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.
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
- Aperçu du système et structure de la chaîne d'outils
- Opérations quantiques prises en charge et ensemble de fonctionnalités
- API pour l'expérimentation avancée
Modèles hybrides quantiques-classiques
- Partitionnement des tâches entre les composants quantiques et classiques
- Stratégies d'encodage des données pour l'apprentissage amélioré par le quantique
- Préparations d'état et workflows de mesure
Algorithmes d'apprentissage machine quantique
- Circuits quantiques variationnels pour les tâches d'IA
- Kernels quantiques et cartes de caractéristiques
- Boucles d'optimisation pour les modèles hybrides
Construction de pipelines quantiques-IA avec Willow
- Développement de modèles hybrides de bout en bout
- Combinaison de Willow avec TensorFlow Quantum
- Tests et validation des prototypes quantiques-IA
Optimisation des performances et gestion des ressources
- Développement de modèles d'IA sensibles au bruit
- Gestion des contraintes de calcul dans les systèmes hybrides
- Mise en concurrence (benchmarking) des performances quantiques-IA
Applications et cas d'utilisation émergents
- Analyse de données améliorée par le quantique
- Optimisation pilotée par l'IA avec accélération quantique
- Potentiel d'adoption transversale aux industries
Tendances futures de la convergence quantique-IA
- Feux de route pour les systèmes quantiques-IA à grande échelle
- Avancées architecturales et évolution du matériel
- Orientations de la recherche façonnant la frontière quantique-IA
Résumé et prochaines étapes
Pré requis
- Une compréhension des concepts de l'informatique quantique
- Une expérience avec les frameworks d'apprentissage machine
- Une familiarité avec les workflows hybrides quantiques-classiques
Public cible
- Ingénieurs en IA
- Spécialistes en apprentissage machine
- Chercheurs en informatique quantique
21 Heures