Το EITC/AI/TFQML TensorFlow Quantum Machine Learning είναι το ευρωπαϊκό πρόγραμμα πιστοποίησης πληροφορικής σχετικά με τη χρήση της βιβλιοθήκης Google TensorFlow Quantum για την εφαρμογή μηχανικής μάθησης στην αρχιτεκτονική του Google Quantum Processor Sycamore.
Το πρόγραμμα σπουδών της EITC/AI/TFQML TensorFlow Quantum Machine Learning εστιάζει στις θεωρητικές γνώσεις και τις πρακτικές δεξιότητες στη χρήση της βιβλιοθήκης TensorFlow Quantum της Google για προηγμένη κβαντική υπολογιστική εκμάθηση βασισμένη σε μοντέλα στην αρχιτεκτονική του Google Quantum Processor Sycamore που οργανώνεται στην ακόλουθη δομή, που περιλαμβάνει περιεκτικό βίντεο διδακτικό περιεχόμενο ως αναφορά για αυτήν την πιστοποίηση EITC.
Το TensorFlow Quantum (TFQ) είναι μια βιβλιοθήκη κβαντικής μηχανικής μάθησης για ταχεία πρότυπη δημιουργία υβριδικών κβαντικών κλασικών μοντέλων ML. Η έρευνα σε κβαντικούς αλγόριθμους και εφαρμογές μπορεί να αξιοποιήσει τα κβαντικά υπολογιστικά πλαίσια της Google, όλα μέσα από το TensorFlow.
Το TensorFlow Quantum εστιάζει στα κβαντικά δεδομένα και στη δημιουργία υβριδικών κβαντικών κλασικών μοντέλων. Ενσωματώνει αλγόριθμους και λογική κβαντικών υπολογιστών που έχουν σχεδιαστεί στο Cirq (πλαίσιο κβαντικού προγραμματισμού που βασίζεται σε μοντέλο κβαντικών κυκλωμάτων) και παρέχει πρωτόγοντα κβαντικών υπολογιστών συμβατά με υπάρχοντα API TensorFlow, μαζί με προσομοιωτές κβαντικών κυκλωμάτων υψηλής απόδοσης. Διαβάστε περισσότερα στη Λευκή Βίβλο TensorFlow Quantum.
Ο κβαντικός υπολογισμός είναι η χρήση κβαντικών φαινομένων όπως η υπέρθεση και η εμπλοκή για την εκτέλεση υπολογισμού. Οι υπολογιστές που εκτελούν κβαντικούς υπολογισμούς είναι γνωστοί ως κβαντικοί υπολογιστές. Οι κβαντικοί υπολογιστές πιστεύεται ότι είναι σε θέση να λύσουν ορισμένα υπολογιστικά προβλήματα, όπως ακέραιος παραγοντοποίηση (ο οποίος βασίζεται στην κρυπτογράφηση RSA), πολύ ταχύτερος από τους κλασικούς υπολογιστές. Η μελέτη της κβαντικής πληροφορικής είναι ένα υποπεδίο της κβαντικής πληροφορικής.
Η κβαντική υπολογιστική ξεκίνησε στις αρχές της δεκαετίας του 1980, όταν ο φυσικός Paul Benioff πρότεινε ένα κβαντικό μηχανικό μοντέλο της μηχανής Turing. Ο Richard Feynman και ο Yuri Manin αργότερα πρότειναν ότι ένας κβαντικός υπολογιστής είχε τη δυνατότητα να προσομοιώσει πράγματα που ένας κλασικός υπολογιστής δεν μπορούσε. Το 1994, ο Peter Shor ανέπτυξε έναν κβαντικό αλγόριθμο για factoring ακέραιους αριθμούς που είχαν τη δυνατότητα να αποκρυπτογραφήσουν κρυπτογραφημένες επικοινωνίες RSA. Παρά τη συνεχιζόμενη πειραματική πρόοδο από τα τέλη της δεκαετίας του 1990, οι περισσότεροι ερευνητές πιστεύουν ότι «το κβαντικό υπολογιστικό ανεκτικό σε σφάλματα εξακολουθεί να είναι ένα αρκετά μακρινό όνειρο» Τα τελευταία χρόνια, οι επενδύσεις στην έρευνα κβαντικών υπολογιστών αυξήθηκαν τόσο στον δημόσιο όσο και στον ιδιωτικό τομέα. Στις 23 Οκτωβρίου 2019, η Google AI, σε συνεργασία με την Εθνική Υπηρεσία Αεροναυτικής και Διαστήματος των ΗΠΑ (NASA), ισχυρίστηκε ότι πραγματοποίησε έναν κβαντικό υπολογισμό που είναι ανέφικτος σε οποιονδήποτε κλασικό υπολογιστή (το λεγόμενο αποτέλεσμα κβαντικής υπεροχής).
Υπάρχουν πολλά μοντέλα κβαντικών υπολογιστών (ή μάλλον, κβαντικά υπολογιστικά συστήματα), όπως το κβαντικό μοντέλο κυκλώματος, η κβαντική μηχανή Turing, ο αδιαβατικός κβαντικός υπολογιστής, ο μονόδρομος κβαντικός υπολογιστής και διάφορα κβαντικά κυψελοειδή αυτόματα. Το πιο διαδεδομένο μοντέλο είναι το κβαντικό κύκλωμα. Τα κβαντικά κυκλώματα βασίζονται στο κβαντικό bit, ή "qubit", το οποίο είναι κάπως ανάλογο με το bit στον κλασικό υπολογισμό. Τα Qubits μπορούν να βρίσκονται σε κβαντική κατάσταση 1 ή 0 ή μπορεί να βρίσκονται σε υπέρθεση των καταστάσεων 1 και 0. Ωστόσο, όταν μετρούνται τα qubits, το αποτέλεσμα της μέτρησης είναι πάντα 0 ή 1. Οι πιθανότητες αυτών των δύο αποτελεσμάτων εξαρτώνται από την κβαντική κατάσταση στην οποία τα qubits ήταν αμέσως πριν από τη μέτρηση.
Η πρόοδος στην οικοδόμηση ενός φυσικού κβαντικού υπολογιστή επικεντρώνεται σε τεχνολογίες όπως πομπό, ιόντα παγίδες και τοπολογικούς κβαντικούς υπολογιστές, που στοχεύουν στη δημιουργία υψηλής ποιότητας qubits. Αυτά τα qubits μπορεί να σχεδιαστούν διαφορετικά, ανάλογα με το μοντέλο του πλήρους κβαντικού υπολογιστή, είτε οι κβαντικές λογικές πύλες, η κβαντική ανόπτηση, είτε ο αδιαβατικός κβαντικός υπολογισμός. Υπάρχουν επί του παρόντος ορισμένα σημαντικά εμπόδια στον τρόπο κατασκευής χρήσιμων κβαντικών υπολογιστών. Συγκεκριμένα, είναι δύσκολο να διατηρηθούν οι κβαντικές καταστάσεις των qubits καθώς πάσχουν από κβαντική αποκρυπτογράφηση και πίστη της κατάστασης. Επομένως, οι κβαντικοί υπολογιστές απαιτούν διόρθωση σφαλμάτων. Οποιοδήποτε υπολογιστικό πρόβλημα που μπορεί να λυθεί από έναν κλασικό υπολογιστή μπορεί επίσης να λυθεί με έναν κβαντικό υπολογιστή. Αντίθετα, οποιοδήποτε πρόβλημα μπορεί να λυθεί από έναν κβαντικό υπολογιστή μπορεί επίσης να λυθεί από έναν κλασικό υπολογιστή, τουλάχιστον κατ 'αρχήν δεδομένου του αρκετού χρόνου. Με άλλα λόγια, οι κβαντικοί υπολογιστές υπακούουν στη διατριβή Church-Turing. Αν και αυτό σημαίνει ότι οι κβαντικοί υπολογιστές δεν παρέχουν επιπλέον πλεονεκτήματα σε σχέση με τους κλασικούς υπολογιστές όσον αφορά τη δυνατότητα υπολογισμού, οι κβαντικοί αλγόριθμοι για ορισμένα προβλήματα έχουν σημαντικά χαμηλότερες χρονικές περιπλοκές από τους αντίστοιχους γνωστούς κλασικούς αλγόριθμους. Συγκεκριμένα, οι κβαντικοί υπολογιστές πιστεύεται ότι μπορούν να λύσουν γρήγορα ορισμένα προβλήματα που κανένας κλασικός υπολογιστής δεν μπορούσε να λύσει σε οποιοδήποτε εφικτό χρονικό διάστημα - ένα επίτευγμα γνωστό ως «κβαντική υπεροχή» Η μελέτη της υπολογιστικής πολυπλοκότητας των προβλημάτων σε σχέση με τους κβαντικούς υπολογιστές είναι γνωστή ως θεωρία κβαντικής πολυπλοκότητας.
Το Google Sycamore είναι ένας κβαντικός επεξεργαστής που δημιουργήθηκε από το τμήμα Τεχνητής Νοημοσύνης της Google Inc. Περιλαμβάνει 53 qubit.
Το 2019, η Sycamore ολοκλήρωσε μια εργασία σε 200 δευτερόλεπτα που η Google ισχυρίστηκε, σε μια εφημερίδα Nature, θα χρειαζόταν έναν υπερσύγχρονο υπερ-υπολογιστή 10,000 χρόνια για να ολοκληρωθεί. Έτσι, η Google ισχυρίστηκε ότι πέτυχε κβαντική υπεροχή. Για να εκτιμήσει το χρόνο που θα χρειαζόταν ένας κλασικός υπερυπολογιστής, η Google πραγματοποίησε τμήματα της προσομοίωσης κβαντικών κυκλωμάτων στη Σύνοδο Κορυφής, τον πιο ισχυρό κλασικό υπολογιστή στον κόσμο. Αργότερα, η IBM έκανε ένα αντεπιχείρημα, υποστηρίζοντας ότι η εργασία θα διαρκούσε μόνο 2.5 ημέρες σε ένα κλασικό σύστημα όπως το Summit. Εάν οι ισχυρισμοί της Google γίνονται δεκτές, τότε θα αποτελούσε εκθετικό άλμα στην υπολογιστική ισχύ.
Τον Αύγουστο του 2020 οι κβαντικοί μηχανικοί που εργάζονταν για την Google ανέφεραν τη μεγαλύτερη χημική προσομοίωση σε έναν κβαντικό υπολογιστή - μια προσέγγιση Hartree-Fock με τη Sycamore σε συνδυασμό με έναν κλασικό υπολογιστή που ανέλυσε τα αποτελέσματα για να παρέχει νέες παραμέτρους για το σύστημα 12-qubit.
Τον Δεκέμβριο του 2020, ο Κινέζος επεξεργαστής Jiuzhang που βασίστηκε σε φωτονία, που αναπτύχθηκε από την USTC, πέτυχε ισχύ επεξεργασίας 76 qubit και ήταν 10 δισεκατομμύρια φορές ταχύτερος από τον Sycamore, καθιστώντας τον δεύτερο υπολογιστή που κατέκτησε την κβαντική υπεροχή.
Το Quantum Artificial Intelligence Lab (ονομάζεται επίσης Quantum AI Lab ή QuAIL) είναι μια κοινή πρωτοβουλία της NASA, του Πανεπιστημίου Space Research Association και της Google (συγκεκριμένα της Google Research) με στόχο την πρωτοποριακή έρευνα σχετικά με το πώς μπορεί να βοηθήσει η κβαντική πληροφορική στη μηχανική μάθηση και άλλα δύσκολα προβλήματα επιστήμης των υπολογιστών. Το εργαστήριο φιλοξενείται στο Κέντρο Έρευνας Ames της NASA.
Το Quantum AI Lab ανακοινώθηκε από την Google Research σε μια δημοσίευση ιστολογίου στις 16 Μαΐου 2013. Τη στιγμή της έναρξης, το Lab χρησιμοποιούσε τον πιο προηγμένο εμπορικά διαθέσιμο κβαντικό υπολογιστή, το D-Wave Two από την D-Wave Systems
Στις 20 Μαΐου 2013, ανακοινώθηκε ότι οι χρήστες θα μπορούσαν να κάνουν αίτηση για χρήση χρόνου στο D-Wave Two στο εργαστήριο. Στις 10 Οκτωβρίου 2013, η Google κυκλοφόρησε μια ταινία μικρού μήκους που περιγράφει την τρέχουσα κατάσταση του Quantum AI Lab. Στις 18 Οκτωβρίου 2013, η Google ανακοίνωσε ότι είχε ενσωματώσει την κβαντική φυσική στο Minecraft.
Τον Ιανουάριο του 2014, η Google ανέφερε αποτελέσματα συγκρίνοντας την απόδοση του D-Wave Two στο εργαστήριο με εκείνο των κλασικών υπολογιστών. Τα αποτελέσματα ήταν διφορούμενα και προκάλεσαν έντονη συζήτηση στο Διαδίκτυο. Στις 2 Σεπτεμβρίου 2014, ανακοινώθηκε ότι το Quantum AI Lab, σε συνεργασία με την UC Santa Barbara, θα ξεκινήσει μια πρωτοβουλία για τη δημιουργία κβαντικών επεξεργαστών πληροφοριών που βασίζονται σε υπεραγώγιμα ηλεκτρονικά.
Στις 23 Οκτωβρίου 2019, το Quantum AI Lab ανακοίνωσε σε μια εφημερίδα ότι είχε επιτύχει την κβαντική υπεροχή.
Το Google AI Quantum προωθεί την κβαντική πληροφορική αναπτύσσοντας κβαντικούς επεξεργαστές και νέους κβαντικούς αλγόριθμους για να βοηθήσει τους ερευνητές και τους προγραμματιστές να λύσουν βραχυπρόθεσμα προβλήματα τόσο θεωρητικά όσο και πρακτικά.
Η κβαντική πληροφορική θεωρείται ότι βοηθά στην ανάπτυξη των καινοτομιών του αύριο, συμπεριλαμβανομένης της τεχνητής νοημοσύνης. Γι 'αυτό η Google δεσμεύει σημαντικούς πόρους για τη δημιουργία αποκλειστικού κβαντικού υλικού και λογισμικού.
Η κβαντική υπολογιστική είναι ένα νέο παράδειγμα που θα διαδραματίσει μεγάλο ρόλο στην επιτάχυνση των εργασιών για AI. Η Google στοχεύει να προσφέρει στους ερευνητές και στους προγραμματιστές πρόσβαση σε πλαίσια ανοιχτού κώδικα και υπολογιστική ισχύ που μπορούν να λειτουργούν πέρα από τις κλασικές δυνατότητες υπολογισμού.
Οι κύριοι τομείς εστίασης του Google AI Quantum είναι
- Επεξεργαστές υπεραγωγών qubit: Υπεραγώγιμα qubit με επεκτάσιμη αρχιτεκτονική βασισμένη σε chip που στοχεύει σφάλμα πύλης δύο qubit <0.5%.
- Μετρολογία Qubit: Η μείωση της απώλειας δύο qubit κάτω από 0.2% είναι κρίσιμη για τη διόρθωση σφαλμάτων. Εργαζόμαστε σε ένα πείραμα κβαντικής υπεροχής, για να δείξουμε περίπου ένα κβαντικό κύκλωμα πέρα από τις δυνατότητες των προηγμένων κλασικών υπολογιστών και αλγορίθμων.
- Κβαντική προσομοίωση: Η προσομοίωση φυσικών συστημάτων είναι από τις πιο αναμενόμενες εφαρμογές της κβαντικής πληροφορικής. Εστιάζουμε ιδιαίτερα σε κβαντικούς αλγόριθμους για μοντελοποίηση συστημάτων αλληλεπίδρασης ηλεκτρονίων με εφαρμογές στη χημεία και την επιστήμη υλικών.
- Κβαντική υποβοηθούμενη βελτιστοποίηση: Αναπτύσσουμε υβριδικούς κβαντικούς κλασικούς διαλύτες για κατά προσέγγιση βελτιστοποίηση. Τα θερμικά άλματα σε κλασικούς αλγόριθμους για την υπέρβαση των ενεργειακών φραγμών θα μπορούσαν να ενισχυθούν με την επίκληση κβαντικών ενημερώσεων. Μας ενδιαφέρει ιδιαίτερα η συνεκτική μεταφορά πληθυσμού.
- Κβαντικά νευρικά δίκτυα: Αναπτύσσουμε ένα πλαίσιο για την εφαρμογή ενός κβαντικού νευρικού δικτύου σε βραχυπρόθεσμους επεξεργαστές. Μας ενδιαφέρει να κατανοήσουμε ποια πλεονεκτήματα μπορεί να προκύψουν από τη δημιουργία μαζικών καταστάσεων υπέρθεσης κατά τη λειτουργία του δικτύου.
Τα κύρια εργαλεία που αναπτύχθηκαν από το Google AI Quantum είναι πλαίσια ανοιχτού κώδικα ειδικά σχεδιασμένα για την ανάπτυξη νέων κβαντικών αλγορίθμων για την επίλυση βραχυπρόθεσμων εφαρμογών για πρακτικά προβλήματα. Αυτά περιλαμβάνουν:
- Cirq: ένα κβαντικό πλαίσιο ανοιχτού κώδικα για την κατασκευή και τον πειραματισμό με θορυβώδεις αλγόριθμους κβαντικής ενδιάμεσης κλίμακας (NISQ) σε βραχυπρόθεσμους κβαντικούς επεξεργαστές
- OpenFermion: μια πλατφόρμα ανοιχτού κώδικα για τη μετάφραση προβλημάτων στη χημεία και την επιστήμη υλικών σε κβαντικά κυκλώματα που μπορούν να εκτελεστούν σε υπάρχουσες πλατφόρμες
Οι βραχυπρόθεσμες εφαρμογές του Google AI Quantum περιλαμβάνουν:
Κβαντική προσομοίωση
Ο σχεδιασμός νέων υλικών και η διασαφήνιση της σύνθετης φυσικής μέσω ακριβών προσομοιώσεων χημείας και μοντέλων συμπυκνωμένης ύλης είναι από τις πιο ελπιδοφόρες εφαρμογές της κβαντικής πληροφορικής.
Τεχνικές μετριασμού σφαλμάτων
Εργαζόμαστε για την ανάπτυξη μεθόδων στο δρόμο για πλήρη διόρθωση κβαντικών σφαλμάτων που έχουν τη δυνατότητα να μειώσουν δραματικά τον θόρυβο στις τρέχουσες συσκευές. Ενώ η κβαντική υπολογιστική αντοχής σε σφάλματα πλήρους κλίμακας μπορεί να απαιτεί σημαντικές εξελίξεις, έχουμε αναπτύξει την τεχνική επέκτασης κβαντικού υποδιαστήματος για να βοηθήσουμε στη χρήση τεχνικών από τη διόρθωση κβαντικών σφαλμάτων για τη βελτίωση της απόδοσης εφαρμογών σε βραχυπρόθεσμες συσκευές. Επιπλέον, αυτές οι τεχνικές διευκολύνουν τον έλεγχο πολύπλοκων κβαντικών κωδικών σε βραχυπρόθεσμες συσκευές. Προωθούμε ενεργά αυτές τις τεχνικές σε νέους τομείς και αξιοποιώντας τις ως βάση για τον σχεδιασμό βραχυπρόθεσμων πειραμάτων.
Κβαντική μηχανική εκμάθηση
Αναπτύσσουμε υβριδικές κβαντικές κλασικές τεχνικές μηχανικής μάθησης σε κοντινές κβαντικές συσκευές. Μελετάμε την καθολική μάθηση κβαντικών κυκλωμάτων για ταξινόμηση και ομαδοποίηση κβαντικών και κλασικών δεδομένων. Μας ενδιαφέρει επίσης γενετικά και διακριτικά κβαντικά νευρικά δίκτυα, τα οποία θα μπορούσαν να χρησιμοποιηθούν ως κβαντικοί επαναλήπτες και μονάδες καθαρισμού κατάστασης σε κβαντικά δίκτυα επικοινωνίας ή για επαλήθευση άλλων κβαντικών κυκλωμάτων.
Κβαντική βελτιστοποίηση
Οι συγκεκριμένες βελτιστοποιήσεις στην αεροδιαστημική, την αυτοκινητοβιομηχανία και άλλες βιομηχανίες μπορεί να επωφεληθούν από την υβριδική κβαντική κλασική βελτιστοποίηση, για παράδειγμα προσομοιωμένη ανόπτηση, αλγόριθμος κβαντικής υποβοήθησης βελτιστοποίησης (QAOA) και κβαντική βελτιωμένη μεταφορά πληθυσμού μπορεί να έχει χρησιμότητα με τους σημερινούς επεξεργαστές.
Για να εξοικειωθείτε λεπτομερώς με το πρόγραμμα σπουδών πιστοποίησης, μπορείτε να επεκτείνετε και να αναλύσετε τον παρακάτω πίνακα.
Το Πρόγραμμα Σπουδών Πιστοποίησης Κβαντικής Μηχανικής Μάθησης EITC/AI/TFQML TensorFlow παραπέμπει σε διδακτικό υλικό ανοιχτής πρόσβασης σε μορφή βίντεο. Η μαθησιακή διαδικασία χωρίζεται σε μια δομή βήμα προς βήμα (προγράμματα -> μαθήματα -> θέματα) που καλύπτει σχετικά μέρη του προγράμματος σπουδών. Παρέχονται επίσης απεριόριστες συμβουλές με ειδικούς στον τομέα.
Για λεπτομέρειες σχετικά με τη διαδικασία πιστοποίησης ελέγξτε Πως δουλεύει.
Πόροι αναφοράς του προγράμματος σπουδών
Το TensorFlow Quantum (TFQ) είναι μια βιβλιοθήκη κβαντικής μηχανικής εκμάθησης για γρήγορο πρωτότυπο υβριδικών κβαντικών κλασικών μοντέλων ML. Η έρευνα σε κβαντικούς αλγόριθμους και εφαρμογές μπορεί να αξιοποιήσει τα κβαντικά υπολογιστικά πλαίσια της Google, όλα μέσα από το TensorFlow. Το TensorFlow Quantum εστιάζει στα κβαντικά δεδομένα και στη δημιουργία υβριδικών κβαντικών κλασικών μοντέλων. Ενσωματώνει αλγόριθμους και λογική κβαντικών υπολογιστών που έχουν σχεδιαστεί στο Cirq και παρέχει πρωτόγοντα κβαντικών υπολογιστών συμβατά με υπάρχοντα API TensorFlow, μαζί με προσομοιωτές κβαντικών κυκλωμάτων υψηλής απόδοσης. Διαβάστε περισσότερα στη Λευκή Βίβλο TensorFlow Quantum. Ως πρόσθετη αναφορά, μπορείτε να δείτε την επισκόπηση και να εκτελέσετε τα μαθήματα του σημειωματάριου.
https://www.tensorflow.org/quantum
cirq
Το Cirq είναι ένα πλαίσιο ανοιχτού κώδικα για υπολογιστές Noisy Intermediate Scale Quantum (NISQ). Αναπτύχθηκε από την Google AI Quantum Team και το δημόσιο άλφα ανακοινώθηκε στο International Workshop on Quantum Software and Quantum Machine Learning στις 18 Ιουλίου 2018. Μια επίδειξη από την QC Ware έδειξε μια εφαρμογή του QAOA επιλύοντας ένα παράδειγμα της μέγιστης περικοπής πρόβλημα που επιλύεται σε προσομοιωτή Cirq. Τα κβαντικά προγράμματα στο Cirq αντιπροσωπεύονται από "Circuit" και "Schedule" όπου το "Circuit" αντιπροσωπεύει ένα Quantum κύκλωμα και το "Schedule" αντιπροσωπεύει ένα Quantum κύκλωμα με πληροφορίες χρονισμού. Τα προγράμματα μπορούν να εκτελεστούν σε τοπικούς προσομοιωτές. Το ακόλουθο παράδειγμα δείχνει πώς να δημιουργήσετε και να μετρήσετε μια κατάσταση Bell στο Cirq.
εισαγωγή cirq
# Διαλέξτε qubits
qubit0 = cirq.GridQubit(0, 0)
qubit1 = cirq.GridQubit(0, 1)
# Δημιουργήστε ένα κύκλωμα
κύκλωμα = cirq.Κύκλωμα.από_ops(
cirq.H(qubit0),
cirq.CNOT(qubit0, qubit1),
cirq.μέτρο(qubit0, κλειδί=«m0»),
cirq.μέτρο(qubit1, κλειδί=«m1»)
)
Η εκτύπωση του κυκλώματος εμφανίζει το διάγραμμα του
αποτύπωμα(κύκλωμα)
# εκτυπώσεις
# (0, 0): ───H─── @ ───M ('m0') ───
# │
# (0, 1): ───────X───M ('m1') ───
Η προσομοίωση του κυκλώματος δείχνει επανειλημμένα ότι οι μετρήσεις των qubits συσχετίζονται.
προσομοιωτής = cirq.Προσομοιωτής()
αποτέλεσμα = προσομοιωτής.τρέξιμο(κύκλωμα, πρόβες=5)
αποτύπωμα(αποτέλεσμα)
# εκτυπώσεις
# m0 = 11010
# m1 = 11010
Κατεβάστε το πλήρες προπαρασκευαστικό υλικό αυτομάθησης εκτός σύνδεσης για το πρόγραμμα EITC/AI/TFQML TensorFlow Quantum Machine Learning σε αρχείο PDF
Προπαρασκευαστικά υλικά EITC/AI/TFQML – τυπική έκδοση
Προπαρασκευαστικό υλικό EITC/AI/TFQML – εκτεταμένη έκδοση με ερωτήσεις αξιολόγησης