Introducere

Prezentare generală și motivație

Înainte de a începe, te rog să completezi acest scurt sondaj pre-curs, care este important pentru a ne ajuta să îmbunătățim oferta de conținut și experiența utilizatorului.

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.

Bun venit la Quantum Diagonalization Algorithms!

Lumea este plină de probleme de importanță critică pentru oameni care pot fi formulate ca probleme de diagonalizare a matricelor. Aceasta acoperă domenii de la finanțe la fizică și se aplică unor sisteme atât de diferite cum sunt situsurile de legătură chimică și rețelele de distribuție. Chiar și alte metode de rezolvare a problemelor, cum ar fi machine learning, valorifică puterea matricelor. Progresele în informatica clasică au făcut posibilă diagonalizarea unor matrice de dimensiuni uimitoare. Dar există încă probleme care depășesc limitele algoritmilor clasici exacti de diagonalizare.

Algoritmii cuantici de diagonalizare (QDA) valorifică puterea calculatoarelor cuantice în conjuncție cu abordările clasice. Aceasta înseamnă lucruri diferite pentru algoritmi diferiți. În unele cazuri, algoritmul folosește calculatorul cuantic pentru a estima valorile de așteptare ale matricei și folosește calculatoare clasice pentru a rula algoritmi de optimizare variatională. Acest lucru este valabil, de exemplu, pentru variational quantum eigensolver (VQE). În alte cazuri, măsurătorile cuantice sunt folosite pentru a identifica subspatii adecvate în care să proiectăm matricea de interes, iar diagonalizarea matricei proiectate se face în întregime clasic. Aceasta descrie metodele de diagonalizare cuantică bazată pe eșantionare (SQD), unele dintre cele mai interesante metode din era actuală a informaticii cuantice.

Acest curs oferă o prezentare generală a mai multor abordări ale diagonalizării cuantice. Furnizăm un context despre metodele clasice utilizate sau care au motivat algoritmii cuantici și parcurgem implementarea algoritmilor cuantici pe calculatoare cuantice reale. Există o discuție substanțială despre factorii care determină scalarea abordărilor ce folosesc algoritmi clasici și cuantici. Acest lucru este esențial pentru a determina dacă problema ta beneficiază de un anumit algoritm cuantic. Prin conectarea abordărilor matematice abstracte cu hardware-ul cuantic de ultimă generație, curriculumul le oferă participanților instrumentele necesare pentru a naviga în peisajul în rapidă evoluție al tehnicilor de calcul cuantic.

Obiectivele de învățare ale cursului

Prin finalizarea acestui curs, te poți aștepta să dezvolți următoarele competențe și abilități de bază. Cursanții vor fi capabili să:

1. Identifice mai multe aplicații industriale ale diagonalizării matricelor de mari dimensiuni.

2. Identifice mai multe abordări clasice de diagonalizare și contrapartidele lor cuantice.

3. Explice ce factori determină eficiența QDA.

4. Identifice mai multe puncte forte și puncte slabe relative ale QDA comune.

5. Implementeze QDA folosind primitivele Qiskit Runtime și urmând pattern-urile Qiskit.

6. Identifice tipurile de probleme cele mai adecvate pentru QDA.

7. Adapteze o problemă exemplu la propria problemă de interes.

8. Cunoască constrângerile implementării QDA pe calculatoare cuantice înainte de toleranța la erori la scară largă.

Structura cursului

Acest curs este alcătuit din mai multe lecții. Fiecare lecție conține mai multe întrebări de verificare pe parcursul textului, astfel încât să poți exersa noi competențe sau să îți verifici înțelegerea pe măsură ce avansezi. Acestea nu sunt obligatorii.

La sfârșitul cursului există un test cu 20 de itemi. Trebuie să obții un punctaj de cel puțin 70% la acest test pentru a obține insigna Quantum Diagonalization Algorithms, prin Credly. Dacă obții cel puțin 70%, insigna ta îți va fi trimisă automat prin email, la scurt timp după aceea. Există o limită pentru numărul de ori în care acest test poate fi susținut. Consultă testul pentru mai multe detalii.

Structura cursului este următoarea:

• Lecția 0: Introducere și prezentare generală
• Lecția 1: Variational quantum eigensolver
• Lecția 2: Krylov quantum diagonalization
• Lecția 3: Sample-based quantum diagonalization
• Lecția 4: Aplicație SQD
• Lecția 5: Sample-based Krylov quantum diagonalization
• Examen pentru insignă