Если вы хотите изучить квантовое машинное обучение в 2025 году, эти пять репозиториев на GitHub помогут вам начать работу за несколько часов, а не месяцев.
Изображение предоставлено автором.
# Представляем квантовое машинное обучение
Квантовое машинное обучение объединяет идеи квантовых вычислений и машинного обучения. Многие исследователи изучают, как квантовые компьютеры могут помочь в решении задач машинного обучения. Для поддержки этой работы несколько проектов с открытым исходным кодом на GitHub делятся учебными ресурсами, примерами и кодом. Эти репозитории упрощают понимание основ и позволяют увидеть, как развивается эта область. В этой статье мы рассмотрим пять репозиториев, которые особенно полезны для изучения квантового машинного обучения и понимания текущего прогресса в этой области. Эти ресурсы предоставляют различные точки входа для разных стилей обучения.
# 1. Составление карты местности
Этот обширный список от awesome-quantum-machine-learning (⭐ 3,2 тыс.) служит своего рода «оглавлением» для этой области. Он охватывает основы, алгоритмы, учебные материалы, а также библиотеки и программное обеспечение. Он отлично подходит для начинающих, которые хотят увидеть все подтемы — такие как ядра, вариационные схемы или аппаратные ограничения — в одном месте. Распространяемый по лицензии CC0-1.0, он служит отправной точкой для всех, кто хочет изучить основы квантового машинного обучения.
# 2. Изучение исследований
Список рассылки awesome-quantum-ml (⭐ 407) меньше по размеру и больше ориентирован на качественные научные статьи и ключевые ресурсы по алгоритмам машинного обучения, работающим на квантовых устройствах. Он идеально подходит, если вы уже знакомы с основами этой области и хотите иметь список статей, обзоров и академических работ, объясняющих ключевые концепты, последние открытия и новые тенденции в применении методов квантовых вычислений к задачам машинного обучения. Проект также принимает вклад от сообщества посредством запросов на слияние (pull requests).
#3. Обучение на практике
В репозитории Hands-On-Quantum-Machine-Learning-With-Python-Vol-1 (⭐ 163) содержится код для книги Hands-On Quantum Machine Learning With Python (Vol 1). Он структурирован как учебный курс, позволяющий следовать главам, проводить эксперименты и настраивать параметры, чтобы увидеть, как ведут себя системы. Он идеально подходит для тех, кто предпочитает учиться на практике с помощью блокнотов и скриптов на Python .
# 4. Реализация проектов
Несмотря на свои небольшие размеры, репозиторий Quantum-Machine-Learning-on-Near-Term-Quantum-Devices (⭐ 25) обладает высокой практической ценностью. Он содержит проекты, ориентированные на квантовые устройства ближайшего будущего — то есть на современное шумное и ограниченное по количеству кубитов оборудование. Репозиторий включает такие проекты, как квантовые машины опорных векторов, квантовые сверточные нейронные сети и модели повторной загрузки данных для задач классификации. Он акцентирует внимание на реальных ограничениях, что полезно для наблюдения за тем, как работает квантовое машинное обучение на современном оборудовании.
# 5. Создание трубопроводов
Это полнофункциональная библиотека qiskit-machine-learning (⭐ 939), включающая квантовые ядра, квантовые нейронные сети, классификаторы и регрессоры. Она интегрируется с PyTorch через TorchConnector. Являясь частью экосистемы Qiskit , она поддерживается совместно IBM и Центром Хартри , входящим в состав Совета по науке и технологиям (STFC). Она идеально подходит, если вы хотите создавать надежные конвейеры квантового машинного обучения, а не просто изучать их.
# Разработка последовательности обучения
Эффективная последовательность обучения включает в себя начало с одного «замечательного» списка для составления карты пространства, использование списка, ориентированного на конкретные статьи, для углубления знаний, а затем чередование работы с блокнотами под руководством преподавателя и практических проектов на ближайшее будущее. Наконец, вы можете использовать библиотеку Qiskit в качестве основного инструментария для экспериментов, которые можно расширить до полноценных профессиональных рабочих процессов.
Канвал Мехрин — инженер по машинному обучению и технический писатель, глубоко увлеченная наукой о данных и взаимодействием ИИ с медициной. Она является соавтором электронной книги «Максимизация производительности с помощью ChatGPT». Как стипендиат программы Google Generation Scholar 2022 для Азиатско-Тихоокеанского региона, она выступает за разнообразие и академическое превосходство. Она также является стипендиатом программы Teradata Diversity in Tech Scholar, стипендиатом Mitacs Globalink Research Scholar и стипендиатом Harvard WeCode Scholar. Канвал — убежденная сторонница перемен, основавшая FEMCodes для расширения прав и возможностей женщин в областях STEM (наука, технология, инженерия и математика).
Источник: www.kdnuggets.com
