QISKit สำหรับการคำนวณควอนตัม

QISKit สำหรับการคำนวณควอนตัม

เครดิตฟรี

ความพยายามในการคำนวณควอนตัมในปัจจุบันเป็นผลมาจากประวัติศาสตร์อันยาวนานของความสำเร็จทางวิทยาศาสตร์ สูตรเริ่มต้นของกลศาสตร์ควอนตัมในช่วงปี ค.ศ. 1920 และ 30 ทำให้เรามีความเข้าใจใหม่เกี่ยวกับโลกธรรมชาติโดยพื้นฐาน ในช่วงทศวรรษที่ 70 เป็นที่เข้าใจกันว่าการเปลี่ยนกระบวนทัศน์นี้สามารถส่งผลต่อวิธีที่เราคำนวณได้เช่นกัน ตามมาด้วยการค้นพบอัลกอริธึมที่ยอดเยี่ยมในยุค 80 และ 90 ซึ่งทั้งสองเน้นถึงข้อดีของคอมพิวเตอร์ควอนตัมและแสดงให้เราเห็นถึงวิธีควบคุมข้อผิดพลาดมากมายที่ส่งผลต่อการคำนวณดังกล่าว ด้วยความก้าวหน้าอย่างมากในการสร้างระบบควอนตัมที่มีเสถียรภาพและควบคุมได้ในช่วงทศวรรษที่ผ่านมา ปัจจุบันความสนใจได้เปลี่ยนไปใช้จริงและใช้งานได้จริง

สล็อต

วันนี้ ด้วยIBM Qเรากำลังสำรวจขั้นตอนต่อไปของวิวัฒนาการนี้ งานของฉันอยู่ที่จุดตัดของอัลกอริธึมและฮาร์ดแวร์ และถามว่าสถาปัตยกรรมซอฟต์แวร์สามารถออกแบบให้เปิดใช้งานแอปพลิเคชันควอนตัมในระยะสั้นได้อย่างไร และทุกคนสามารถมีส่วนร่วมในการใช้ข้อมูลควอนตัมซอฟท์แว Kit หรือQISKit
กองควอนตัม
QISKit รวมผู้ใช้สามระดับที่แตกต่างกัน:
ผู้เชี่ยวชาญด้านโดเมนระดับสูงในสาขาต่างๆ เช่น เคมี การเงิน หรือ AI ที่ไม่จำเป็นต้องคุ้นเคยกับควอนตัม
นักพัฒนาที่มีความรู้เกี่ยวกับวงจรควอนตัมที่ต้องการทดสอบข้อได้เปรียบของควอนตัมที่แท้จริงเหนือคอมพิวเตอร์คลาสสิก
ผู้เชี่ยวชาญด้านกลศาสตร์ควอนตัมที่ต้องการตรวจสอบพัลส์การคำนวณควอนตัม – การควบคุมสัญญาณเข้าและออกจาก qubits
QISKit เป็นซอฟต์แวร์ที่อยู่ระหว่างอัลกอริทึมควอนตัมจากด้านหนึ่ง และอุปกรณ์ควอนตัมทางกายภาพจากอีกด้านหนึ่ง มันแปลภาษาโปรแกรมทั่วไปเช่น Python เป็นภาษาเครื่องควอนตัม ซึ่งหมายความว่าใครก็ตามที่อยู่นอกห้องปฏิบัติการ IBM Q สามารถเขียนโปรแกรมคอมพิวเตอร์ควอนตัมได้
QISKit เป็นเครื่องมือการศึกษาที่ยอดเยี่ยมในการพัฒนาสัญชาตญาณเกี่ยวกับแนวคิดในข้อมูลควอนตัม นอกจากนี้ยังสามารถเป็นช่องทางในการทำวิทยาศาสตร์ เพื่อให้มั่นใจว่าอุปกรณ์ควอนตัมสามารถใช้งานได้อย่างน่าเชื่อถือโดยผู้ชมที่หลากหลาย และปรับปรุงความสามารถในการทำซ้ำของผลลัพธ์ ด้วยการเข้าถึงที่กว้างขวางนี้ เราหวังว่าจะส่งเสริมชุมชนที่สามารถค้นพบวิธีการใหม่ๆ และแอปพลิเคชันที่ก้าวล้ำ
ยังมีช่องว่างขนาดใหญ่ระหว่างทรัพยากรการคำนวณที่มีอยู่ในฮาร์ดแวร์ปัจจุบันกับทรัพยากรที่จำเป็นสำหรับแอปพลิเคชันคอมพิวเตอร์ควอนตัมบางตัวที่สัญญาไว้ เช่น การแยกตัวประกอบจำนวนเต็มและการจำลองโมเลกุล การวิจัยกำลังก้าวหน้าอย่างรวดเร็วเกี่ยวกับวิธีการเพิ่มทรัพยากรการคำนวณบนชิป (เช่น จำนวน qubits ความเที่ยงตรงของเกต และเวลาเชื่อมโยงกัน) และการออกแบบแอปพลิเคชันที่ใช้ทรัพยากรน้อย (เช่น วงจรความลึกสั้น) QISKit เป็นแกนที่สามของความพยายามนี้ ทำให้เรามีสถานที่สำหรับจัดการค่าใช้จ่ายด้านทรัพยากรและปรับแต่งแอปพลิเคชันสำหรับอุปกรณ์เฉพาะ ด้วย QISKit นักพัฒนาซอฟต์แวร์อาจไม่ต้องรอนานหลายปีกว่าที่ฮาร์ดแวร์ที่ทรงพลังกว่าจะปรากฏขึ้น หรือจอกศักดิ์สิทธิ์ของการคำนวณที่ทนทานต่อข้อผิดพลาด โดยเฉพาะอย่างยิ่งงานที่สำคัญในอีกไม่กี่ปีข้างหน้าคือการทำความเข้าใจผลกระทบของเสียง และผลกระทบต่อผลการคำนวณขั้นสุดท้ายอย่างไร การเข้าถึงเครื่องควอนตัมจริงนั้นมีค่ามากในการศึกษาเหล่านี้อย่างสมจริง
IBM Q Awards Developer ChallengeQISKit
สิ่งสำคัญของการเพิ่มประสิทธิภาพซอฟต์แวร์เพื่อดึงประสิทธิภาพที่ดีที่สุดจากคู่อุปกรณ์แอปพลิเคชันที่กำหนดคือ “การทำแผนที่ qubit” สถาปนิกซอฟต์แวร์จำเป็นต้องเขียนโปรแกรมที่คำนึงถึงฮาร์ดแวร์ การเชื่อมต่อ และเกตที่พร้อมใช้งานเพื่อ “แมป” qubit ระดับโปรแกรมกับ qubits บนชิปอย่างรวดเร็วและมีประสิทธิภาพที่สุด หากการสร้างแอปควอนตัมที่ใช้งานได้จริงครั้งแรกนั้นไม่มีแรงจูงใจเพียงพอ ให้เข้าร่วมIBM Q Developer Challengeและรับสูงถึง $4,000 และถ้าคุณอยู่ที่งาน Index Conference ในสัปดาห์นี้ มาทักทายที่งาน QISKit ของฉัน
Ali Javadi-Abhariเป็นเจ้าหน้าที่วิจัยของ IBM ซึ่งเขาทำงานเกี่ยวกับ IBM Q ซึ่งเป็นโครงการริเริ่มแห่งแรกของอุตสาหกรรมในการสร้างคอมพิวเตอร์ควอนตัมสากลที่มีจำหน่ายทั่วไปสำหรับธุรกิจและวิทยาศาสตร์ งานวิจัยของเขามุ่งเน้นไปที่การสร้างชุดซอฟต์แวร์ที่ปรับขนาดได้สำหรับการคำนวณควอนตัม Ali กำลังทำงานเพื่อพัฒนา QISKit ซึ่งเป็น SDK โอเพ่นซอร์สสำหรับการเชื่อมต่อกับคอมพิวเตอร์ควอนตัมและเครื่องจำลอง เขาสำเร็จการศึกษาระดับปริญญาเอกด้านวิทยาการคอมพิวเตอร์จากมหาวิทยาลัยพรินซ์ตัน ซึ่งเขาออกแบบคอมไพเลอร์และเครื่องมือซอฟต์แวร์สำหรับการคำนวณควอนตัมเอนกประสงค์ที่แก้ไขข้อผิดพลาด
อีกทีมหนึ่งซึ่งเป็นการทำงานร่วมกันระหว่าง MIT-IBM Watson AI Lab มหาวิทยาลัย Purdue และมหาวิทยาลัยโคลัมเบีย จะนำเสนอผลการจำแนกลักษณะชุดของกราฟเชิงสาเหตุที่เป็นไปได้จากข้อมูลเชิงสังเกตและการแทรกแซง งานนี้เกี่ยวกับการเรียนรู้ความสัมพันธ์เชิงสาเหตุ – จุดมุ่งหมายคลาสสิกคือการกำหนดลักษณะชุดที่เป็นไปได้ทั้งหมดที่สามารถสร้างข้อมูลที่สังเกตได้ ในบทความนี้ นักวิจัยได้จัดทำลักษณะที่สมบูรณ์ของกราฟสาเหตุที่เป็นไปได้ทั้งหมดด้วยข้อมูลเชิงสังเกตและการแทรกแซงที่เกี่ยวข้องกับสิ่งที่เรียกว่า ‘การแทรกแซงแบบนุ่มนวล’ ในตัวแปรเมื่อทราบเป้าหมายของการแทรกแซงแบบนุ่มนวล
ความแปลกใหม่คืองานรองรับตัวแปรที่ซ่อนอยู่และใช้ความสัมพันธ์ที่ทดสอบได้ผ่านการแจกแจงแบบไดนามิกที่สร้าง “แคลคูลัสโด” ที่เป็นที่นิยมของ Judea Pearl ในการอนุมานเชิงสาเหตุสำหรับการทำแผนที่การแจกแจงแบบสังเกต “เรายังจัดเตรียมอัลกอริธึมการเรียนรู้เสียงที่แปลกใหม่อีกด้วย” Karthikeyan Shanmugam นักวิทยาศาสตร์จาก IBM Research หนึ่งในผู้เขียนกล่าว “งานนี้อาจนำไปสู่การค้นพบอัลกอริธึมการเรียนรู้ใหม่ๆ ที่ทั้งถูกต้องและสมบูรณ์”
การเรียนรู้วิดีโอที่มีประสิทธิภาพ
จากนั้นจะมีบทความเกี่ยวกับการเรียนรู้การนำเสนอวิดีโอที่มีประสิทธิภาพ ซึ่งสำคัญสำหรับแอปพลิเคชันที่หลากหลาย เช่น การจัดทำดัชนีและการดึงข้อมูลวิดีโอ การเพิ่มเนื้อหาวิดีโออัตโนมัติ และการโต้ตอบระหว่างมนุษย์กับหุ่นยนต์ ในช่วงไม่กี่ปีที่ผ่านมา มีความก้าวหน้าอย่างมากในการทำความเข้าใจเกี่ยวกับวิดีโอ ด้วยวิธีการที่ใช้โครงข่ายประสาทเทียมแบบสามมิติที่ซับซ้อน (3D CNNs) เพื่อเรียนรู้การแสดงแทนระยะห่างเชิงพื้นที่เพื่อการจดจำ แต่มีปัญหาอยู่: โมเดลดังกล่าวต้องค่อนข้างลึกและต้องการการวิเคราะห์เฟรมวิดีโอจำนวนมาก ทำให้การฝึกอบรมและการอนุมานแบบจำลอง 3 มิติมีราคาแพงมาก
ทีมงาน IBM ได้พัฒนาสถาปัตยกรรมเครือข่าย 2D ที่เรียบง่ายและเป็นมิตรกับหน่วยความจำของข้อมูลเชิงพื้นที่และเวลาซึ่งพันกันซึ่งมีประสิทธิภาพดีกว่าสถาปัตยกรรม 3D ที่มีความซับซ้อนมากขึ้น โดยมีค่าใช้จ่ายเพียงเล็กน้อย “สถาปัตยกรรมน้ำหนักเบานี้สามารถรวมเฟรมที่ความละเอียดต่างกันเพื่อเรียนรู้ข้อมูลวิดีโอทั้งในพื้นที่และเวลาได้อย่างมีประสิทธิภาพ” Quanfu Fan นักวิทยาศาสตร์ของ IBM ซึ่งเป็นผู้นำการวิจัยกล่าว วิธีการที่เขาพูดแสดงให้เห็นถึงประสิทธิภาพที่ดีเกี่ยวกับการวัดการรับรู้การดำเนินการหลายประการรวมถึงจลนพลศาสตร์และช่วงเวลาในเวลา และมันจะลด FLOP สามถึงสี่เท่าและประมาณสองเท่าในหน่วยความจำ เมื่อเทียบกับค่าพื้นฐาน “การวิจัยในอนาคตสามารถมุ่งเน้นไปที่การเก็บข้อมูลชั่วคราวได้อย่างมีประสิทธิภาพ ซึ่งเป็นหัวใจสำคัญของการทำความเข้าใจวิดีโอ” Fan กล่าว

สล็อตออนไลน์

การหาเหตุผลเข้าข้างตนเอง
ทีมร่วมจาก IBM และ MIT ที่นำโดย Shiyu Chang จะนำเสนอบทความเกี่ยวกับแนวทางทฤษฎีเกมในการหาเหตุผลเข้าข้างตนเองแบบเลือกอย่างชาญฉลาดหรือการใช้เหตุผล เหตุผลคือการเลือกคุณสมบัติอินพุตที่ยากซึ่งเพียงพอที่จะอธิบายการทำนายผลลัพธ์ นักวิจัยให้ตัวอย่างที่ดีของเหตุผล – การทบทวนเบียร์: “เบียร์นี้ใสอย่างน่าขันด้วยคาร์บอนไดออกไซด์จำนวนมากที่ก่อตัวเป็นหินที่น่าประทับใจและค่อยๆ ตกลงสู่ชั้นโฟมที่ค่อนข้างหนาแน่น นี่เป็นเบียร์ที่ดูดีจริงๆ” การคาดคะเนผลลัพธ์คือการจัดอันดับลักษณะที่ปรากฏของเบียร์: “ดู: 5 ดาว” เหตุผลคือคำที่อธิบายว่าทำไมการจัดเรตติ้งจึงเป็น 5 ดาว ดังนั้น “เบียร์นี้ใสอย่างน่าขันด้วยคาร์บอนไดออกไซด์” และ “เบียร์นี้ดูดีจริงๆ”
อย่างไรก็ตาม ปัญหาก็คือว่า เหตุผลดังกล่าวมักจะสนับสนุนเฉพาะระดับป้ายกำกับ หมายความว่าหากบทวิจารณ์โรงแรมมีประโยคที่สื่อทั้งความรู้สึกเชิงลบและแง่บวก ป้ายกำกับอาจเป็นเพียงแง่ลบเท่านั้น ทีมงานเสนอวิธีการที่จะมีทั้งสองอย่าง ซึ่งคล้ายกับข้อดีและข้อเสียของการชั่งน้ำหนักของมนุษย์ ซึ่งช่วยให้สามารถตีความแบบจำลองเชิงลึกในเชิงโครงสร้างมากขึ้น พวกเขาเรียกมันว่าการหาเหตุผลเข้าข้างตนเองแบบเลือกสรรอย่างชาญฉลาดหรือ CAR – ซึ่งสามารถค้นหาเหตุผลที่อธิบายชั้นเรียนที่กำหนด เป็นกรอบทฤษฎีเกม และเน้นข้อดีและข้อเสียในการทบทวน ช่วยให้เข้าใจได้แม่นยำยิ่งขึ้น
นี่เป็นเพียงเอกสารบางส่วนที่ IBM Research รู้สึกตื่นเต้นที่จะแบ่งปันและพูดคุยกับคุณที่ NeurIPS 2019 โปรดเยี่ยมชมเราที่บูธ 111 เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับการวิจัยของเราและพบกับนักวิทยาศาสตร์ของเรา ซึ่งจะสาธิตเทคโนโลยีที่เกิดขึ้นใหม่ของเรา รวมทั้ง:
Science Summarizer — ดึงและสรุปเอกสารทางวิทยาศาสตร์ที่เกี่ยวข้องและล่าสุดที่ตรงกับความต้องการข้อมูลเฉพาะ
GAAMA — ย่อมาจาก Go Ahead Ask Me Anything GAAMA เป็นระบบอ่านเพื่อความเข้าใจที่ปัจจุบันเป็นระบบอันดับต้นๆ บนกระดานผู้นำ Google NQ (ในคำตอบสั้นๆ)
NeuNetS สำหรับแอปพลิเคชัน IoT — สังเคราะห์โครงข่ายประสาทเทียมแบบกำหนดเองโดยอัตโนมัติสำหรับอุปกรณ์ IoT ในการสาธิตนี้ เซ็นเซอร์กล้องใน Raspberry-Pi จะทำการจัดประเภทตามเวลาจริงและผลลัพธ์จะแสดงบนหน้าจอ
Command Line AI Toolkit (CLAI) — Project CLAI มีเป้าหมายที่จะนำพลังของ AI มาสู่เชลล์โดยเพิ่มประสบการณ์ผู้ใช้ด้วยการสนับสนุนภาษาธรรมชาติ การแก้ไขปัญหา และระบบอัตโนมัติ ตลอดจนให้นักวิจัยมี API ที่ขยายได้ง่ายเพื่อพัฒนา AI ของตนเอง ปลั๊กอิน
ผู้บรรยายกีฬาสด — สร้างคำบรรยายคำพูดที่แสดงออกถึงภาษาธรรมชาติโดยอัตโนมัติสำหรับเกมฟุตบอล
IBM-MIT Three-D World (TDW) — แพลตฟอร์มโลกเสมือนจริง 3 มิติที่สมจริงอย่างมากสำหรับการจำลองทางกายภาพแบบหลายโมดอลแบบโต้ตอบเพื่อฝึกและทดสอบโมเดล AI และตัวแทน
Interactive Visual Exploration of Latent Space (IVELS) – ไปป์ไลน์อัตโนมัติเต็มรูปแบบสำหรับเครื่องมือภาพเชิงโต้ตอบเพื่อให้สามารถประเมินและสำรวจพื้นที่ที่ซ่อนอยู่ของลำดับข้อความ
LALE — ไลบรารี Python แบบโอเพนซอร์สสำหรับวิทยาศาสตร์ข้อมูลกึ่งอัตโนมัติ — เข้ากันได้กับ scikit-learn โดยเพิ่มอินเทอร์เฟซที่เรียบง่ายให้กับเครื่องมืออัตโนมัติสำหรับการเรียนรู้ด้วยเครื่องที่มีอยู่
[NPC4]ภารกิจของเราที่ IBM คือการช่วยให้ลูกค้าของเราเปลี่ยนวิธีการทำงานของโลก ไม่มีตัวอย่างใดที่ดีไปกว่าการคาดการณ์เทคโนโลยีประจำปี “5 ใน 5” ของ IBM Research ในแต่ละปี เราแสดงความก้าวหน้าครั้งยิ่งใหญ่ที่สุดจากห้องปฏิบัติการทั่วโลกของ IBM Research ซึ่งเป็นเทคโนโลยี 5 อย่างที่เราเชื่อว่าจะพลิกโฉมธุรกิจและสังคมโดยพื้นฐานในอีกห้าปีข้างหน้า นวัตกรรมนี้ได้รับแจ้งจากการวิจัยที่เกิดขึ้นที่ IBM Labs งานระดับแนวหน้าที่เกิดขึ้นกับลูกค้าของเรา และแนวโน้มที่เราเห็นในแนวเทคโนโลยี/ธุรกิจ
วันนี้เราจะมาแนะนำนักวิทยาศาสตร์ที่อยู่เบื้องหลัง 5 ใน 5 ของปีนี้ที่งาน Science Slam ซึ่งจัดขึ้นที่ไซต์งานไคลเอนต์ที่ใหญ่ที่สุดของ IBM แห่งปี: Think 2018ในลาสเวกัส ดูมันสดหรือจับรีเพลย์ที่นี่ Science Slams ช่วยให้นักวิจัยของเรามีโอกาสที่จะถ่ายทอดความสำคัญของงานของพวกเขาไปยังผู้ชมทั่วไปในช่วงเวลาสั้น ๆ – ประมาณห้านาที เราพบว่านี่เป็นแบบฝึกหัดที่มีประโยชน์อย่างยิ่งที่ทำให้นวัตกรรมของเราเข้าถึงได้ง่ายขึ้นโดยการกลั่นกรองให้เหลือแต่สิ่งจำเป็นหลัก
นี่คือบทสรุปของการคาดการณ์ที่นักวิทยาศาสตร์ของ IBM จะนำเสนอในปีนี้ โดยรวมแล้ว สิ่งเหล่านี้แสดงถึงวิวัฒนาการอันทรงพลังในการประมวลผล ซึ่งจะเหนือกว่าสิ่งที่เราเคยเห็นมาก่อนหน้านี้:
ไม่มีใครชอบการน็อคออฟ การเข้ารหัสลับเบรกและ blockchain จะรวมตัวกันต่อต้านการปลอมแปลง
ภายในห้าปีข้างหน้า จุดยึดการเข้ารหัส เช่น จุดหมึกหรือคอมพิวเตอร์ขนาดเล็กที่มีขนาดเล็กกว่าเม็ดเกลือ จะถูกฝังอยู่ในวัตถุและอุปกรณ์ในชีวิตประจำวัน โดยจะใช้ควบคู่ไปกับเทคโนโลยีบัญชีแยกประเภทแบบกระจายของ blockchain เพื่อให้แน่ใจว่าวัตถุนั้นมีความถูกต้องตั้งแต่จุดเริ่มต้นจนถึงมือของลูกค้า เทคโนโลยีเหล่านี้ปูทางไปสู่โซลูชันใหม่ที่จัดการกับความปลอดภัยของอาหาร ความถูกต้องของส่วนประกอบที่ผลิตขึ้น ผลิตภัณฑ์ดัดแปลงพันธุกรรม การระบุวัตถุปลอมแปลง และแหล่งที่มาของสินค้าฟุ่มเฟือย
[NPC5]แฮกเกอร์จะแฮ็ค จนกว่าพวกเขาจะพบการเข้ารหัสตาข่าย
IBM กำลังพัฒนาวิธีการเข้ารหัสเพื่อให้ทันกับเทคโนโลยีที่เกิดขึ้นใหม่ เช่น คอมพิวเตอร์ควอนตัม ซึ่งสักวันหนึ่งจะสามารถทำลายโปรโตคอลการเข้ารหัสปัจจุบันทั้งหมดได้ นักวิจัยของ IBM ได้พัฒนาวิธีการเข้ารหัสหลังควอนตัมแล้ว ซึ่งเราได้ส่งโดยสมัครใจไปยังNational Institute of Standards and Technology (NIST)ซึ่งเรียกว่า lattice cryptography ไม่มีคอมพิวเตอร์เครื่องไหนสามารถถอดรหัสได้ แม้กระทั่งคอมพิวเตอร์ควอนตัมในอนาคต ด้วย Lattice cryptography เราสามารถทำงานกับไฟล์หรือเข้ารหัสได้ โดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อนต่อแฮกเกอร์