Você não sabe o que é computação quântica e quer conhecer mais?

Segue um podcast, com o bom professor Alexandre Ramos, Doutor em Física da USP. Uma explicação didática e boas reflexões sobre o que vem acontecendo no ecossistema brasileiro do tema.

https://www.vidamoderna.com.br/podcast-computacao-quantica-ja-e-realidade-e-busca-por-engenheiros-e-cientistas-qualificados/?fbclid=IwAR3_WJPWnjf5PK9AaeaCu98tMrOe8eOb6MQgV07lW7J0bn4kDgCRlj0DYrQ

Fui citado no minuto 25, pelos trabalhos de #quantumcomputing que viemos conduzindo na indústria de papel e celulose, e apresentado recentemente no The Developers Conference 2022.

Os atuais investimentos mundiais no tema chegam a quase US$ 30 bilhões e o mercado global de tecnologia quântica está projetado para atingir US$ 42 bilhões até 2027.

Mais do que isso, é um possível caminho para continuar a evolução exponencial da computação.

My project in the Qiskit Mentorship Program 2022

At last, I finished my project, “VQE optimization with dynamic shot scheduling”, in the Qiskit Mentorship Program 2022!

Here, some conclusions and tips for those who want to learn a lot in the raising field of Quantum Computing.

What is Qiskit and what is the Advocate Program?

Qiskit is the IBM programming language for Quantum Computing.

The Qiskit Mentorship Program is an initiative of IBM, to match Qiskit Advocates enthusiasts and IBM Quantum specialists, to increase contributions / participation in this small community of aficionados.

It is a great chance to learn a bit more about Quantum Computing, also to do a small contribution to the community.

About the prerequisites:

A prerequisite is to be a Qiskit Advocate. To be an advocate, the first step is to pass a test on Qiskit language, the IBM Certified Associate Developer. It also requires contributions in this field (a paper, or articles).

After that, you can apply to the Qiskit Advocate program. There is a yearly process to that. Once approved, you will be part of an exclusive group, and eligible to the Mentorship Program.

About the mentorship program and timeline of the project

There are two mentorship programs per year.

My application began in February 2022, with a list of projects suggested by mentors and necessary skills.

There are several themes, including tutorials, optimization, quantum machine learning and so on. The advocates can candidate to work in the projects, and, if they are accepted, the match is made. It is possible to have groups of advocates working together in the project.

A list of projects for QAMP can be consulted at [1].

From official kickoff to final showcase, we have three months to deliver the project, with the help of the mentor. In my case, my mentor was Julien Gacon, from Germany, currently working at IBM Swiss.

There are two intermediary checkpoints, first a kick meeting to show the status of the works, and the second, a written report.

I did a weekly meeting with the mentor, using Zoom. Besides, chat and exchange of information via Slack platform. In today’s world, we have several tools that makes it very easy to work with anyone around the world.

About the project: “VQE optimization with dynamic shot scheduling”

Despite the confusing name, the idea is not so strange for those who know a bit of optimization.

Let’s go bit by bit (or qubit by qubit).

In current near term quantum era, variational algorithms (like VQE — Variational Quantum Eigensolver) can be very useful. Those are hybrid classical-quantum: one part of the circuit is quantum (the encoded problem), and another part is classical (the parameters that minimize the output of the circuit).

There are applications of VQE in the simulation of chemical molecules, for example.

In current quantum era, those are problems in VQE like circuits:

– Shots (evaluations of the circuit) are expensive in a real quantum computer

– Noise is a problem

There are several possible approaches to maximize performance:

– Choosing better Ansatz (circuits that represent the problem)

– Changing how to choose the cost function

– Use and tuning of several gradient and non-gradient methods

In the case of my project, we used a strategy that adapts the number of shots. In general terms, more noise, more shots are necessary.

The method is based on the paper of Kubler at al. [2], where he cites adaptive shots is the most efficient optimizer, looking at the total number of shots. The algorithm has the name ICANS (individual Coupled Adaptive Number of Shots).

How to measure the noise? A proxy for noise is the variance of results of shots. The bigger the variance, the bigger the noise, and then, more shots are necessary, in next round of optimization.

This method estimates the number of shots per round, also per partial derivative of the gradient.

I hope now the title of the work is clearer: VQE optimization (the hybrid quantum classical circuit) with dynamic shot scheduling (different shots per round per partial derivative, more noise more shots).

The tests we made, based on benchmarks against Gradient Descent and SPSA, confirmed results of reference papers.

As a deliverable, I wrote a code in Qiskit, with iCANS as new subclass of VQE. I opened a pull request on Github, to incorporate this code in Qiskit. It was my first contribution in an open source project.

Conclusion

In the end of the program, IBM kindly offers a certified badge for those who completed all the steps of the program:

(https://www.credly.com/badges/8c43a076-9de1-4af2-b054-e903473a7869).

I hope this little description of the program could clarify some questions and inspire more people to join us in this beautiful journey.

Quantum computing is a promising field. According to McKinsey: “Big pharma could apply quantum computing to protein structure and interactions, an opportunity worth $200 billion. Telecoms could use it to optimize their capital spending, worth a potential $50 billion to $70 billion.” [3]

Thanks, IBM, for the opportunity and my mentor Julien Gacon for the patience and dedication.

By Arnaldo Gunzi, Project Manager on Advanced Analytics, AI and Quantum Computing, in a big paper & pulp industry in Brazil.

Follow me on LinkedIn: https://www.linkedin.com/in/arnaldogunzi/

[1] https://github.com/qiskit-advocate/qamp-spring-22

[2] An Adaptive Optimizer for Measurement-Frugal Variational Algorithms. Jonas M. Kübler, Andrew Arrasmith, Lukasz Cincio, Patrick J. Coles https://arxiv.org/abs/1909.09083.

[3] https://www.mckinsey.com/business-functions/mckinsey-digital/our-insights/tech-forward/the-path-forward-for-quantum-computing

Meetup Computação Quântica

Tive a honra de ser convidado para um Meetup do Centro de #Analytics Raízen, para comentar do meu tema favorito: computadores quânticos.

Discutimos conceitos básicos Bit x Qubit, sobreposição, entanglement. Algumas aplicações possíveis: quebrar criptografia atual, criar uma nova criptografia à prova de espiões, avanços em algoritmos de otimização e de simulação de moléculas químicas.

Como o pessoal ali é fera, também pediram algumas demonstrações na linguagem #Qiskit, da #IBM.

Por fim, experimentos que venho conduzindo na #Klabin e algumas das (enormes) dificuldades encontradas para fazer esta tecnologia virar realidade na prática.

Em resumo, #quantumcomputing é uma tecnologia que pode ser disruptiva (ou não) nos anos vindouros: se vingar, alguns setores da indústria e do governo podem sofrer enorme impacto, se não vingar, pelo menos parte da teoria será útil para atacar problemas do mundo atual, por uma perspectiva completamente nova.

Certificado – Quantum Excellence

Compartilhando o Certificado de Quantum Excellence da IBM, para quem passou pelo Summer School deste ano.

Vide comentários sobre essas duas semanas de treinamento aqui: https://medium.com/arnaldo-gunzi-quantum/comments-on-qiskit-summer-school-2021-quantum-machine-learning-4ff5523c6761

Outro post que pode ser de interesse: https://medium.com/arnaldo-gunzi-quantum/how-to-get-the-qiskit-developer-certificate-8dcd3b31fcb0

Agradeço a todos pela ajuda e suporte de sempre!

Comentários sobre o Qiskit Summer School 2021 – Quantum Machine Learning

O Qiskit Summer School é um evento patrocinado pela IBM, para divulgação de computação quântica. Qiskit é o nome da linguagem desenvolvida pela IBM. Este ano, foi a segunda edição do evento, e o tema foi Quantum Machine Learning.

Uma primeira curiosidade, é que este ano foram 5000 vagas (ano passado, 2000), e essas acabaram em poucos minutos após a abertura das inscrições. Bastante gente reclamou que entrou exatamente no horário de abertura e já via o número de vagas esgotada. Isso mostra o interesse crescente pelo tema – e o privilégio de assistir as aulas.

Foram duas semanas de aulas, e 5 rodadas de laboratórios – cada qual com número variável de exercícios valendo nota.

Resumo rápido do conteúdo.


Semana 1:

  • Circuitos básicos
  • Algoritmos simples
  • Ruído em computadores quânticos
  • Machine learning clássico
  • Quantum classifier
  • QAOA

Mais da metade da semana 1 foi de conteúdo básico, só no finalzinho que realmente começou a ficar divertido. O conteúdo até falou de machine learning clássico (redes neurais, backpropagation), mas o foco foi em cima de Support Vector Machines, uma técnica de classificação um pouco diferente.

Por fim, introdução à técnica de otimização QAOA, que é um misto de quântico com clássico: a representação do problema é por um circuito quântico, porém a otimização dos parâmetros, via métodos clássicos.

O lab dos circuitos básicos foi tranquilo, o da parte SVM e QAOA deu um pouco mais de trabalho, mas nada impossível. Não posso divulgar minhas respostas, por enquanto. Vou esperar a IBM liberar oficialmente o conteúdo do curso para o público em geral.


Semana 2:

  • Classificadores lineares
  • Quantum kernel
  • Treinamento de circuitos quânticos
  • Hardware e ruído
  • Capacidade e circuitos avançados
  • Encerramento e discussões sobre rumos futuros

A melhor parte do curso foi a semana 2. Conhecimento de ponta, com conteúdo que não tem nem três anos desde a primeira citação.

O Support Vector Machine tem uma limitação, que é o fato de ser linear. É possível fazer um truque para contornar: pegar os mesmos dados e representá-los de forma não linear, através de um feature map. O kernel é uma generalização do feature map, para uma função mais complexa.

Pode haver vantagem quântica exponencial se a função for complicada para representar classicamente e simples de representar quanticamente – mas isso também não é garantido sempre.

Carregar dados em estados quânticos pode ter custo exponencial, o que pode jogar por terra qualquer vantagem quântica – uma solução possível é utilizar um esquema aproximado de dados, perdendo uma parte pequena da informação.

Muito impressionante é uma pesquisadora chamada Amira Abbas. Ela deu umas três aulas ou mais. Bastante didática, nova (assim como todos ali), realmente manjava do conteúdo – para quem se interessa pelo tema, vale a pena acompanhá-la.

Uma discussão bastante interessante foi a de capacidade. Em machine learning clássico, temos sempre o dilema underfitting (modelo fraco demais) – overfitting (parâmetros demais, o que causa perda de generalização). Sempre achei que isso era apenas dependendo do tamanho do modelo, mas foi demonstrado, através de experimento de labels aleatórios, que os dados também influem. Desde então, está havendo diversas propostas de medir a capacidade não só em função do tamanho, mas de características bem específicas dos dados também.

Sobre os labs: em geral, não foi difícil. Era basicamente seguir o roteiro dado pelos professores. Algumas poucas linhas, e a maioria já estava pronto. Tenho a impressão de que o Summer School foca mais na aula e no conteúdo teórico, e menos nos labs em si. Para códigos difíceis, a IBM lança os desafios.

Agradeço à IBM pela iniciativa, pelo conteúdo de mais alto nível disponibilizado, e parabenizo pela liderança no tema.

No formulário de feedback, era pedido uma foto para ajudar na divulgação do evento, e esta foi a que enviei.


Ideias Analíticas Avançadas
Um mundo melhor através do Analytics

Roadmap – Computação quântica.

Segue no link um artigo que escrevi com os amigos da Brazil Quantum – um roadmap para os que gostam deste ramo nascente do conhecimento.

São alguns livros, como Quantum Computing Explained, de David McMahon;

Linguagens como o #qiskit;

e sites como o do magnífico prof Scott Aaronson, um dos maiores especialistas do mundo.

https://brazilquantum.medium.com/roadmap-de-estudos-em-computa%C3%A7%C3%A3o-qu%C3%A2ntica-fda5a1d0964c

IBM Q Challenge – Inverno 2020

Finalizei a participação no IBM Q Challenge Fall 2020, resolvendo 4 questões de 5.

Foram três semanas, onde os exercícios foram sendo liberados aos poucos. O tema deste ano foi o algoritmo de Grover e memória quântica (QRAM). Os desafios foram progressivamente mais difíceis: a primeira semana foi fácil, a segunda foi média, a terceira, extremamente difícil.

O Grover é uma das aplicações práticas da comp. quântica: como encontrar a resposta correta, numa base não estruturada (é como achar um número de telefone específico numa lista telefônica).

É possível formular problemas de otimização de forma a serem resolvidos pelo método citado.

Há um ganho quadrático do Grover em relação à computação clássica. Um ganho quadrático não é muita coisa – o ideal seria um ganho exponencial como o algoritmo de Shor (que potencialmente pode comprometer toda a criptografia atual). Porém, mesmo assim, quem sabe num futuro próximo surja alguma aplicação interessante?

Qual o menor número de linhas horizontais ou verticais para cobrir todas as estrelas? No caso, três linhas verticais resolvem

O quinto desafio foi bastante complicado. Envolvia usar o Grover para resolver um problema de otimização, batizado de “asteroides”. O objetivo era fazer para uma superposição de 16 tabuleiros diferentes, ao mesmo tempo (guardando na QRAM), e encontrar o tabuleiro que necessitava de mais passos.

Agradeço à IBM pela oportunidade de aprender um pouco mais sobre este nascente ramo do conhecimento.

IBM Quantum Challenges – IBM Quantum Experience

Acompanhe o Forgotten Lore em outras mídias

Divulgando aqui outras formas de acompanhar as ideias do Forgotten Lore.

Página no Facebook: https://www.facebook.com/arnaldogunzi.forgottenlore

Ocasionalmente faço postagens no LinkedIn, quando o assunto tem relação com a vida profissional. É interessante acompanhar o engajamento de outras pessoas e eventuais comentários por lá.
https://www.linkedin.com/in/arnaldogunzi/

Excel e VBA


Como um subproduto de meus projetos, posto uma série de dicas de Excel e VBA nesta página:
https://ferramentasexcelvba.wordpress.com/

Computação quântica

Junte-se a grupo de estudos sobre Computação quântica:
https://www.facebook.com/groups/1013309389112487

Grupo – Quantum Computing

Estou criando um grupo de estudos sobre “computação quântica”, no link a seguir. O objetivo é trocar ideias, notícias sobre eventos e cursos.   https://www.facebook.com/groups/1013309389112487

Pelas reações e comentários, há bastante interesse sobre o assunto.

Favor divulgar apenas para quem pode contribuir com o tema.

Qiskit Summer School 2020

Postagem sobre o summer school do Qiskit.

https://www.linkedin.com/posts/arnaldogunzi_ibm-qiskit-quantumcomputing-activity-6706320160816435201-EOMD

Quantum computing is a emerging field of knowledge. What was only theory years ago now is becoming reality.

I’m very proud and honoured to have attended the Qiskit Summer School 2020.

This course covered hot topics as quantum algorithms, error correction, superconducting devices and quantum chemistry, as well as labs to test our knowledge.

Thanks to Abraham Asfaw, James Wooton, Elisa Bäumer, Zlatko Minev and all the other members of #IBM.

IBM Quantum Challenge 2020

Participei do IBM Quantum Challenge 2020, e gostaria de compartilhar a experiência.

Computadores quânticos são a próxima fronteira da computação. É um mundo esquisito, onde os bits podem ser sobrepostos, entrelaçados, enviados para outros universos e trazidos de volta com a solução correta (obs. há um certo exagero nessa afirmação).

No desafio são propostas 4 séries de exercícios, em dificuldade crescente. Todos na linguagem Qiskit, baseada em Python. A interface é o Jupyter Notebook, rodando nos servidores da IBM (que chegou a cair, por excesso de utilização).

Na maior parte das vezes, usamos o modo simulador, porém, num exercício tivemos o prazer de rodar um dos computadores quânticos reais da IBM, no meu caso, o IBMQ_16_Melbourne.

Das 4 séries de exercícios, completei 3, e aprendi uma quantidade enorme de conceitos no processo.

– 8 questões sobre circuitos quânticos

– 4 questões sobre ruído

– Experimento sobre criptografia quântica BB84

– Decompor um circuito nos componentes básicos

Este campo ainda está na infância. Pode crescer exponencialmente. Ou não, pode ser que dê em nada. Uma sobreposição de sucesso ou fracasso, como o gato de Schrodinger.

Obrigado à IBM pela dedicação.

https://quantum-computing.ibm.com/challenges/4anniversary

Udemy – Curso Quantum Computing for the Absolute Beginner

Breve avaliação do curso sobre Quantum Computing na Udemy. https://www.udemy.com/qc101-introduction-to-quantum-computing-quantum-physics-for-beginners/

Fiz o curso a fim de aprender um pouco mais sobre o tema, e também testar a plataforma de ensino.

Pontos positivos:

Explicações bastante didáticas, vídeos muito bem feitos pelo instrutor.

Explicação simples e esclarecedora sobre criptografia quântica (ou melhor, porque esta é inquebrável por natureza).

Tem poucas fórmulas, é realmente uma introdução.

Mostra os pontos principais, e dá um gostinho de portas lógicas quânticas.

Outra muito coisa legal é que usa o Visual Studio Q# (um simulador) e faz uma demonstração do IBM Q experience, este sim um verdadeiro computador quântico.

Pensando numa aplicação corporativa, há um certificado no fim do curso. Isto é bom, porque a coisa mais comum desses cursos on-lines é abandoná-los no meio.

Pontos negativos:

Não há exercícios entre as aulas ou avaliações ao final do curso.

Este curso específico é em inglês, porém, sei que há cursos em português na plataforma.

Como é uma introdução muito básica, não entra nem nos algoritmos mais conhecidos de Deutsch-Jozsa, Grover ou QFT.

Conclusão:

Cumpre aquilo à que se propõe, ser uma introdução dando uma profundidade mínima no tema.

Tem 3,5 h de vídeo e custou R$ 40. Valeu cada centavo investido, porque um conteúdo gratuito (Youtube, por exemplo) não tem tanta qualidade, e além do que foi muito barato.

Nível hard

Para explorar num nível very hard, tem que ir para livro físico mesmo:

Quantum Computation and Quantum Information, Nielsen & Chuang

Explorations quantum computation – Collin Williams

Feynman Lectures on Physics – vol III – Richard Feynman