آنچه که شما برای شروع به یادگیری ماشین کوانتوم نیاز دارید.

شکل ۱. تصویر از فرانک زیکرت که با الهام از «سیمپسون‌ها» طراحی شده است.
شکل ۱. تصویر از فرانک زیکرت که با الهام از «سیمپسون‌ها» طراحی شده است.
منتشر‌شده در : towardsdatascience به تاریخ ۱۹ آوریل ۲۰۲۱
لینک منبع: What You Need To Get Started With Quantum Machine Learning

چیزی که برای شروع کار با یادگیری ماشین کوانتوم نیاز دارید، مدرک فیزیک نیست، بلکه یک معلم است که می‌تواند به سادگی آن را توضیح دهد! این هدف یادگیری ماشین کوانتومی با پایتون است. یادگیری ماشین کوانتومی با استفاده از محاسبات کوانتومی برای حل مشکلات یادگیری ماشین است.

کمی شبیه علم موشک به نظر می‌رسد. واقعا همین طور است!

علم موشک عبارتی است که به طور گسترده برای مسائلی که از نظر فکری دشوار است، به کار می‌رود. چیزی خارج از متوسط توانایی‌های کلیتوس.

اما تنها واقعیتی که شما با آن مواجه شده‌اید به من اجازه می‌دهد تا با خیال راحت فرض کنم که شما پیش‌نیازهای فکری لازم برای ورود به این حوزه را به همراه دارید. برخی از الگوریتم‌های هوشمند موضوعاتی که به آن‌ها علاقه دارید را ارزیابی کرده‌اند و به این نتیجه رسیده‌اند که این پست ممکن است مناسب باشد. اما همچنین، شما خودتان انتخاب کرده‌اید. اگر یادگیری محاسبات کوانتومی، یادگیری ماشینی، یا یادگیری ماشینی کوانتومی را نسنجیده بودید، تصمیم نمی‌گرفتید که به این پست نگاه کنید. کاری که اگر به اندازه کافی باهوش نبودید، نمی‌توانستید آن را انجام دهید.

ممکن است به مطالعه مقاله رایانه‌های کوانتومی در مقابل رایانه‌های احتمالی علاقمند باشید.

ما در زمانی زندگی می‌کنیم که دانش و آموزش به گروه کوچکی از افراد ممتاز محدود نمی‌شود. شما می‌توانید آخرین تحقیقات مربوط به یادگیری ماشینی کوانتومی را از اینترنت دریافت کنید. مقالات علمی زیادی در مورد Arxiv وجود دارد. کتاب‌های زیادی در مورد یادگیری ماشین و برخی در مورد محاسبات کوانتومی و، هزاران پست و وبلاگ وجود دارد.

مسئله این است که مقالات مربوط به محاسبات کوانتومی پر از اصطلاحات فیزیکی و فرمول‌های ریاضی است. خیلی زود ممکن است احساس کنید که موضوع فقط به ریاضی‌دانان و فیزیک‌دان‌هایی که دکترای خود را دارند محدود شده ‌است.

یک نمونه مثالی که در این رابطه می‌توان بیان کرد: VQE می‌تواند به ما در برآورد انرژی حالت پایه یک سیستم مکانیک کوانتومی معین کمک کند. این کران بالای، کم‌ترین مقدار یک هامیلتونین معین است.

که بر اساس اصل تغییرات ایجاد می شود که به شرح زیر است:

⟨ψλ|H|ψλ⟩>=E0

اگر مدرک فیزیک ندارید اولین واکنش طبیعی کنار گذاشتن مقاله است. بسیار تلاش خوبی بود. فکر می‌کنید شاید کل مباحٍث برای شما نباشد. «شاید یادگیری ماشین کوانتومی فراتر از توانایی شما باشد.» سریع تسلیم نشوید.

بیشتر موضوعات در محاسبات کوانتومی توسط فیزیک‌دانان و ریاضی‌دانان کشف شده است. البته، آن‌ها بر اساس دانش همسالان خود، دیدگاه‌های خود را به اشتراک می‌گذارند و به دانش‌آموزان خود آموزش می‌دهند. منطقی است که آنها از اصطلاحاتی که با آنها آشنا هستند استفاده می‌کنند.

شما هم از واژگان یک متصدی بار برای توضیح برنامه‌نویسی و یادگیری ماشین استفاده نمی‌کنید، این طور نیست؟ منطقی است که وقتی در مورد چیزی صحبت می‌کنیم یا می‌نویسیم ، نوع خاصی از دانش را فرض کنیم. اما آیا ما باید دانشجویان سایر رشته‌های مشابه را از یادگیری مطالب منع کنیم؟ چرا ما نباید از یک دانشمند کامپیوتر یا یک مهندس نرم‌افزار در یادگیری محاسبات کوانتومی پشتیبانی کنیم؟

من نظر واضحی دارم. من معتقدم که هر کسی که صادقانه به یادگیری ماشین کوانتومی علاقه دارد باید قادر به یادگیری آن باشد. باید منابعی وجود داشته باشد که نیازهای دانش‌آموز را تامین کند، نه برای راحتی معلم. البته، این به یک معلم نیاز دارد که قادر به توضیح چیزهای پیچیده به زبان ساده باشد.

مطالعه مقاله محاسبات کوانتومی و یادگیری تقویتی به نیروها ملحق می‌شوند تا AI سریعتری را ایجاد کنند. توصیه می‌شود.
شکل ۲. البرت انیشتین
شکل ۲. البرت انیشتین

«اگر نمی‌توانید به سادگی آن را توضیح دهید، به اندازه کافی آن را درک نمی‌کنید.»-آلبرت انیشتین

من باور ندارم که هیچ‌کس (از جمله خود من) واقعا بفهمد که یک کامپیوتر کلاسیک چطور کار می‌کند. با این حال، همه ما از آن‌ها استفاده می‌کنیم. ما حتی آن‌ها را برنامه‌نویسی می‌کنیم! من یاد گرفتم چگونه یک کامپیوتر کلاسیک را کد‌گذاری کنم چون معلم‌هایم آن را طوری برای من توضیح دادند که من قادر به درک آن بودم.

معلم دبیرستان من مفاهیم انواع داده‌ها و الگوریتم‌ها را به شیوه‌ای کاربردی توضیح داد. او به من یاد داد که آن‌ها چگونه کار می‌کنند و برای چه چیزی خوب هستند. با اینکه -یا شاید به این دلیل که- ما از مدارهای الکترومکانیکی و نظریه اطلاعات عبور نکردیم، من توانستم یاد بگیرم که برنامه‌نویسی کنم.

نتیجه‌گیری

البته، درک نظریه بنیادین مکانیک کوانتومی مطلوب است. البته، مطلوب است که بتوانید ریاضیات را انجام دهید. اما مهم‌تر از آن، شما باید درک کنید که چگونه یک مشکل خاص را حل کنید.

اساسا، در محاسبات کوانتومی، ما از انطباقات کوانتومی، گره‌خوردگی و تداخل برای حل وظایف استفاده می‌کنیم. اینها پدیده‌های شگفت‌انگیز و شاید ضد‌بصری هستند. اما مهم نیست که چقدر عجیب و غریب به نظر می‌رسند، سیستم‌های مکانیک کوانتومی به مجموعه خاصی از قوانین فیزیکی پایبند هستند. و این قوانین باعث می‌شوند که سیستم‌ها به روش‌های خاصی رفتار کنند.

یادگیری این قوانین سخت‌تر از یادگیری یک زبان برنامه‌نویسی جدید نیست - زمانی که در متن درست قرار داده می‌شود و زمانی که به صورت مفهومی توضیح داده می‌شود. من واقعا توسعه‌دهندگان، برنامه‌نویسان و دانشجویانی را باور دارم که حداقل برخی تجربیات برنامه‌نویسی دارند و می‌توانند در یادگیری ماشین کوانتومی مهارت پیدا کنند.

آنچه برای شروع کار با یادگیری ماشین کوانتوم نیاز دارید مدرک فیزیک یا ریاضی نیست. بلکه یک معلم است که می‌تواند آن را به زبان ساده توضیح دهد! جرات نمی‌کنم بگویم که من یادگیری ماشین کوانتومی را به اندازه کافی خوب درک کرده بودم تا بتوانم آن را با استفاده از واژگان متصدی بار توضیح دهم. اما من می‌خواهم یک توضیح در مورد آن به یک دانشمند کامپیوتر و یک مهندس نرم‌افزار بدهم. من دلیلی نمی‌بینم که این رشته را فقط به ریاضی‌دانان و فیزیک‌دان‌ها محدود کنم.

من در پست خود «برنامه‌نویسی کوانتوم-برای غیر‌ریاضی‌دانان» نشان دادم که چگونه احتمال مشترک دو احتمال را با Qiskit محاسبه کنم-کوانتوم SDK از IBM. برای پیروی از آن نیازی نیست که همه نظریه‌ها را بدانید. در "آیا با انطباق کوانتوم بحث می‌کنید؟"، من یک مقدمه عملی در مورد محاسبات کوانتومی ارائه می‌دهم.

این دو پست تنها گزیده‌ای از چیزی هستند که در یادگیری ماشین کوانتومی دستی با پایتون وجود دارد.

شکل ۳. یادگیری ماشین کوانتومی با پایتون
شکل ۳. یادگیری ماشین کوانتومی با پایتون

چه شما به عنوان تازه‌کار محاسبات کوانتومی و یادگیری ماشین را شروع کنید یا اینکه یک مهندس ارشد یادگیری ماشین هستید، یادگیری ماشین کوانتومی دستی با پایتون راهنمای جامع شما برای شروع با یادگیری ماشین کوانتومی است - استفاده از محاسبات کوانتومی برای محاسبه الگوریتم‌های یادگیری ماشین.

این متن با استفاده از ربات ترجمه مقالات کوانتوم ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است. در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.
مقالات لینک‌شده در این متن می‌توانند به صورت رایگان با استفاده از مقاله‌خوان ترجمیار به فارسی مطالعه شوند.