Лерон Гил, Рассел Хаффман, Фрэнк Харкинс, Анна Фан, Амира Аббас, Паван Джаясинья и Роберт Дэвис
Потребовалось всего несколько лет, чтобы квантовое машинное обучение (QML) превратилось из нишевого академического любопытства в одну из самых горячих тем квантовых вычислений, и неудивительно, что эта тема вызывает такой большой интерес. Классическое машинное обучение стало культурной и экономической силой, определяющей эпоху, и вполне возможно, что однажды мы скажем то же самое о квантовых вычислениях. Но, несмотря на то, что сегодня у нас есть легкий доступ к высококачественным учебным онлайн-ресурсам почти по любой компьютерной теме на свете, было мало, если вообще было курсов по QML, которые были бы строгими, интерактивными и доступными бесплатно. То есть до сих пор.
В прошлом году мы провели нашу вторую ежегодную Глобальную летнюю школу Qiskit, пригласив более 5000 участников принять участие в двухнедельном курсе по квантовым вычислениям с особым акцентом на основы QML. Теперь мы трансформируем учебную программу летней школы 2021 года в онлайн-курс для самостоятельного изучения, призванный помочь любознательным учащимся глубже понять QML. Этот новый курс подходит для всех, кто хорошо разбирается в основах квантовых вычислений. Это второй в своем роде курс, дебютировавший в недавно переработанном учебнике Qiskit после запуска нашего обновленного курса Введение в квантовые вычисления прошлой осенью.
Нажмите здесь, чтобы просмотреть новый курс Qiskit Textbook по квантовому машинному обучению.
Мы еще не знаем, даст ли квантовое машинное обучение полезное преимущество перед классическим машинным обучением. Тем не менее, предоставляя этот новый образовательный материал, мы надеемся, что больше людей присоединятся к этой растущей области исследований и внесут свой вклад в объем работ, возникающих в этой области, а те, кто интересуется этой областью, получат строгую, уравновешенную основу, на которой формировать их понимание. Если вы интересуетесь QML и не смогли посетить прошлогоднюю летнюю школу, этот ресурс для вас.
Курс QML учебника Qiskit предлагает множество интерактивных элементов, предназначенных для облегчения процесса обучения, многие из которых впервые появились в прошлогоднем обновленном курсе «Введение в квантовые вычисления». Например, в дополнение к основному содержанию курса каждая страница курса QML включает в себя подсказки и боковую панель, заполненную подробными примечаниями к уроку, в которых разбираются ключевые концепции, которые могут быть новыми или даже совершенно незнакомыми для некоторых читателей.
По мере того как учащиеся знакомятся с новыми типами квантовых схем в курсе QML, наш инструмент «мини-композитор» позволяет им практиковаться в построении этих схем для себя. Точно так же упражнения с перетаскиванием предлагают пользователям непосредственно взаимодействовать с кодом, что делает их на один шаг ближе к написанию собственного кода. Мы считаем, что это самый первый бесплатный онлайн-курс по QML со встроенным интерактивным кодом, который позволяет учащимся тестировать новые концепции в процессе работы.
К концу курса студенты узнают все, что им нужно для выполнения одного из нескольких необязательных выпускных проектов. Учащиеся смогут попробовать свои силы в реализации квантовой генеративно-состязательной сети для аппроксимации целевого распределения вероятностей. Они смогут оценить преимущества и недостатки различных методов кодирования и оптимизации. Те, кто знаком с классическим машинным обучением, смогут даже исследовать классические методы машинного обучения, чтобы найти области, которые могут выиграть от использования квантовых схем. Мы надеемся, что, освоив содержание курса, студенты будут готовы заняться собственными проектами QML.
Курс не предназначен для замены содержания прошлогодней летней школы, которая сохранилась в виде отдельной серии записанных видеолекций и лабораторных работ на сайте Qiskit. Между курсом QML и серией летних школ есть несколько отличий — например, курс QML не включает видеолекций и занимает примерно вдвое меньше времени. Тем не менее, они по-прежнему очень связаны и охватывают большую часть одного и того же контента. Курс QML — это живой документ, который будет расти и меняться по мере развития области, в то время как материалы летней школы останутся в виде моментального снимка состояния QML в 2021 году.
Если нет гарантии, что квантовые вычисления улучшат машинное обучение, то некоторые могут задаться вопросом, почему команда Qiskit тратит столько усилий на его обучение. Во-первых, исследователи продемонстрировали существование теоретических квантовых ускорений для некоторых приложений машинного обучения. Кроме того, QML может многое рассказать студентам о классическом машинном обучении, которое часто не рассматривается в традиционных учебных программах по информатике. Классическое машинное обучение зашло так далеко с момента своего появления, что теперь можно построить нейронную сеть всего за четыре строки кода. В результате преподаватели могут пропустить некоторые основы классического машинного обучения в пользу более практических и сложных тем, особенно для студентов инженерных специальностей. Сторонник Qiskit Паван Джаясинха говорит, что он, возможно, никогда не узнал бы о более абстрактных свойствах генеративных моделей и о том, как они взаимодействуют с общим машинным обучением, если бы не его работа по созданию раздела о квантовых генеративных состязательных сетях в курсе QML.
Мы также обнаружили, что QML может стать отличной отправной точкой для людей с классическим опытом машинного обучения, которые хотят больше узнать о квантовых вычислениях. Благодаря повсеместному распространению классических приложений машинного обучения сообщество людей, обладающих этим опытом, стало довольно большим. Для тех, у кого есть классический опыт, квантовое машинное обучение может быть самым простым и естественным первым шагом к большему изучению квантовых вычислений.
Наша основная цель при создании этого курса — привлечь больше людей в исследовательское сообщество QML и пригласить их присоединиться к продолжающемуся поиску квантовых преимуществ. Вот почему мы структурировали курс, чтобы дать студентам общую основу для работы и размышлений о QML. После того, как студент завершил курс, он может начать думать, исследовать и проводить мозговой штурм для себя. Наша цель — дать возможность каждому попробовать свои силы в определении того, достижимо ли квантовое преимущество в машинном обучении. Это то, что так интересно в этой области: у каждого есть огромный потенциал, чтобы внести что-то значимое.
Благодарности
Большое спасибо всем, кто участвовал в этом проекте, в том числе Расселу Хаффману, Фрэнку Харкинсу, Грейс Линдсел, Грегорио Иньесте Овехеро, Оуэну Локвуду и Сетаре Дерахшанде из нашей команды дизайнеров и разработчиков. И спасибо Анне Фан, Кристе Зуфал, Павану Джаясинье, Альберто Мальдонадо, Антонио Макалузо и всем лекторам Глобальной летней школы Qiskit 2021 года за вклад в содержание курса.
