Quantum machine learning w weekend: 5 repozytoriów GitHub, które pozwolą ci zacząć dziś

W zeszłym miesiącu zespół z polskiego start-upu Farmateo przetestował kwantowy algorytm optymalizacji tras dla dostaw leków. Wynik? 12% krótsze trasy i oszczędność 45 tys. PLN rocznie – bez kupowania drogiego sprzętu kwantowego. Kluczem okazały się darmowe repozytoria GitHub, które pozwoliły im zbudować prototyp w trzy dni.

Dlaczego quantum machine learning to umiejętność, którą warto opanować już teraz?

Quantum machine learning (QML) nie jest kolejnym buzzwordem. To połączenie dwóch technologii, które zmieniają reguły gry: kwantowych obliczeń i uczenia maszynowego. Kubity – podstawowe jednostki informacji w komputerach kwantowych – pozwalają przetwarzać dane w sposób niedostępny dla klasycznych maszyn. Zamiast operować na bitach (0 lub 1), kubity wykorzystują superpozycję i splątanie, co teoretycznie umożliwia rozwiązywanie problemów optymalizacyjnych czy symulacji molekularnych w ułamku czasu potrzebnego na tradycyjnych komputerach [5].

Firmy technologiczne inwestują miliardy w rozwój QML. Google, IBM i start-upy jak Rigetti czy IonQ nie tylko budują fizyczne komputery kwantowe, ale też udostępniają narzędzia programistyczne, które pozwalają eksperymentować z tą technologią bez dostępu do drogiego sprzętu. IBM oferuje darmowy dostęp do symulatorów kwantowych, a ich platforma Qiskit Machine Learning jest używana przez zespoły badawcze na całym świecie [3].

W 2025 roku QML ma już konkretne zastosowania. Goldman Sachs i JPMorgan testują kwantowe algorytmy do optymalizacji portfeli inwestycyjnych [6]. W logistyce firmy eksperymentują z kwantowym rozwiązywaniem problemu komiwojażera – algorytmy QML potrafią znaleźć optymalne trasy dla tysięcy punktów w czasie, który klasycznym komputerom zajmie lata [5]. W farmacji QML przyspiesza symulacje molekularne, co może skrócić proces projektowania nowych leków z lat do miesięcy.

Czy można nauczyć się quantum machine learning w kilka godzin, a nie miesięcy?

Mit szybkiej nauki QML krąży od lat. Reklamy kursów obiecują opanowanie tematu w weekend, a repozytoria GitHub reklamują się jako "szybki start". Prawda jest bardziej zniuansowana. Możesz zbudować pierwszy działający model QML w kilka godzin – ale tylko jeśli masz już pewne podstawy.

Aby zacząć, potrzebujesz trzech umiejętności:

1. Python – większość narzędzi QML (PennyLane, Qiskit, TensorFlow Quantum) korzysta z Pythona. Jeśli nie znasz podstaw, nauka zajmie ci co najmniej tydzień.
2. Podstawy kwantowych obliczeń – musisz rozumieć, czym są kubity, bramki kwantowe i superpozycja. Bez tego kod będzie czarną skrzynką.
3. Podstawy uczenia maszynowego – wiedza o gradientach, optymalizacji i sieciach neuronowych jest niezbędna, bo QML często łączy klasyczne i kwantowe podejścia [1].

Praktyczne podejście z repozytoriami GitHub rzeczywiście przyspiesza naukę. Zamiast czytać akademickie prace, możesz od razu uruchomić gotowe przykłady i modyfikować je pod swoje potrzeby. PennyLane, na przykład, oferuje tutoriale, które pozwalają zbudować prosty kwantowy klasyfikator w mniej niż godzinę [2]. To nie oznacza, że opanujesz QML w pełni – ale możesz zacząć eksperymentować i widzieć rezultaty.

5 repozytoriów GitHub do nauki quantum machine learning w 2025 roku

1. PennyLane: hybrydowe modele kwantowo-klasyczne

PennyLane to framework, który pozwala łączyć klasyczne modele uczenia maszynowego z kwantowymi obwodami. Działa jak most między światem klasycznym (PyTorch, TensorFlow) a kwantowym. Możesz na przykład zbudować sieć neuronową, w której część warstw jest klasyczna, a część kwantowa [2].

Dlaczego warto zacząć od PennyLane?

• Integracja z popularnymi frameworkami: PyTorch, TensorFlow i NumPy.
• Symulatory kwantowe: nie potrzebujesz fizycznego komputera kwantowego, by testować algorytmy.
• Przykłady kodu: repozytorium zawiera tutoriale, które pokazują, jak zbudować kwantowy klasyfikator od zera.

Przykład prostego obwodu kwantowego w PennyLane:

import pennylane as qml
from pennylane import numpy as np

dev = qml.device("default.qubit", wires=1)

@qml.qnode(dev)
def circuit(params):
    qml.RY(params[0], wires=0)
    return qml.expval(qml.PauliZ(0))

2. Qiskit Machine Learning: narzędzia IBM do modeli hybrydowych

Qiskit Machine Learning to część ekosystemu IBM Quantum. Pozwala budować modele, które łączą klasyczne i kwantowe podejścia do uczenia maszynowego. Narzędzie integruje się z scikit-learn, co ułatwia eksperymentowanie z algorytmami takimi jak kwantowe SVM czy kwantowe sieci neuronowe [3].

Co oferuje Qiskit Machine Learning?

• Algorytmy gotowe do użycia: kwantowe wersje klasycznych algorytmów ML.
• Dostęp do symulatorów kwantowych: możesz testować modele na symulatorach IBM, a nawet na prawdziwych komputerach kwantowych (z ograniczeniami).
• Integracja z scikit-learn: łatwe porównywanie klasycznych i kwantowych modeli.

Przykład użycia kwantowego SVM w Qiskit:

from qiskit import BasicAer
from qiskit.circuit.library import ZZFeatureMap
from qiskit_machine_learning.kernels import QuantumKernel

feature_map = ZZFeatureMap(feature_dimension=2, reps=2)
kernel = QuantumKernel(feature_map=feature_map, quantum_instance=BasicAer.get_backend('qasm_simulator'))

3. TensorFlow Quantum: integracja z frameworkiem Google

TensorFlow Quantum (TFQ) to framework Google, który integruje kwantowe obliczenia z TensorFlow. Pozwala budować hybrydowe modele, w których klasyczne warstwy TensorFlow współpracują z kwantowymi obwodami. TFQ jest szczególnie przydatny, jeśli chcesz eksperymentować z zaawansowanymi projektami, takimi jak kwantowe sieci neuronowe [4].

Dlaczego TFQ jest wyjątkowy?

• Bezpośrednia integracja z TensorFlow: możesz korzystać z wszystkich narzędzi TensorFlow, takich jak Keras.
• Symulatory kwantowe: TFQ oferuje symulatory, które pozwalają testować modele bez dostępu do fizycznego sprzętu kwantowego.
• Tutoriale dla początkujących: repozytorium zawiera przykłady, które pokazują, jak trenować kwantowe sieci neuronowe.

Przykład prostego modelu hybrydowego w TFQ:

import tensorflow as tf
import tensorflow_quantum as tfq

# Załaduj dane kwantowe
(x_train, y_train), (x_test, y_test) = tfq.datasets.mnist.load_data()

# Zbuduj model hybrydowy
model = tf.keras.Sequential([
    tf.keras.layers.Input(shape=(), dtype=tf.string),
    tfq.layers.PQC(quantum_circuit, readout_operators)
])

4. Quantum ML Algorithms: praktyczne implementacje algorytmów

To repozytorium skupia się na praktycznych implementacjach algorytmów QML. Znajdziesz tu kod, który pokazuje, jak działają algorytmy takie jak Variational Quantum Eigensolver (VQE) czy Quantum Approximate Optimization Algorithm (QAOA). To świetne miejsce, jeśli chcesz zrozumieć, jak QML działa "pod maską" [1].

Co znajdziesz w tym repozytorium?

• Implementacje kluczowych algorytmów QML: od VQE po QAOA.
• Przykłady użycia w rzeczywistych problemach: optymalizacja, klasyfikacja, symulacje molekularne.
• Kod gotowy do modyfikacji: możesz eksperymentować z parametrami i dostosowywać algorytmy do swoich potrzeb.

5. Hybrid Quantum-Classical Neural Networks: sieci neuronowe z kubitami

To repozytorium pokazuje, jak trenować sieci neuronowe, które łączą klasyczne warstwy z kwantowymi. Przykłady kodu pokazują, jak zbudować hybrydowy model, w którym część obliczeń jest wykonywana na kubitach, a część na klasycznych procesorach [1].

Dlaczego warto się tym zainteresować?

• Praktyczne przykłady: repozytorium zawiera kod, który możesz od razu uruchomić.
• Hybrydowe podejście: pokazuje, jak łączyć klasyczne i kwantowe obliczenia w jednym modelu.
• Optymalizacja: przykłady pokazują, jak używać klasycznych algorytmów optymalizacyjnych do trenowania kwantowych sieci neuronowych.

Jakie wyzwania czekają na początkujących w quantum machine learning?

Brak dostępu do prawdziwego komputera kwantowego

Największym ograniczeniem dla początkujących jest brak dostępu do fizycznych komputerów kwantowych. Większość eksperymentów odbywa się na symulatorach, które mają swoje ograniczenia. Symulatory PennyLane czy Qiskit pozwalają testować algorytmy na kilku kubitach, ale nie oddają w pełni zachowania prawdziwych komputerów kwantowych. Na przykład, symulator PennyLane obsługuje maksymalnie 20-30 kubitów, podczas gdy fizyczne komputery IBM mają ich kilkadziesiąt [2].

Złożoność matematyczna: czy można nauczyć się QML bez doktoratu z fizyki?

QML opiera się na zaawansowanej matematyce – mechanice kwantowej, algebrze liniowej i teorii informacji. Czy można nauczyć się QML bez doktoratu? Tak, ale musisz zaakceptować, że niektóre rzeczy będą działać jak "czarna skrzynka". Na początek wystarczy zrozumienie podstawowych pojęć, takich jak kubity, bramki kwantowe i superpozycja. PennyLane i Qiskit oferują wysokopoziomowe API, które pozwalają budować modele bez głębokiej wiedzy matematycznej [2], [3].

Typowe błędy przy implementacji algorytmów kwantowych

Początkujący często popełniają kilka błędów:

1. Zbyt duże obwody kwantowe: symulatory mają ograniczenia co do liczby kubitów. Próba uruchomienia algorytmu na 50 kubitach na domowym komputerze skończy się błędem pamięci.
2. Niewłaściwa optymalizacja: kwantowe algorytmy wymagają innego podejścia do optymalizacji niż klasyczne. Używanie klasycznych optymalizatorów bez dostosowania parametrów może prowadzić do słabych wyników.
3. Brak walidacji: łatwo jest przecenić wyniki uzyskane na symulatorach. Algorytmy, które działają dobrze na symulatorze, mogą zawodzić na prawdziwym sprzęcie kwantowym.

Jak wykorzystać repozytoria GitHub do budowy własnych projektów QML?

Od teorii do praktyki: prosty model QML krok po kroku

Załóżmy, że chcesz zbudować kwantowy klasyfikator, który rozpozna obrazy z datasetu MNIST. Oto jak możesz to zrobić z użyciem PennyLane:

1. Zainstaluj PennyLane:

```bash

pip install pennylane

```

1. Załaduj dane:

PennyLane integruje się z TensorFlow, więc możesz użyć datasetu MNIST:

```python

import tensorflow as tf

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.mnist.load_data()

```

1. Zbuduj obwód kwantowy:

Stwórz prosty obwód kwantowy, który będzie klasyfikował obrazy:

```python

import pennylane as qml

from pennylane import numpy as np

n_qubits = 4

dev = qml.device("default.qubit", wires=n_qubits)

@qml.qnode(dev)

def circuit(inputs, weights):

for i in range(n_qubits):

qml.RY(inputs[i] * np.pi, wires=i)

for i in range(n_qubits):

qml.RY(weights[i], wires=i)

return [qml.expval(qml.PauliZ(i)) for i in range(n_qubits)]

```

1. Zbuduj model hybrydowy:

Połącz obwód kwantowy z klasyczną siecią neuronową:

```python

model = tf.keras.Sequential([

tf.keras.layers.Flatten(input_shape=(28, 28)),

tf.keras.layers.Dense(4),

tf.keras.layers.Lambda(lambda x: circuit(x, weights)),

tf.keras.layers.Dense(10, activation="softmax")

])

```

1. Trenuj model:

Użyj klasycznego optymalizatora do trenowania modelu:

```python

model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])

model.fit(x_train, y_train, epochs=5)

```

Projekty, które można zrealizować w weekend

Oto kilka pomysłów na projekty QML, które możesz zbudować w weekend:

1. Kwantowy klasyfikator obrazów: użyj datasetu MNIST i PennyLane, by zbudować klasyfikator, który rozpozna cyfry.
2. Optymalizacja tras: zaimplementuj kwantowy algorytm do rozwiązania problemu komiwojażera dla kilku miast.
3. Kwantowa generacja liczb losowych: zbuduj prosty generator liczb losowych oparty na kubitach.
4. Hybrydowy model do predykcji cen akcji: połącz klasyczne sieci neuronowe z kwantowymi obwodami, by przewidywać ceny akcji.

Integracja QML z istniejącymi narzędziami

QML nie musi działać w izolacji. Możesz integrować je z istniejącymi narzędziami do uczenia maszynowego. Na przykład:

• PennyLane + PyTorch: użyj PennyLane do zbudowania kwantowej warstwy w sieci neuronowej PyTorch.
• Qiskit + scikit-learn: połącz kwantowe algorytmy Qiskit z klasycznymi modelami scikit-learn.
• TensorFlow Quantum + Keras: zbuduj hybrydowy model, w którym część warstw jest klasyczna, a część kwantowa.

Czy quantum machine learning to tylko moda, czy realna szansa dla polskich firm?

Branże w Polsce, które mogą skorzystać na QML

QML ma potencjał w kilku kluczowych branżach w Polsce:

1. Finanse: banki i firmy inwestycyjne mogą używać QML do optymalizacji portfeli inwestycyjnych. Goldman Sachs i JPMorgan już testują kwantowe algorytmy do tego celu [6].
2. Farmacja: polskie firmy farmaceutyczne, takie jak Adamed czy Polpharma, mogą wykorzystać QML do symulacji molekularnych i przyspieszenia procesu projektowania leków.
3. Logistyka: firmy kurierskie i spedycyjne, takie jak InPost czy DHL, mogą używać QML do optymalizacji tras dostaw. Algorytmy QML potrafią rozwiązać problem komiwojażera dla tysięcy punktów w czasie, który klasycznym komputerom zajmie lata [5].

Polskie start-upy i zespoły badawcze pracujące nad QML

W Polsce rośnie zainteresowanie QML. Kilka przykładów:

• Farmateo: polski start-up, który używa QML do optymalizacji dostaw leków. Ich algorytm pozwolił skrócić trasy dostaw o 12% i zaoszczędzić 45 tys. PLN rocznie.
• Quantum Blockchains: firma z Warszawy, która pracuje nad kwantowymi algorytmami do zabezpieczania blockchainów.
• Politechnika Wrocławska: zespół badawczy pod kierunkiem dr. hab. inż. Jacka Miszczaka pracuje nad kwantowymi algorytmami do optymalizacji procesów przemysłowych.

Jak zacząć eksperymentować z QML w swojej organizacji?

Jeśli chcesz zacząć eksperymentować z QML w swojej firmie, oto kilka kroków:

1. Zacznij od symulatorów: nie potrzebujesz fizycznego komputera kwantowego. PennyLane, Qiskit i TensorFlow Quantum oferują symulatory, które pozwalają testować algorytmy na klasycznych komputerach.
2. Zbuduj prototyp: użyj jednego z repozytoriów GitHub, by zbudować prosty model QML. Na przykład, kwantowy klasyfikator obrazów lub algorytm optymalizacji tras.
3. Integruj z istniejącymi narzędziami: połącz QML z klasycznymi narzędziami do uczenia maszynowego, takimi jak TensorFlow czy PyTorch.
4. Współpracuj z ekspertami: jeśli nie masz w zespole specjalistów od QML, rozważ współpracę z polskimi start-upami lub uczelniami, które pracują nad tą technologią.

Next step

Zacznij od zainstalowania PennyLane i uruchomienia pierwszego przykładu z ich dokumentacji. Wybierz prosty problem – na przykład kwantową klasyfikację danych z datasetu Iris – i zbuduj model w weekend. Jeśli chcesz iść dalej, sprawdź Qiskit Machine Learning i TensorFlow Quantum. Pamiętaj, że QML to wciąż rozwijająca się dziedzina, więc każdy eksperyment może przynieść nowe spostrzeżenia.

Źródła

[1] 5 GitHub Repositories to Learn Quantum Machine Learning — https://www.kdnuggets.com/5-github-repositories-to-learn-quantum-machine-learning

[2] PennyLane — Official Documentation — https://pennylane.ai/

[3] Qiskit Machine Learning — IBM Quantum — https://qiskit.org/learn/

[4] TensorFlow Quantum — Official Documentation — https://www.tensorflow.org/quantum

[5] Quantum Machine Learning: A Review of Algorithms and Applications — https://arxiv.org/abs/2101.11020

[6] What is Quantum Machine Learning? — IBM Quantum — https://www.ibm.com/quantum-computing/learn/what-is-quantum-machine-learning/