Wprowadzenie

Przegląd i motywacja

Przed rozpoczęciem prosimy o wypełnienie krótkiej ankiety przed kursem, która jest ważna dla poprawy naszej oferty treści i doświadczenia użytkownika.

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.

Witaj w kursie Kwantowe Algorytmy Diagonalizacji!

Świat jest pełen problemów o krytycznym znaczeniu dla ludzkości, które można sformułować jako problemy diagonalizacji macierzy. Obejmuje to dziedziny od finansów po fizykę i dotyczy układów tak różnych jak chemiczne miejsca wiązania i sieci dystrybucji. Nawet inne metody rozwiązywania problemów, takie jak uczenie maszynowe, korzystają z mocy macierzy. Postępy w obliczeniach klasycznych umożliwiły diagonalizację macierzy o zapierającej dech w piersiach wielkości. Istnieją jednak wciąż problemy przekraczające granice dokładnych klasycznych algorytmów diagonalizacji.

Kwantowe algorytmy diagonalizacji (QDA) wykorzystują moc komputerów kwantowych w połączeniu z podejściami klasycznymi. Oznacza to różne rzeczy dla różnych algorytmów. W niektórych przypadkach algorytm używa komputera kwantowego do szacowania wartości oczekiwanych macierzy i korzysta z komputerów klasycznych do uruchamiania wariacjonalnych algorytmów optymalizacji. Dotyczy to na przykład algorytmu Variational Quantum Eigensolver (VQE). W innych przypadkach pomiary kwantowe są używane do identyfikacji odpowiednich podprzestrzeni, w których projektowana jest interesująca nas macierz, a diagonalizacja tej zrzutowanej macierzy jest wykonywana w całości klasycznie. Opisuje to metody diagonalizacji kwantowej opartej na próbkowaniu (SQD) — jedne z najbardziej ekscytujących metod w obecnej erze obliczeń kwantowych.

Kurs zapewnia przegląd kilku podejść do diagonalizacji kwantowej. Zawiera pewne tło dotyczące metod klasycznych, które są używane lub które zainspirowały algorytmy kwantowe, oraz przeprowadza przez implementację algorytmów kwantowych na rzeczywistych komputerach kwantowych. Przedstawiana jest obszerna dyskusja na temat czynników determinujących skalowanie podejść z użyciem algorytmów klasycznych i kwantowych. Ma to kluczowe znaczenie dla określenia, czy twój problem może skorzystać z konkretnego algorytmu kwantowego. Łącząc abstrakcyjne podejścia matematyczne z najnowocześniejszym sprzętem kwantowym, program kształcenia wyposaża uczestników w umiejętności poruszania się w szybko ewoluującym krajobrazie kwantowych technik obliczeniowych.

Cele uczenia się kursu

Po ukończeniu kursu możesz oczekiwać budowania następujących podstawowych umiejętności i kompetencji. Uczący się będą potrafili:

1. Zidentyfikować kilka branżowych zastosowań diagonalizacji dużych macierzy.

2. Zidentyfikować kilka klasycznych podejść do diagonalizacji i ich kwantowe odpowiedniki.

3. Wyjaśnić, jakie czynniki determinują efektywność QDA.

4. Zidentyfikować kilka relatywnych mocnych i słabych stron typowych QDA.

5. Implementować QDA przy użyciu Qiskit Runtime primitives i zgodnie z wzorcami Qiskit.

6. Zidentyfikować typy problemów najbardziej podatnych na QDA.

7. Dostosować przykładowy problem do własnego problemu zainteresowania.

8. Znać ograniczenia implementowania QDA na komputerach kwantowych przed osiągnięciem tolerancji na błędy w dużej skali.

Struktura kursu

Kurs składa się z kilku lekcji. Każda lekcja zawiera kilka pytań kontrolnych w całym tekście, dzięki którym możesz ćwiczyć nowe umiejętności lub sprawdzać swoje rozumienie na bieżąco. Nie są one wymagane.

Na końcu kursu znajduje się quiz złożony z 20 pytań. Aby uzyskać odznakę Kwantowe Algorytmy Diagonalizacji za pośrednictwem Credly, musisz zdobyć co najmniej 70% punktów. Jeśli osiągniesz co najmniej 70%, odznaka zostanie automatycznie wysłana do ciebie e-mailem wkrótce po zakończeniu. Istnieje limit liczby podejść do tego quizu. Szczegóły znajdziesz w quizie.

Struktura kursu jest następująca:

• Lekcja 0: Wprowadzenie i przegląd
• Lekcja 1: Variational Quantum Eigensolver
• Lekcja 2: Kwantowa diagonalizacja Krylova
• Lekcja 3: Diagonalizacja kwantowa oparta na próbkowaniu
• Lekcja 4: Zastosowanie SQD
• Lekcja 5: Kwantowa diagonalizacja Krylova oparta na próbkowaniu
• Egzamin na odznakę