคัญต่อการเติบโตอย่างต่อเนื่องในความสามารถของ AI อย่างไรก็ตาม การพัฒนา AI ในอุปกรณ์ Edge เช่น สมาร์ทโฟน อุปกรณ์ IoT โดรน หุ่นยนต์ และอื่นๆ ทำให้เกิดความท้าทายที่ใหญ่ขึ้นสำหรับสถาปัตยกรรมการคำนวณ ความสามารถที่เพิ่มขึ้นของโมเดล AI ร่วมสมัยให้ความแม่นยำในการจดจำอย่างที่ไม่เคยมีมาก่อน แต่มักจะต้องแลกมาด้วยความพยายามในการคำนวณและกระฉับกระเฉงที่มากขึ้น ดังนั้น, การพัฒนาฮาร์ดแวร์ใหม่โดยใช้กระบวนทัศน์การประมวลผลแบบใหม่อย่างสิ้นเชิงเป็นสิ่งสำคัญสำหรับการวิจัย AI ให้ก้าวหน้า ทางออกหนึ่งคือการใช้อุปกรณ์แอนะล็อกในการประมวลผลในหน่วยความจำ ซึ่งเพิ่งแสดงให้เห็นการปรับปรุงที่สำคัญในด้านความเร็วและประสิทธิภาพการใช้พลังงาน การฝึกอบรมและการอนุมาน Deep Neural Network (DNN) เป็นสองส่วนหลักของการใช้งานที่ฮาร์ดแวร์แอนะล็อกใหม่นี้สามารถส่งผลกระทบต่อ
ควบคู่ไปกับการใช้เทคโนโลยีที่เกิดขึ้นใหม่ เช่น Phase-Change Memory (PCM) ยังคงเป็นความท้าทายที่สำคัญ อุปกรณ์ PCM มีความอ่อนไหวต่อสัญญาณรบกวน การเปลี่ยนแปลงความต้านทาน-ดริฟท์ การเปลี่ยนแปลงของสื่อนำไฟฟ้าที่ไม่สมมาตรและไม่เป็นเชิงเส้นเพื่อตอบสนองต่อสิ่งเร้าทางไฟฟ้า และข้อกังวลด้านความน่าเชื่อถือ
เพื่อแก้ไขปัญหาเหล่านี้ นักวิจัยของ IBM จากห้องทดลองใน Almaden, Yorktown Heights, Tokyo และ Zurich ได้พัฒนาอุปกรณ์ใหม่ โซลูชันอัลกอริธึมและสถาปัตยกรรมใหม่ เทคนิคการฝึกอบรมโมเดลใหม่ และการออกแบบแบบกำหนดเองเต็มรูปแบบ ความก้าวหน้าเหล่านี้ภายใต้ IBM AI Hardware Center จะถูกนำเสนอในรูปแบบของเอกสารสี่ฉบับในการประชุม 2019 International Electron Devices Meeting (IEDM) และการประชุม Neural Information Processing Systems (NeurIPS) ข้อมูลเพิ่มเติมเกี่ยวกับกระดาษแต่ละฉบับอยู่ด้านล่าง
การแต่งงานของการฝึกอบรมและการอนุมานสำหรับฮาร์ดแวร์แอนะล็อกการเรียนรู้เชิงลึกที่ปรับขนาด
โดย T. Gokmen et al. (IEDM)
การใช้ตุ้มน้ำหนักจุดลอยตัวซึ่งกำหนดโดยโปรเซสเซอร์ดิจิทัลล้ำสมัยเพื่อทำการอนุมานด้วยอาร์เรย์ครอสบาร์แบบแอนะล็อก ทำให้ประสิทธิภาพลดลงเนื่องจากอุปกรณ์ไม่อยู่ในอุดมคติ เช่น สัญญาณรบกวนและความแปรปรวนของโปรแกรม การแต่งงานของการฝึกอบรมและการอนุมานสำหรับฮาร์ดแวร์แอนะล็อกการเรียนรู้เชิงลึกที่ปรับขนาดได้แสดงให้เห็นว่าการแนะนำตัวแปร เช่น เสียงของอุปกรณ์ การหาปริมาณจากแอนะล็อกเป็นดิจิทัล และความล้มเหลวของอุปกรณ์ในระหว่างกระบวนการฝึกอบรมสามารถบรรเทาผลกระทบเชิงลบเหล่านี้ได้ แนวทางปฏิบัตินี้จะส่งผลให้เกิดการค้นพบตุ้มน้ำหนักที่เหมาะสมที่สุดซึ่งแข็งแกร่งกว่าสำหรับปัจจัยที่ไม่เหมาะสมเหล่านี้และปรับปรุงความแม่นยำในการจำแนกประเภท เทคนิคใหม่นี้ช่วยให้ผ่อนคลายข้อกำหนดของอุปกรณ์แอนะล็อกและวงจรต่อพ่วงเหล่านี้ได้
การลดผลกระทบของการเปลี่ยนแปลงการนำไฟฟ้าของหน่วยความจำแบบเปลี่ยนเฟสต่อการอนุมานของฮาร์ดแวร์โครงข่ายประสาทเทียมขนาดใหญ่
โดย S. Ambrogio และคณะ (IEDM)
[NPC5]ในขณะที่เทคนิคที่เสนอให้ความยืดหยุ่นต่อสัญญาณรบกวนและการวัดปริมาณ กระดาษReducing Impact of Phase-Change Memory Conductance Drift on the Inference of Large-scale Hardware Neural Networksมุ่งเน้นไปที่ความเสถียรของการนำ PCM ในระหว่างการอนุมาน เทคโนโลยี PCM ทนทุกข์ทรมานจากความเบี่ยงเบนของการนำไฟฟ้า – ค่าการนำไฟฟ้าแบบแอนะล็อกจะสลายตัวเมื่อเวลาผ่านไป – ซึ่งเป็นอันตรายต่อความถูกต้องของการจำแนกประเภท เพื่อจัดการกับความท้าทายนี้ บทความนี้ได้นำเสนอโซลูชันอัลกอริธึมแบบใหม่: การแก้ไขความชันของฟังก์ชันการเปิดใช้งานในช่วงเวลาอนุมาน ซึ่งส่วนใหญ่จะกู้คืนข้อมูลที่สูญเสียไปเนื่องจากน้ำหนักที่ลดลง