Quantum machine learning : an applied approach : the theory and application of quantum machine learning in science and industry

کتاب «Quantum Machine Learning: An Applied Approach» نوشتهٔ سانتانو گانگولی، یکی از جامع‌ترین و کاربردی‌ترین منابع منتشرشده در حوزهٔ تلفیق دو دانش پیشروی محاسبات کوانتومی و یادگیری ماشین است. این کتاب که توسط انتشارات معتبر Apress در سال ۲۰۲۱ به چاپ رسیده، با رویکردی کاملاً عملی، خواننده را از مفاهیم بنیادین تا پیاده‌سازی الگوریتم‌های پیشرفته در صنعت و پژوهش راهنمایی می‌کند و به همین دلیل، به مرجعی ارزشمند برای متخصصان و علاقه‌مندان این حوزه تبدیل شده است.

دربارهٔ کتاب «Quantum Machine Learning: An Applied Approach» —

این کتاب با هدف پر کردن شکاف بین تئوری‌های انتزاعی مکانیک کوانتوم و کاربردهای عملی یادگیری ماشین نوشته شده است. «Quantum Machine Learning: An Applied Approach» در فصل‌های ابتدایی خود، پایه‌های اساسی هر دو حوزه را به‌صورتی شفاف و قابل‌درک برای مخاطبانی با پیشینه‌های متفاوت تبیین می‌کند و نشان می‌دهد که چگونه مفاهیم علوم رایانه و فیزیک در کنار یکدیگر، افق‌های جدیدی را در پردازش اطلاعات می‌گشایند. این کتاب به‌جای پرداختن صرف به مبانی نظری، مستقیماً وارد حوزهٔ عمل شده و با بهره‌گیری از کتابخانه‌های منبع‌باز روز مانند Qiskit، TensorFlow Quantum، Cirq و PennyLane، تمرین‌های عملی گام‌به‌گامی را برای پیاده‌سازی الگوریتم‌ها ارائه می‌دهد. ساختار کتاب به‌گونه‌ای طراحی شده است که خواننده را به‌تدریج با الگوریتم‌های پیچیده‌تر آشنا کند. از مباحث پایه‌ای مانند شبکه‌های عصبی و علم اطلاعات کوانتومی گرفته تا الگوریتم‌های پیشرفته‌تری همچون خوشه‌بندی کوانتومی (Quantum k-means و k-medians)، شبکه‌های عصبی کوانتومی، بهینه‌سازی کوانتومی و حتی حوزه‌های پژوهشی روز مانند راه‌رفت کوانتومی (Quantum Walks) و کیوبوست (QBoost). نویسنده با تکیه بر تجربهٔ پژوهشی خود، نه‌تنها تئوری هر الگوریتم را شرح می‌دهد، بلکه با ارائهٔ مثال‌های کد و ارجاع به وب‌سایت پشتیبان کتاب که شامل همهٔ نمونه‌هاست، امکان یادگیری تجربی را برای مخاطب فراهم می‌آورد. این رویکرد دوگانهٔ نظری-عملی، کتاب را به منبعی منحصربه‌فرد برای درک عمیق و در عین حال کاربردی از یادگیری ماشین کوانتومی تبدیل کرده است.

دربارهٔ نویسنده

نویسندهٔ کتاب، سانتانو گانگولی (Santanu Ganguly)، یک متخصص برجسته در حوزهٔ فناوری‌های کوانتومی با بیش از دو دهه سابقهٔ کاری در زمینهٔ محاسبات ابری، شبکه‌های داده و امنیت است. او دارای دو مدرک تحصیلات تکمیلی در رشته‌های ریاضیات و اخترفیزیک رصدی است و سابقهٔ پژوهش و انتشار مقاله در حوزه‌های فناوری کوانتوم، فوتونیک سیلیکونی و طیف‌نمایی لیزری را در کارنامه دارد. گانگولی که در حال حاضر در بریتانیا ساکن است، در شرکت‌های بزرگی مانند سیسکو سیستمز (Cisco Systems) به عنوان معمار سیستم فعالیت داشته و رهبری پروژه‌های جهانی مرتبط با ارتباطات کوانتومی و یادگیری ماشین را بر عهده داشته است. تجربهٔ گستردهٔ او در صنعت و پژوهش، به اعتبار و کاربردی‌شدن محتوای این کتاب کمک شایانی کرده است.

چرا باید «Quantum Machine Learning: An Applied Approach» را بخوانید؟

• دسترسی به یک نقشه‌راه عملی برای ورود به دنیای یادگیری ماشین کوانتومی: این کتاب با زبانی شیوا و ساختاری منظم، شما را از صفر تا سطح پیشرفته با این حوزهٔ نوظهور آشنا می‌کند.
• آشنایی با کتابخانه‌های مطرح و به‌روز این حوزه: با خواندن این کتاب، با ابزارهای قدرتمندی مانند Qiskit، TensorFlow Quantum، Cirq و PennyLane آشنا شده و نحوهٔ استفاده از آن‌ها را در پروژه‌های واقعی فرا می‌گیرید.
• درک مفاهیم پیچیده از طریق مثال‌های عینی و کدنویسی: نویسنده با ارائهٔ مثال‌های کد و تمرین‌های عملی، مفاهیم انتزاعی را ملموس کرده و یادگیری را برای مخاطب تسهیل می‌کند.
• دستیابی به دیدگاهی جامع از کاربردهای صنعتی و پژوهشی: کتاب فراتر از تئوری، به کاربردهای عملی الگوریتم‌ها در صنایع مختلف پرداخته و چشم‌اندازی روشن از آیندهٔ این فناوری ارائه می‌دهد.
• صرفه‌جویی در زمان با بهره‌گیری از دانش و تجربهٔ یک متخصص: این کتاب حاصل سال‌ها تجربهٔ عملی و پژوهشی نویسنده است و می‌تواند مسیر یادگیری را برای علاقه‌مندان به‌شدت کوتاه‌تر کند.

این کتاب برای چه کسانی مناسب است؟

«Quantum Machine Learning: An Applied Approach» به‌عنوان منبعی ارزشمند برای طیف گسترده‌ای از مخاطبان طراحی شده است. این کتاب برای دانشمندان داده (Data Scientists) و متخصصان یادگیری ماشین که به‌دنبال درک و بهره‌گیری از توانمندی‌های محاسبات کوانتومی هستند، بسیار مناسب است. همچنین، محققان و دانشجویان حوزه‌های علوم رایانه، فیزیک و ریاضیات که می‌خواهند دانش خود را در این زمینهٔ میان‌رشته‌ای به‌روز کنند، مخاطب اصلی این اثر به‌شمار می‌روند. رویکرد عملی کتاب و فرض بر دانش مقدماتی از مفاهیم پایه، آن را به گزینه‌ای ایده‌آل برای متخصصانی تبدیل می‌کند که به‌دنبال کاربرد عملی الگوریتم‌های کوانتومی در پروژه‌های خود هستند، بدون آن‌که نیاز به غوطه‌وری عمیق در تئوری‌های پیچیدهٔ فیزیک کوانتوم داشته باشند.

سوالات متداول

آیا برای مطالعهٔ این کتاب به پیش‌زمینهٔ قوی در مکانیک کوانتوم نیاز است؟

خیر. با اینکه کتاب به عمق مباحث کوانتومی می‌پردازد، اما در فصل‌های ابتدایی، مفاهیم پایه‌ای را به‌گونه‌ای توضیح می‌دهد که برای افراد با پیشینهٔ علوم رایانه و یادگیری ماشین نیز قابل‌درک باشد. هدف کتاب، ایجاد یک پل ارتباطی بین این دو حوزه است، نه صرفاً ارائهٔ یک متن تخصصی فیزیک.

آیا محتوای کتاب به‌روز است و از جدیدترین کتابخانه‌های متن‌باز پشتیبانی می‌کند؟

بله. کتاب در سال ۲۰۲۱ منتشر شده و به‌صراحت بر کتابخانه‌های به‌روزی مانند TensorFlow Quantum (که در زمان انتشار، جدیدترین ابزار گوگل بود) و PennyLane تمرکز دارد. همچنین نویسنده وب‌سایتی برای کتاب ایجاد کرده است که نمونه‌کدهای به‌روز را در خود جای داده است.

آیا برای پیاده‌سازی مثال‌های کتاب، به سخت‌افزار کوانتومی واقعی نیاز دارم؟

خیر. کتاب به‌صراحت به گزینه‌های مختلف برای دسترسی به اکوسیستم محاسبات کوانتومی از جمله سرویس‌های ابری رایگان اشاره می‌کند. شما می‌توانید با استفاده از شبیه‌سازهای موجود در کتابخانه‌هایی مانند Qiskit، تمرین‌ها را روی رایانهٔ شخصی خود اجرا کرده و یا از طریق ابر به پردازنده‌های کوانتومی واقعی دسترسی پیدا کنید.

Trademarked names, logos, and images may appear in this book. Rather than use a trademark symbol with every occurrence of a trademarked name, logo, or image we use the names, logos, and images only in an editorial fashion and to the benefit of the trademark owner, with no intention of infringement of the trademark.The use in this publication of trade names, trademarks, service marks, and similar terms, even if they are not identified as such, is not to be taken as an expression of opinion as to whether or not they are subject to proprietary rights. About the Author Santanu Ganguly has worked in quantum technologies, cloud computing, data networking, and security (research, design, and delivery) for more than 22 years. He has worked in Switzerland for ISPs and is currently based in the United Kingdom, where he has held senior-level positions at various Silicon Valley vendors. He has two postgraduate degrees (one in mathematics and another in observational astrophysics) and research experience and publications in quantum technologies, silicon photonics and laser spectroscopy. He is currently leading global projects related to quantum communication and machine learning, among other technologies. I thank my childhood friend Saumyadip Dasgupta, MD, of Carmel, Indiana (and his brilliant family) for his lifelong friendship and unselfish support. My appreciation knows no bounds. In addition, I would like to express my very special thanks of gratitude to the following people. • Dr. Markus Hoffmann of Google Research for his kind, unconditional help and guidance about using Google's open source libraries in this work • D-Wave for reviewing the chapters related to their technology and for permitting me to use their libraries and some material • Dr. Maria Schuld of Xanadu Quantum Technologies Inc. and the University of KwaZulu-Natal for being kind enough to respond to my queries-her pioneering work in this field has been abundantly referred to in this book. • Rafal Janik and Sepehr Taghavi of Xanadu Quantum Technologies Inc. for being kind enough to spare some time and guidance on Xanadu and PennyLane • Dr. Louis "Sam" Samuel, Director of Emerging Technologies and Incubation (ET&I) at Cisco Systems, for his leadership and guidance in everything related to "quantum tech" and research • Jeff Apcar, Distinguished Engineer, Customer Experience (CX) at Cisco Systems, for his leadership in quantum-related publications and for allowing me to use his very creative diagrams in Chapter 1 • Dr. Joel Gottlieb of Quantum Computing Inc. (formerly of D-Wave) for his kind offer to review the book and for his patience with my outlandish serial requests since that fateful day when I met him at a D-Wave training aCknowledgmenTs xvii Know how to adapt quantum computing and machine learning algorithms. This book takes you on a journey into hands-on quantum machine learning (QML) through various options available in industry and research. The first three chapters offer insights into the combination of the science of quantum mechanics and the techniques of machine learning, where concepts of classical information technology meet the power of physics. Subsequent chapters follow a systematic deep dive into various quantum machine learning algorithms, quantum optimization, applications of advanced QML algorithms (quantum k-means, quantum k-medians, quantum neural networks, etc.), qubit state preparation for specific QML algorithms, inference, polynomial Hamiltonian simulation, and more, finishing with advanced and up-to-date research areas such as quantum walks, QML via Tensor Networks, and QBoost. Hands-on exercises from open source libraries regularly used today in industry and research are included, such as Qiskit, Rigetti's Forest, D-Wave's dOcean, Google's Cirq and brand new TensorFlow Quantum, and Xanadu's PennyLane, accompanied by guided implementation instructions. Wherever applicable, the book also shares various options of accessing quantum computing and machine learning ecosystems as may be relevant to specific algorithms. The book offers a hands-on approach to the field of QML using updated libraries and algorithms in this emerging field. You will benefit from the concrete examples and understanding of tools and concepts for building intelligent systems boosted by the quantum computing ecosystem. This work leverages the author's active research in the field and is accompanied by a constantly updated website for the book which provides all of the code examples. What You will Learn Understand and explore quantum computing and quantum machine learning, and their application in science and industry Explore various data training models utilizing quantum machine learning algorithms and Python libraries Get hands-on and familiar with applied quantum computing, including freely available cloud-based access Be familiar with techniques for training and scaling quantum neural networks Gain insight into the application of practical code examples without needing to acquire excessive machine learning theory or take a quantum mechanics deep dive Who This Book Is For Data scientists, machine learning professionals, and researchers