EITC/AI/TFQML TensorFlow Quantum Machine Learning არის ევროპული IT სერთიფიცირების პროგრამა Google TensorFlow Quantum ბიბლიოთეკის გამოყენებისათვის Google Quantum Processor Sycamore არქიტექტურაზე მანქანური სწავლების განსახორციელებლად.
EITC/AI/TFQML TensorFlow Quantum Machine Learning– ის სასწავლო პროგრამა ფოკუსირებულია თეორიულ ცოდნაზე და პრაქტიკულ უნარებზე Google– ის TensorFlow Quantum ბიბლიოთეკის გამოყენებაში, მოწინავე კვანტური გამოთვლითი მოდელის საფუძველზე, Google Quantum Processor– ის Sycamore– ს არქიტექტურაზე, რომელიც ორგანიზებულია შემდეგ სტრუქტურაში, მოიცავს ყოვლისმომცველ ვიდეოს. დიდაქტიკური შინაარსი, როგორც მითითება EITC სერთიფიკატისთვის.
TensorFlow Quantum (TFQ) არის კვანტური მანქანების შემსწავლელი ბიბლიოთეკა ჰიბრიდული კვანტური კლასიკური ML მოდელების სწრაფი პროტოტიპებისათვის. კვანტური ალგორითმებისა და პროგრამების კვლევამ შეიძლება გამოიყენოს Google- ის კვანტური გამოთვლითი ჩარჩოები, ეს ყველაფერი TensorFlow- ის შიგნიდან ხდება.
TensorFlow Quantum ყურადღებას ამახვილებს კვანტურ მონაცემებზე და აშენებს ჰიბრიდულ კვანტურ-კლასიკურ მოდელებს. იგი აერთიანებს კვანტური გამოთვლითი ალგორითმებსა და ლოგიკას, რომლებიც შექმნილია Cirq- ში (კვანტური პროგრამირების ჩარჩო დაფუძნებულია კვანტური წრეების მოდელზე) და უზრუნველყოფს კვანტური გამოთვლითი პრიმიტივების თავსებადი TensorFlow API- ებს, მაღალპროდუქტიული კვანტური წრეების სიმულატორებთან ერთად წაიკითხეთ მეტი TensorFlow Quantum თეთრ ქაღალდში.
კვანტური გამოთვლა არის კვანტური მოვლენების გამოყენება, როგორიცაა სუპერპოზიცია და ჩახლართვა გამოთვლის შესასრულებლად. კომპიუტერები, რომლებიც ასრულებენ კვანტურ გამოთვლებს, ცნობილია, როგორც კვანტური კომპიუტერი. ითვლება, რომ კვანტურ კომპიუტერებს შეუძლიათ გარკვეული გამოთვლითი პრობლემების მოგვარება, მაგალითად, მთელი ფაქტორიზაცია (რაც RSA დაშიფვრის საფუძველია), მნიშვნელოვნად უფრო სწრაფად, ვიდრე კლასიკური კომპიუტერი. კვანტური გამოთვლების შესწავლა კვანტური ინფორმაციის მეცნიერების ქვე-სფეროა.
კვანტური გამოთვლა დაიწყო 1980-იანი წლების დასაწყისში, როდესაც ფიზიკოსმა პოლ ბენიოფმა შემოგვთავაზა ტურინგის მანქანის კვანტური მექანიკური მოდელი. მოგვიანებით რიჩარდ ფეინმანი და იური მანინი ვარაუდობდნენ, რომ კვანტურ კომპიუტერს ჰქონდა პოტენციალი სიმულაცია გაეკეთებინა ისეთი რამ, რაც კლასიკურ კომპიუტერს არ შეეძლო. 1994 წელს პიტერ შორმა შეიმუშავა კვანტური ალგორითმი მთელი რიცხვების ფაქტორირებისთვის, რომელსაც ჰქონდა RSA- ში დაშიფრული კომუნიკაციების გაშიფვრის პოტენციალი. 1990-იანი წლების ბოლოდან დაწყებული ექსპერიმენტული პროგრესის მიუხედავად, მკვლევარების უმრავლესობა თვლის, რომ ”შეცდომების ტოლერანტული კვანტური გამოთვლა ჯერ კიდევ საკმაოდ შორეული ოცნებაა”. ბოლო წლების განმავლობაში, კვანტური გამოთვლითი კვლევების ინვესტიციები გაიზარდა როგორც სახელმწიფო, ისე კერძო სექტორში. 23 წლის 2019 ოქტომბერს Google AI– მ აშშ – ის აერონავტიკისა და კოსმოსური ადმინისტრაციის (NASA) პარტნიორობით განაცხადა, რომ მან განახორციელა კვანტური გამოთვლა, რომელიც შეუძლებელია ნებისმიერ კლასიკურ კომპიუტერზე (ე.წ. კვანტური უპირატესობის შედეგი).
არსებობს კვანტური კომპიუტერების რამდენიმე მოდელი (უფრო სწორად, კვანტური გამოთვლითი სისტემები), მათ შორის კვანტური წრეების მოდელი, კვანტური ტურინგის მანქანა, ადიაბატური კვანტური კომპიუტერი, ცალმხრივი კვანტური კომპიუტერი და სხვადასხვა კვანტური ფიჭური ავტომატები. ყველაზე ფართოდ გამოყენებული მოდელია კვანტური წრე. კვანტური წრეები ემყარება კვანტურ ბიტს, ან "qubit" - ს, რაც გარკვეულწილად ანალოგიურია ბიტის კლასიკურ გამოთვლაში. კუბიტები შეიძლება იყვნენ 1 ან 0 კვანტურ მდგომარეობაში, ან შეიძლება იყვნენ 1 და 0 მდგომარეობების სუპერპოზიციაში. ამასთან, კუბიტების გაზომვისას გაზომვის შედეგი ყოველთვის არის 0 ან 1; ამ ორი შედეგის ალბათობა დამოკიდებულია კვანტურ მდგომარეობაზე, რომელშიც კუბიტები იმყოფებოდნენ გაზომვამდე უშუალოდ.
ფიზიკური კვანტური კომპიუტერის მშენებლობაში მიღწეული პროგრესი ფოკუსირებულია ისეთ ტექნოლოგიებზე, როგორიცაა ტრანსმონები, იონური ხაფანგები და ტოპოლოგიური კვანტური კომპიუტერები, რომელთა მიზანია მაღალი ხარისხის კუბიტების შექმნა. ეს კუბიტები შეიძლება შეიქმნას განსხვავებულად, რაც დამოკიდებულია კვანტური კომპიუტერის სრული გამოთვლითი მოდელის მიხედვით, იქნება ეს კვანტური ლოგიკური კარიბჭე, კვანტური ანლეალიზაცია ან ადიაბატური კვანტური გამოთვლა. ამჟამად უამრავი მნიშვნელოვანი დაბრკოლება არსებობს სასარგებლო კვანტური კომპიუტერების შექმნის გზაზე. კერძოდ, ძნელია კუბიტების კვანტური მდგომარეობების შენარჩუნება, რადგან ისინი განიცდიან კვანტური დეკორაციულობასა და მდგომარეობის ერთგულებას. კვანტური კომპიუტერები შეცდომების შესწორებას საჭიროებს. ნებისმიერი გამოთვლითი პრობლემა, რომლის მოგვარებაც კლასიკური კომპიუტერით შეიძლება, შეიძლება კვანტური კომპიუტერითაც. და პირიქით, ნებისმიერი პრობლემა, რომლის მოგვარებაც შეუძლია კვანტური კომპიუტერით, ასევე შეიძლება გადაწყდეს კლასიკური კომპიუტერით, მინიმუმ, პრინციპში, საკმარისი დროის გათვალისწინებით. სხვა სიტყვებით რომ ვთქვათ, კვანტური კომპიუტერები ემორჩილებიან Church – Turing– ის თეზისს. მიუხედავად იმისა, რომ ეს ნიშნავს, რომ კვანტური კომპიუტერი არ იძლევა დამატებით უპირატესობებს კლასიკურ კომპიუტერთან გამოთვლასთან დაკავშირებით, კვანტური ალგორითმები გარკვეულ პრობლემებს მნიშვნელოვნად დაბალი დროის სირთულეებთან აქვთ, ვიდრე შესაბამისი ცნობილი კლასიკური ალგორითმები. საგულისხმოა, რომ კვანტური კომპიუტერები სწრაფად ხსნიან გარკვეულ პრობლემებს, რომლებსაც ვერცერთი კლასიკური კომპიუტერი ვერ გადაჭრის დროულად - ეს არის „კვანტური უზენაესობის“ სახელით ცნობილი საქმე. კვანტურ კომპიუტერებთან დაკავშირებული პრობლემების გამოთვლითი სირთულის შესწავლა ცნობილია როგორც კვანტური სირთულის თეორია.
Google Sycamore არის კვანტური პროცესორი, რომელიც შექმნილია Google Inc.- ის ხელოვნური ინტელექტის განყოფილების მიერ. იგი მოიცავს 53 კბიტს.
2019 წელს, Sycamore– მა შეასრულა დავალება 200 წამში, რომლის თანახმად Google– მა, Nature– ის ნაშრომში, თანამედროვე სუპერკომპიუტერს 10,000 2.5 წელი დასჭირდა. ამრიგად, Google- მა განაცხადა, რომ მიაღწია კვანტურ უპირატესობას. დროის შესაფასებლად, რომელიც კლასიკურ სუპერკომპიუტერს მოეთხოვებოდა, Google– მა გამოიყენა კვანტური წრეების სიმულაციის ნაწილები Summit– ზე, მსოფლიოში ყველაზე ძლიერი კლასიკური კომპიუტერი. მოგვიანებით, IBM– მა გააკეთა საწინააღმდეგო არგუმენტი და განაცხადა, რომ დავალებას მხოლოდ XNUMX დღე დასჭირდება კლასიკურ სისტემაში, როგორიცაა Summit. თუ Google- ის პრეტენზიები დაკმაყოფილდება, ეს წარმოადგენს ექსპონენციალურ ნახტომს კომპიუტერულ სიმძლავრეში.
2020 წლის აგვისტოში კვანტური ინჟინრები, რომლებიც Google- ში მუშაობდნენ, აცხადებდნენ ყველაზე დიდ ქიმიურ სიმულაციას კვანტურ კომპიუტერზე - Hartree-Fock- ის დაახლოება Sycamore- თან დაწყვილებულია კლასიკურ კომპიუტერთან, რომელიც აანალიზებს შედეგებს 12-კბიტიანი სისტემის ახალი პარამეტრების უზრუნველსაყოფად.
2020 წლის დეკემბერში ჩინურმა ფოტონზე დაფუძნებულმა Jiuzhang პროცესორმა, რომელიც შეიქმნა USTC- ის მიერ, მიაღწია დამუშავების ენერგიას 76 კუბიტს და 10 მილიარდჯერ უფრო სწრაფი იყო ვიდრე Sycamore, რაც მას მეორე კომპიუტერს მიაღწია კვანტური უპირატესობის მისაღწევად.
კვანტური ხელოვნური ინტელექტის ლაბორატორია (ასევე მოუწოდა Quantum AI Lab ან QuAIL) არის NASA- ს, უნივერსიტეტების კოსმოსური კვლევების ასოციაციისა და Google- ის (კერძოდ, Google Research) ერთობლივი ინიციატივა, რომლის მიზანია პიონერული კვლევის ჩატარება იმის შესახებ, თუ როგორ შეიძლება დაეხმაროს კვანტური კომპიუტერი მანქანულ სწავლებას. და სხვა რთული კომპიუტერული მეცნიერების პრობლემები. ლაბორატორია მასპინძლობს NASA- ს Ames კვლევის ცენტრში.
Quantum AI Lab გამოაცხადა Google Research- მა ბლოგის პოსტში, 16 წლის 2013 მაისს. დაწყების მომენტში, ლაბორატორია იყენებდა კომერციულად ხელმისაწვდომი კვანტური კომპიუტერის D-Wave Two- ს D-Wave Systems- ისგან.
20 წლის 2013 მაისს გამოცხადდა, რომ ხალხს შეეძლო განაცხადის გაკეთება ლაბორატორიაში D-Wave Two- ზე დროის გამოსაყენებლად. 10 წლის 2013 ოქტომბერს Google- მა გამოუშვა მოკლემეტრაჟიანი ფილმი, რომელშიც აღწერილია კვანტური AI ლაბორატორიის ამჟამინდელი მდგომარეობა. 18 წლის 2013 ოქტომბერს Google- მა გამოაცხადა, რომ მან კვანტური ფიზიკა შეიტანა Minecraft– ში.
2014 წლის იანვარში Google- მა გამოაქვეყნა შედეგები, სადაც ლაბორატორიაში D-Wave Two მუშაობის შედარება ხდება კლასიკური კომპიუტერებისგან. შედეგები საეჭვო იყო და მწვავე დისკუსია გამოიწვია ინტერნეტში. 2 წლის 2014 სექტემბერს ცნობილი გახდა, რომ Quantum AI Lab, UC Santa Barbara– სთან პარტნიორობით იწყებს ინიციატივას შექმნას კვანტური ინფორმაციის პროცესორები სუპერგამტარ ელექტრონულ ბაზაზე.
23 წლის 2019 ოქტომბერს, Quantum AI Lab- მა გამოაქვეყნა ნაშრომი, რომ მან კვანტური უპირატესობა მიაღწია.
Google AI Quantum აუმჯობესებს კვანტურ გამოთვლებს კვანტური პროცესორების და ახალი კვანტური ალგორითმების შემუშავებით, რაც მკვლევარებსა და დეველოპერებს დაეხმარება გადაჭრან მოკლევადიანი პრობლემები როგორც თეორიული, ისე პრაქტიკული.
კვანტური გამოთვლა ითვლება ხვალინდელი დღის სიახლეების, მათ შორის AI– ს განვითარებაში. სწორედ ამიტომ, Google მნიშვნელოვან რესურსებს ეწევა კვანტური აპარატურისა და პროგრამული უზრუნველყოფის შესაქმნელად.
კვანტური გამოთვლა არის ახალი პარადიგმა, რომელიც დიდ როლს შეასრულებს AI ამოცანების დაჩქარებაში. Google მიზნად ისახავს შესთავაზოს მკვლევარებსა და დეველოპერებს ღია წყაროების ჩარჩოებსა და გამოთვლითი ენერგიის ხელმისაწვდომობაზე, რომელსაც შეუძლია გამოთვალოს კლასიკური შესაძლებლობების მიღმა.
Google AI Quantum– ის ძირითადი აქცენტია
- სუპერგამტარ კუბიტის პროცესორები: სუპერგამტარი კუბიტები ჩიპებზე დაფუძნებული მასშტაბური არქიტექტურით, რომლებიც მიზნად ისახავს ორი კუბიტიანი კარიბჭის შეცდომას <0.5%.
- კუბიტის მეტროლოგია: შეცდომის კორექციისთვის კრიტიკულია ორი კუბიტიანი დანაკარგის შემცირება 0.2% -ზე ქვემოთ. ჩვენ ვმუშაობთ კვანტური უზენაესობის ექსპერიმენტზე, კვანტური სქემის დაახლოებით სინჯით, თანამედროვე კლასიკური კომპიუტერებისა და ალგორითმების შესაძლებლობების მიღმა.
- კვანტური სიმულაცია: ფიზიკური სისტემების სიმულაცია კვანტური გამოთვლების ყველაზე მოსალოდნელ გამოყენებას შორისაა. ჩვენ განსაკუთრებით ყურადღებას ვამახვილებთ კვანტურ ალგორითმებზე ინტერაქციული ელექტრონების სისტემების მოდელირებაზე, რომლებიც გამოიყენება ქიმიასა და მასალების მეცნიერებაში.
- კვანტური დახმარებით ოპტიმიზაცია: ჩვენ ვავითარებთ ჰიბრიდულ კვანტურ-კლასიკურ გამხსნელებს სავარაუდო ოპტიმიზაციისთვის. ენერგიის ბარიერების დასაძლევად კლასიკურ ალგორითმებში თერმული ნახტომი შეიძლება გაუმჯობესდეს კვანტური განახლებების გამოყენებით. ჩვენ განსაკუთრებით დაინტერესებული ვართ მოსახლეობის თანმიმდევრული გადაცემით.
- კვანტური ნერვული ქსელები: ჩვენ ვავითარებთ ჩარჩოს, რათა განვახორციელოთ კვანტური ნერვული ქსელი მოკლევადიან პროცესორებზე. ჩვენ დაინტერესებული ვართ იმის გაგებაში, თუ რა უპირატესობა შეიძლება წარმოიშვას ქსელის მუშაობის დროს მასიური სუპერპოზიციის მდგომარეობების წარმოქმნით.
Google AI Quantum– ის მიერ შემუშავებული ძირითადი ინსტრუმენტებია ღია წყაროების ჩარჩოები, რომლებიც შექმნილია ახალი კვანტური ალგორითმების შესაქმნელად, რაც ხელს შეუწყობს პრაქტიკული პრობლემების მოკლევადიანი პროგრამების გადაჭრას. Ესენი მოიცავს:
- Cirq: ღია წყაროს კვანტური ჩარჩო ხმაურიანი შუალედური მასშტაბის კვანტური (NISQ) ალგორითმების მშენებლობისა და ექსპერიმენტებისთვის ახლოვადიან კვანტურ პროცესორებზე
- OpenFermion: ღია პლატფორმა ქიმიისა და მასალების მეცნიერების პრობლემების თარგმნისთვის კვანტურ წრეებად, რომელთა შესრულებაც შესაძლებელია არსებულ პლატფორმებზე
Google AI Quantum– ის მოკლევადიანი პროგრამები მოიცავს:
კვანტური სიმულაცია
ახალი მასალების შექმნა და რთული ფიზიკის განმარტება ქიმიისა და შედედებული ნივთიერების მოდელების ზუსტი სიმულაციების საშუალებით, კვანტური გამოთვლების ყველაზე პერსპექტიულ გამოყენებებს შორისაა.
შეცდომების შემსუბუქების ტექნიკა
ჩვენ ვმუშაობთ კვანტური შეცდომების სრული კორექციისკენ მიმავალ მეთოდებზე, რომლებსაც აქვთ შესაძლებლობა მკვეთრად შეამცირონ ხმაური მიმდინარე მოწყობილობებში. მიუხედავად იმისა, რომ სრულმასშტაბიანი ხარვეზების ტოლერანტული კვანტური გამოთვლა შეიძლება მნიშვნელოვან განვითარებას მოითხოვდეს, ჩვენ შევიმუშავეთ კვანტური ქვე სივრცის გაფართოების ტექნიკა, რომელიც დაგვეხმარება კვანტური შეცდომის კორექტირების ტექნიკის გამოყენებას, უახლოეს მომავალში მოწყობილობებზე პროგრამების მუშაობის გასაუმჯობესებლად. უფრო მეტიც, ეს ტექნიკა ხელს უწყობს რთული კვანტური კოდების ტესტირებას უახლოეს პერიოდში მოწყობილობებზე. ჩვენ აქტიურად ვუბიძგებთ ამ ტექნიკას ახალ მიმართულებებზე და ვაყენებთ მათ, როგორც საფუძველი უახლოესვადიანი ექსპერიმენტების შექმნისთვის.
კვანტური მანქანა სწავლა
ჩვენ ვავითარებთ ჰიბრიდულ კვანტურ-კლასიკურ მანქანათმშენებლობის ტექნიკას მოკლევადიან კვანტურ მოწყობილობებზე. ჩვენ ვსწავლობთ უნივერსალური კვანტური წრეების შესწავლას კვანტური და კლასიკური მონაცემების კლასიფიკაციისა და კლასტერულობისთვის. ჩვენ ასევე დაინტერესებული ვართ გენერაციული და დისკრიმინაციული კვანტური ნერვული ქსელებით, რომლებიც შეიძლება გამოყენებულ იქნას როგორც კვანტური განმეორება და კვანტური საკომუნიკაციო ქსელების მდგომარეობის გამწმენდი ერთეულები, ან სხვა კვანტური წრეების გადამოწმების მიზნით.
კვანტური ოპტიმიზაცია
კოსმოსური, საავტომობილო და სხვა ინდუსტრიების დისკრეტულმა ოპტიმიზაციებმა შეიძლება ისარგებლონ ჰიბრიდული კვანტური კლასიკური ოპტიმიზაციით, მაგალითად, იმიტირებული ანელირების, კვანტური დახმარებით ოპტიმიზაციის ალგორითმით (QAOA) და კვანტური გაძლიერებული პოპულაციის გადაცემით შესაძლოა სასარგებლო იყოს დღევანდელი პროცესორები.
სასერტიფიკაციო კურიკულუმის დეტალურად გასაცნობად შეგიძლიათ გააფართოვოთ და გაანალიზოთ ქვემოთ მოცემული ცხრილი.
EITC/AI/TFQML TensorFlow Quantum Machine Learning Certification Curriculum მიუთითებს ღია წვდომის დიდაქტიკური მასალების ვიდეო ფორმით. სასწავლო პროცესი დაყოფილია ეტაპობრივ სტრუქტურად (პროგრამები -> გაკვეთილები -> თემები), რომელიც მოიცავს სასწავლო გეგმის შესაბამის ნაწილებს. ასევე გათვალისწინებულია ულიმიტო კონსულტაცია დომენის ექსპერტებთან.
სერტიფიცირების პროცედურის შესახებ დეტალებისთვის შეამოწმეთ როგორ მუშაობს.
სასწავლო გეგმის საცნობარო რესურსები
TensorFlow Quantum (TFQ) არის კვანტური მანქანების შემსწავლელი ბიბლიოთეკა ჰიბრიდული კვანტური კლასიკური ML მოდელების სწრაფი პროტოტიპებისათვის. კვანტურ ალგორითმებსა და პროგრამებში კვლევას შეუძლია გამოიყენოს Google– ის კვანტური გამოთვლითი ჩარჩოები, ეს ყველაფერი TensorFlow– ის შიგნიდან ხდება. TensorFlow Quantum ყურადღებას ამახვილებს კვანტურ მონაცემებზე და აშენებს ჰიბრიდულ კვანტურ-კლასიკურ მოდელებს. იგი აერთიანებს კვანტური გამოთვლითი ალგორითმებსა და Cirq- ში შექმნილ ლოგიკას და უზრუნველყოფს კვანტური გამოთვლითი პრიმიტივების თავსებადი TensorFlow API- ებს, მაღალპროდუქტიული კვანტური წრეების ტრენაჟორებთან ერთად წაიკითხეთ მეტი TensorFlow Quantum თეთრ ქაღალდში. როგორც დამატებითი მითითება შეგიძლიათ გაეცნოთ მიმოხილვას და გაუშვით ნოუთბუქის სახელმძღვანელოები.
https://www.tensorflow.org/quantum
ცირკი
Cirq არის ღია წყაროს ჩარჩო Noisy Intermediate Scale Quantum (NISQ) კომპიუტერებისთვის. იგი შეიქმნა Google AI Quantum გუნდის მიერ, ხოლო საზოგადოების ალფა გამოცხადდა საერთაშორისო სემინარზე Quantum Software და Quantum Machine Learning 18 წლის 2018 ივლისს. QC Ware– ს დემომ აჩვენა QAOA– ს განხორციელება, მაქსიმალური შემცირების მაგალითის გადაჭრა პრობლემა წყდება Cirq სიმულატორზე. კვანტური პროგრამები Cirq- ში წარმოდგენილია "Circuit" და "Schedule" - ით, სადაც "Circuit" წარმოადგენს Quantum ჩართვას და "Schedule" წარმოადგენს Quantum Circuit დროის ინფორმაციით. პროგრამების შესრულება შესაძლებელია ადგილობრივ ტრენაჟორებზე. შემდეგი მაგალითი გვიჩვენებს, თუ როგორ უნდა შექმნათ და გავზომოთ Bell მდგომარეობა Cirq- ში.
იმპორტი ცირკი
# აირჩიე კუბიტები
qubit0 = ცირკი.GridQubit(0, 0)
qubit1 = ცირკი.GridQubit(0, 1)
# შექმენით წრე
ჩართვა = ცირკი.Circuit.from- დან(
ცირკი.H(qubit0),
ცირკი.CNOT(qubit0, qubit1),
ცირკი.გავზომოთ(qubit0, გასაღები='m0'),
ცირკი.გავზომოთ(qubit1, გასაღები='m1')
)
სქემის ბეჭდვა აჩვენებს მის სქემას
ბეჭდვა(ჩართვა)
# ნამუშევარი
# (0, 0): ───H─── @ ───M ('m0')
#
# (0, 1): ───────X───M ('m1')
მიკროსქემის სიმულაცია განმეორებით გვიჩვენებს, რომ კუბიტების გაზომვები კორელაციაშია.
სიმულატორი = ცირკი.Simulator()
შედეგად = სიმულატორი.პერსპექტივაში(ჩართვა, გამეორებები=5)
ბეჭდვა(შედეგად)
# ნამუშევარი
# მ 0 = 11010
# მ 1 = 11010
ჩამოტვირთეთ სრული ოფლაინ თვითსწავლების მოსამზადებელი მასალები EITC/AI/TFQML TensorFlow Quantum Machine Learning პროგრამისთვის PDF ფაილში
EITC/AI/TFQML მოსამზადებელი მასალები – სტანდარტული ვერსია
EITC/AI/TFQML მოსამზადებელი მასალები – გაფართოებული ვერსია მიმოხილვის კითხვებით