課程簡介

量子-AI集成簡介

  • 混合量子-經典智能的動機
  • 關鍵機遇和當前技術障礙
  • Google Willow在量子-AI領域的定位

Google Willow架構與能力

  • 系統概覽與工具鏈結構
  • 支持的量子操作與功能集
  • 用於高級實驗的API

混合量子-經典模型

  • 量子與經典組件之間的任務分配
  • 量子增強學習的數據編碼策略
  • 狀態準備與測量工作流程

量子機器學習算法

  • 用於AI任務的變分量子電路
  • 量子核與特徵映射
  • 混合模型的優化循環

使用Willow構建量子-AI管道

  • 端到端開發混合模型
  • 將Willow與TensorFlow Quantum結合
  • 測試與驗證量子-AI原型

性能優化與資源管理

  • 噪聲感知的AI模型開發
  • 管理混合系統中的計算約束
  • 量子-AI性能基準測試

應用與新興用例

  • 量子增強的數據分析
  • 量子加速的AI驅動優化
  • 跨行業的採用潛力

量子-AI融合的未來趨勢

  • 大規模量子-AI系統的路線圖
  • 架構進步與硬件演進
  • 塑造量子-AI前沿的研究方向

總結與下一步

最低要求

  • 瞭解量子計算概念
  • 有使用機器學習框架的經驗
  • 熟悉混合量子-經典工作流程

受衆

  • AI工程師
  • 機器學習專家
  • 量子計算研究人員
 21 時間:

客戶評論 (1)

課程分類