Merci d'avoir envoyé votre demande ! Un membre de notre équipe vous contactera sous peu.
Merci d'avoir envoyé votre réservation ! Un membre de notre équipe vous contactera sous peu.
Durée 21 heures
Plan du cours
Introduction à l'intégration quantique-IA
- Motivations de l'intelligence hybride quantique-classique
- Opportunités clés et obstacles technologiques actuels
- Positionnement de Google Willow dans le paysage quantique-IA
Architecture et capacités de Google Willow
- Vue d'ensemble du système et structure de la chaîne d'outils
- Opérations quantiques prises en charge et gamme de fonctionnalités
- API pour des expériences avancées
Modèles hybrides quantique-classiques
- Répartition des tâches entre les composants quantiques et classiques
- Stratégies d'encodage des données pour un apprentissage renforcé par la quantique
- Flux de travail de préparation d'état et de mesure
Algorithmes d'apprentissage automatique quantique
- Circuits quantiques variationnels pour les tâches d'IA
- Noyaux quantiques et cartographies de caractéristiques
- Boucles d'optimisation pour les modèles hybrides
Construction de pipelines quantique-IA avec Willow
- Développement de modèles hybrides de bout en bout
- Combinaison de Willow avec TensorFlow Quantum
- Tests et validation de prototypes quantique-IA
Optimisation des performances et gestion des ressources
- Développement de modèles d'IA tenant compte du bruit
- Gestion des contraintes de calcul dans les systèmes hybrides
- Benchmarking des performances quantique-IA
Applications et cas d'usage émergents
- Analyse de données renforcée par la quantique
- Optimisation par IA avec accélération quantique
- Potentiel d'adoption intersectorielle
Tendances futures dans la convergence quantique-IA
- Feux de route pour les systèmes quantique-IA à grande échelle
- Avancées architecturales et évolution du matériel
- Directions de recherche façonnant la frontière de la quantique-IA
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts de l'informatique quantique
- Une expérience avec les cadres de développement d'apprentissage automatique (ML)
- Une familiarité avec les flux de travail hybrides quantique-classiques
Public cible
- Ingénieurs en IA
- Spécialistes en apprentissage automatique
- Chercheurs en informatique quantique