Úvod
Přehled a motivace
Než začneš, vyplň prosím tento krátký dotazník před kurzem, který je důležitý pro zlepšení našich vzdělávacích materiálů a uživatelského zážitku.
Note: This survey is provided by IBM Quantum and relates to the original English content. To give feedback on doQumentation's website, translations, or code execution, please open a GitHub issue.
Vítej v kurzu Kvantové diagonalizační algoritmy!
Svět je plný problémů zásadního významu pro lidi, které lze formulovat jako problémy maticové diagonalizace. To se týká oborů od financí po fyziku a vztahuje se na systémy tak odlišné, jako jsou chemická vazebná místa a distribuční sítě. Dokonce i jiné metody řešení problémů, jako je strojové učení, využívají sílu matic. Pokroky v klasickém výpočetnictví umožnily diagonalizovat matice závratné velikosti. Stále však existují problémy, které překračují limity přesných klasických diagonalizačních algoritmů.
Kvantové diagonalizační algoritmy (QDAs) využívají sílu kvantových počítačů v kombinaci s klasickými přístupy. Pro různé algoritmy to znamená různé věci. V některých případech algoritmus používá kvantový počítač k odhadování maticových středních hodnot a klasické počítače ke spouštění variačních optimalizačních algoritmů. To platí například pro variační kvantový eigensolver (VQE). V jiných případech se kvantová měření používají k identifikaci vhodných podprostorů, do nichž projektujeme naši matici zájmu, a diagonalizace projektované matice se provádí zcela klasicky. Tím se popisují metody kvantové diagonalizace na základě vzorkování (SQD), jedny z nejzajímavějších metod v současné éře kvantového výpočetnictví.
Tento kurz poskytuje přehled několika přístupů ke kvantové diagonalizaci. Poskytujeme určité zázemí ke klasickým metodám, které jsou použity nebo které motivovaly kvantové algoritmy, a procházíme implementací kvantových algoritmů na skutečných kvantových počítačích. Je zde podrobná diskuse o tom, jaké faktory určují škálování přístupů využívajících klasické a kvantové algoritmy. To je klíčové pro určení, zda tvůj problém těží z konkrétního kvantového algoritmu. Propojením abstraktních matematických přístupů s nejmodernějším kvantovým hardwarem kurz umožňuje účastníkům orientovat se v rychle se vyvíjejícím prostředí kvantových výpočetních technik.
Cíle učení kurzu
Po absolvování tohoto kurzu můžeš očekávat, že si vybuduješ následující základní dovednosti a kompetence. Studenti budou schopni:
-
Identifikovat několik průmyslových aplikací diagonalizace velkých matic.
-
Identifikovat několik klasických diagonalizačních přístupů a jejich kvantové protějšky.
-
Vysvětlit, jaké faktory určují efektivitu QDAs.
-
Identifikovat několik relativních silných a slabých stránek běžných QDAs.
-
Implementovat QDAs pomocí primitiv Qiskit Runtime a podle vzorů Qiskit.
-
Identifikovat typy problémů nejvhodnější pro QDAs.
-
Přizpůsobit ukázkový problém svému vlastnímu problému zájmu.
-
Znát omezení implementace QDAs na kvantových počítačích před rozsáhlou odolností vůči chybám.
Struktura kurzu
Tento kurz se skládá z několika lekcí. Každá lekce obsahuje průběžné kontrolní otázky v textu, abys mohl/a procvičovat nové dovednosti nebo ověřovat své porozumění za pochodu. Tyto otázky nejsou povinné.
Na konci kurzu je kvíz s 20 otázkami. Musíš získat alespoň 70 % v tomto kvízu, abys získal/a odznak Kvantové diagonalizační algoritmy prostřednictvím Credly. Pokud získáš alespoň 70 %, odznak ti bude automaticky zaslán e-mailem brzy poté. Počet pokusů v tomto kvízu je omezen. Podrobnosti najdeš v kvízu.
Struktura kurzu je následující:
- Lekce 0: Úvod a přehled
- Lekce 1: Variační kvantový eigensolver
- Lekce 2: Krylovova kvantová diagonalizace
- Lekce 3: Kvantová diagonalizace na základě vzorkování
- Lekce 4: Aplikace SQD
- Lekce 5: Krylovova kvantová diagonalizace na základě vzorkování
- Zkouška pro odznak