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