Michal ist Absolvent von Cambridge und der ETH Zürich. Im Laufe seiner Karriere absolvierte er Praktika in Quanten-KI-Gruppen am CERN und am Los Alamos National Laboratory in der USA. In seiner Arbeit zielt er darauf ab, die Welten des Quantum Computings und der Wirtschaft zu verbinden.
Inhaltsverzeichnis
- Wie ist ein Quantenalgorithmus aufgebaut?
- Das Integrieren von Quantentechnologien in Ihre bestehende Data-Science-Pipeline
- Wie können Quanten- und Datenwissenschaft zusammenarbeiten?
Data Science wird für eine Vielzahl von Branchen immer wichtiger, da künstliche Intelligenz (KI), Big-Data-Analysis und andere Daten lastige Forschungsprojekte immer mehr für den geschäftlichen Nutzen, den sie bringen können, anerkannt werden. Um diesen Wert zu erschließen, suchen Unternehmen nach Data-Science-Teams, die ihnen dabei helfen das Beste aus den bereits vorhandenen Daten zu machen. Viele Data Scientists, auch ohne Hintergrund in Quantenphysik, sind daran interessiert Quantentechnologien in ihre bestehenden Arbeitsabläufe zu integrieren. Experimentieren Sie mit Quantentechnologien an Ihren Daten, ohne sich vollständig auf ein ganz neues Gebiet der Quantenphysik festzulegen.
Da sich Quantencomputer immer mehr durchsetzen, ist es für Datenwissenschaftler unerlässlich zu verstehen, wie diese innovativen Tools effektiv eingesetzt werden können. Quantenalgorithmen haben eine spezifische Struktur, die sie für bestimmte Aufgaben qualifizieren. In diesem Blogbeitrag werden wir einige der Grundelemente eines Quantenalgorithmus erläutern und zeigen, wie Sie diese nutzen können. Ich werde auch einen allgemeinen Überblick über die Struktur eines Quantenalgorithmus geben und erklären, wie ein Quantenprozessor in einen herkömmlichen Data-Science-Workflow integriert werden kann.
Mein Ziel ist es zu zeigen, wie Quantentechnologie verwendet werden kann, um reale Probleme mit Daten zu lösen.
Wie ist ein Quantenalgorithmus aufgebaut?
Ein Quantenalgorithmus ist eine Folge grundlegender Quantenoperationen (ein mathematischer Formalismus), die bei einer Eingabe ausgeführt werden. Um einen Quantenalgorithmus auf einem Quantencomputer zu implementieren, müssen Sie eine Sammlung von Quantenlogikgattern verwenden. Diese Gatter können in einer Sequenz kombiniert und auf einen bestimmten Eingang angewendet werden, um ein Ergebnis zu berechnen.
Für einen optimierten Quantenalgorithmus benötigen Sie sorgfältig entworfene Quantenschaltkreise, die richtigen Gatter, die richtige Anzahl von Qubits und die richtige Qubit-Konnektivität. Sie müssen auch sicherstellen, dass die Qubits genügend Kohärenzzeit haben, um die Operationen korrekt auszuführen. Die genauen Kriterien für die Leistung eines Quantencomputers wurden von DiVincenzo zusammengefasst.
Das Ausführen eines Quantenalgorithmus besteht aus vier unterschiedlichen Phasen:
- Daten laden. Die Quantenregistrierung, die Informationen speichert, ermöglicht die Erfassung von Korrelationen, mit denen klassische Computer nicht umgehen können. Folglich nehmen Quantenprozessoren die Daten normalerweise in einem etwas anderen Format an – sie könnten die Standard-Eingabestruktur verwenden, aber sie würde nicht alle ihre Fähigkeiten nutzen. Die Formate, in denen Quantenalgorithmen Eingabedaten annehmen, werden Einbettungen genannt. Sie unterscheiden sich darin, wie viele Daten Sie auf einer bestimmten Anzahl von Qubits aufzeichnen und wie einfach es sein wird, sie auf dem Weg weiter zu verarbeiten.
- Kern-Algorithmus. Hier wird das Modell ausgeführt, das Sie mit Quantenhardware evaluieren möchten. Im Wesentlichen handelt es sich um eine Reihe von Quantenoperationen. Bei Gate-basierten Quantencomputern besteht es aus aufeinanderfolgenden Gates, die normalerweise nur ein oder zwei Qubits betreffen. Dieser Teil könnte auch das Herzstück eines Quanten-Lernalgorithmus darstellen. In diesem Fall wird es als Variationsform oder Ansatz bezeichnet und ist eine Sammlung von Quantenoperationen, die durch eine Reihe von Parametern beschrieben werden, die wiederum trainierbar sind. Das bedeutet, dass jede Operation von einem bestimmten Wert abhängt. Der Wert wird angepasst, sodass die endgültige Ausgabe die Eigenschaften hat, die wir erreichen möchten.
- Messung. Nachdem das Modell ausgeführt wurde, ist es an der Zeit, auf die Informationen zuzugreifen, die Sie abrufen möchten. Hier kommen die nächsten zwei Phasen – eine besteht darin, das Quantenregister für die Messungen vorzubereiten und die andere darin, die Berechnungsergebnisse über den Quantenmessprozess aufzuzeichnen. Die in Qubits gespeicherten Informationen können auf viele Arten angezeigt werden. Deshalb müssen Sie den Endzustand an Ihre Bedürfnisse anpassen, bevor Sie die endgültigen Ausgabewerte erfassen können.
- Klassische Nachbearbeitung. Die Werte aus dem Messprozess werden nicht mehr auf Quantenbasis dargestellt, daher können wir sie beliebig verarbeiten. Bei einigen Algorithmen werden viele Ausgaben erzeugt und das Ergebnis ist eine vollständige Verteilung, deren Eigenschaften weitere Entscheidungsfindungen motivieren. Für andere Algorithmen, wie z. B. Quantenmaschinenlernen, werden die Ausgaben verwendet, um die Qualität des Variationsansatzes in den weiteren Schritten des Algorithmus zu verbessern.
Das Integrieren von Quantentechnologien in Ihre bestehende Data-Science-Pipeline
Datenwissenschaft und Quantenwissenschaft scheinen Welten voneinander entfernt zu sein, passen aber überraschend gut zusammen. Es ist nicht so schwierig eine Data-Science-Pipeline zu erstellen, die Quantentechnologien enthält. Ich werde versuchen einige der Hauptunterschiede zwischen Datenwissenschaft und Quantenwissenschaft aufzuschlüsseln. Auf diese Weise erhalten Sie ein besseres Verständnis dafür, wie Sie Quantentechnologien in Ihre bestehende Data-Science-Pipeline integrieren können. Wenn Sie die Unterschiede zwischen diesen beiden Wissenschaften verstehen, können Sie leichter erkennen, wo und wie Quantentechnologien in Ihre Datenpipeline integriert werden können, um effizientere und genauere Ergebnisse zu erzielen.
Herkömmliche Data-Science-Teams verfügen in der Regel über eine Vielzahl von Fähigkeiten, sodass jedes Mitglied in jeder Phase der Data-Science-Pipeline einen Beitrag leisten kann. Die Phasen der Pipeline umfassen normalerweise das Aufstellen einer Hypothese, das Vorbereiten und Bereinigen von Daten, das Erstellen von Modellen, das Testen der Effektivität der Modelle und schließlich die Bereitstellung. Nach der letzten Phase der Bereitstellung gibt es in der Regel eine Ansicht – z. B. eine Datenvisualisierung oder Story – die verwendet wird, um die Ergebnisse anderen Personen im Unternehmen mitzuteilen, die möglicherweise nicht so vertraut mit Daten sind. Diese Art des Informationsaustauschs ist in der Regel effektiver als die bloße Präsentation von Rohdaten. Es hilft anderen nicht nur zu verstehen, was die Daten aussagen, sondern auch, was sie in Bezug auf die Ziele des Unternehmens bedeuten und welche Schlussfolgerungen daraus gezogen werden können.
Die Quantenwissenschaft tritt als Methode zur Konstruktion von Modellen in die Data-Science-Pipeline ein. Es kann auch geringfügige Unterschiede in den Schritten des Prozesses geben. Ein Quantenalgorithmus erfordert möglicherweise eine maßgeschneiderte Datenaufbereitung und seine Bereitstellung erfordert möglicherweise zusätzliche Ressourcen in Bezug auf den Zugriff auf Quantenhardware. Sie können Quanten jedoch als Paradigma betrachten, um ausgefeilte, aber effektive Modelle zu konstruieren, um Muster und Erkenntnisse in Daten zu finden. Darum geht es bei Quantum Computing – seine Rolle besteht nicht darin, Techniken und Frameworks der traditionellen Softwareentwicklung zu ersetzen. Quantum Computing ist am leistungsstärksten, wenn es um Rechenaufgaben geht, die Bewertung und Optimierung beinhalten.
Wenn Sie etwas tiefer graben, werden Sie schließlich feststellen, dass Quantenalgorithmen mit ähnlichen Sprachen und Bibliotheken erstellt werden, wie sie in der Datenwissenschaft verwendet werden. Die meisten Pakete für die Entwicklung von Quantenalgorithmen wie Qiskit von IBM, Pennylane von Xanadu, Q# von Microsoft und Cirq von Google sind alle Python-Frameworks. Sie nutzen in der Regel auch NumPy oder Pandas (Bibliotheken zur Datenmanipulation), die in der Datenwissenschaft unverzichtbar sind.
Die Struktur eines Quantum Computing-Teams besteht typischerweise aus zwei Teams, eines für Quantenprogrammierung und das andere für Quantenalgorithmen. Das erste Team soll die Quantenprogrammierumgebung entwickeln, eine klassische Software, um die Quantenalgorithmen als Teil der gesamten Data-Science-Pipeline auszuführen. Es muss so gestaltet sein, dass Benutzer beispielsweise Quantenalgorithmen einfach entwickeln können, indem sie die Daten in ein geeignetes Format bringen.
Das zweite Team ist für die Entwicklung der Quantenalgorithmen verantwortlich – das Erfinden und Implementieren der wichtigsten Modellierungselemente der gesamten Infrastruktur, die im Vergleich zu herkömmlichen Lösungen für Effizienz sorgen und die Gewinne beschleunigen. Darüber hinaus muss die Verbindung zu Quantenhardware entweder vor Ort oder in der Cloud hergestellt werden, um den Quantenalgorithmus auszuführen. Um mit Hardware-Fortschritten auf dem Laufenden zu bleiben, müssen Quantenalgorithmen im Hinblick auf Nachhaltigkeit und Skalierbarkeit entwickelt werden.
Wie können Quanten- und Datenwissenschaft zusammenarbeiten?
In diesem Artikel habe ich die Hauptmerkmale eines Quantenalgorithmus hervorgehoben: wie er strukturiert ist und welche Rolle er in den Modellierungs- und Optimierungsprozessen spielt. Ich habe auch betont, wo Quantenalgorithmen in datenwissenschaftliche Pipelines passen könnten.
Quantum Computing wird die traditionelle Softwareentwicklung nicht ersetzen. Seine Aufgabe besteht darin, rein rechnerische, zahlenverarbeitende Probleme zu lösen. Quantum kann für die Modellierung und Optimierung immens wertvoll sein – hier kann er sich in der Datenanalyse-Pipeline beweisen. Sie können damit schnell eine Vielzahl von Szenarien analysieren, um fundierte Entscheidungen zu treffen. Es kann Ihre Geschäftszahlen in Bezug auf Effizienz und Leistung steigern. Schließlich kann es Pläne für die Prozessorganisation in Ihrem Unternehmen identifizieren, die das klassisches Computing niemals finden könnte.
Wenn Sie Fragen zu Quanten haben, können Sie sich gerne an uns wenden. Wir sind Experten sowohl in den Bereichen Quantum Computing als auch Daten & KI und besprechen gerne Ihre geschäftlichen Herausforderungen.
Michal ist Absolvent von Cambridge und der ETH Zürich. Im Laufe seiner Karriere absolvierte er Praktika in Quanten-KI-Gruppen am CERN und am Los Alamos National Laboratory in der USA. In seiner Arbeit zielt er darauf ab, die Welten des Quantum Computings und der Wirtschaft zu verbinden.