Grazie per aver inviato la tua richiesta! Uno dei nostri team membri ti contatterà a breve.
Grazie per aver inviato il tuo prenotazione! Uno dei nostri team membri ti contatterà a breve.
Durata 21 ore
Struttura del corso
Introduzione all'integrazione tra Quantum e AI
- Motivazioni per l'intelligenza ibrida quantistico-classica
- Principali opportunità e attuali barriere tecnologiche
- Posizionamento di Google Willow nel panorama Quantum-AI
Architettura e capacità di Google Willow
- Panoramica del sistema e struttura della toolchain
- Operazioni quantistiche supportate e set di funzionalità
- API per la sperimentazione avanzata
Modelli ibridi quantistico-classici
- Partizionamento dei compiti tra componenti quantistici e classici
- Strategie di codifica dei dati per l'apprendimento potenziato dalla quantistica
- Flussi di lavoro per la preparazione dello stato e la misurazione
Algoritmi di machine learning quantistico
- Circuiti quantistici variazionali per compiti di AI
- Nuclei quantistici e mappe delle funzionalità
- Loop di ottimizzazione per i modelli ibridi
Costruzione di pipeline Quantum-AI con Willow
- Sviluppo di modelli ibridi end-to-end
- Integrazione di Willow con TensorFlow Quantum
- Test e validazione dei prototipi Quantum-AI
Ottimizzazione delle prestazioni e gestione delle risorse
- Sviluppo di modelli AI consapevoli del rumore
- Gestione dei vincoli di calcolo nei sistemi ibridi
- Testing delle prestazioni delle prestazioni Quantum-AI
Applicazioni e casi d'uso emergenti
- Analisi dei dati potenziata dalla quantistica
- Ottimizzazione guidata dall'AI con accelerazione quantistica
- Potenziale di adozione inter-settoriale
Tendenze future nella convergenza tra Quantum e AI
- Roadmap per i sistemi Quantum-AI su larga scala
- Progressi architettonici e evoluzione hardware
- Direzioni di ricerca che plasmano il fronte Quantum-AI
Riepilogo e prossimi passi
Requisiti
- Comprensione dei concetti di calcolo quantistico
- Esperienza con i framework di machine learning
- Familiarità con i flussi di lavoro ibridi quantistico-classici
Pubblico target
- Ingegneri AI
- Specialisti in machine learning
- Ricercatori in calcolo quantistico