Pengantar
Gambaran umum dan motivasi​
Sebelum mulai, mohon isi survei pra-kursus singkat ini, yang penting untuk membantu meningkatkan konten dan pengalaman pengguna kami.
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.
Selamat datang di Algoritma Diagonalisasi Kuantum!
Dunia dipenuhi masalah-masalah yang sangat penting bagi manusia yang bisa dirumuskan sebagai masalah diagonalisasi matriks. Ini mencakup berbagai bidang mulai dari keuangan hingga fisika, dan berlaku untuk sistem yang berbeda-beda seperti situs pengikatan kimia dan jaringan distribusi. Bahkan metode pemecahan masalah lain seperti machine learning memanfaatkan kekuatan matriks. Kemajuan dalam komputasi klasik telah memungkinkan kita untuk mendiagonalisasi matriks berukuran sangat besar. Tapi masih ada masalah-masalah yang melampaui batas algoritma diagonalisasi klasik yang tepat.
Algoritma diagonalisasi kuantum (QDA) memanfaatkan kekuatan komputer kuantum bersama dengan pendekatan klasik. Ini berarti hal yang berbeda untuk algoritma yang berbeda. Dalam beberapa kasus, algoritma menggunakan komputer kuantum untuk memperkirakan nilai ekspektasi matriks dan menggunakan komputer klasik untuk menjalankan algoritma optimasi variasional. Ini berlaku, misalnya, untuk variational quantum eigensolver (VQE). Dalam kasus lain, pengukuran kuantum digunakan untuk mengidentifikasi subruang yang sesuai untuk memproyeksikan matriks kita, dan diagonalisasi matriks yang diproyeksikan dilakukan sepenuhnya secara klasik. Ini menggambarkan metode diagonalisasi kuantum berbasis sampling (SQD), beberapa metode paling menarik di era komputasi kuantum saat ini.
Kursus ini memberikan gambaran tentang beberapa pendekatan untuk diagonalisasi kuantum. Kami memberikan latar belakang metode klasik yang digunakan, atau yang memotivasi algoritma kuantum, dan kami memandu implementasi algoritma kuantum pada komputer kuantum nyata. Ada diskusi mendalam tentang faktor-faktor apa yang menentukan skala pendekatan menggunakan algoritma klasik dan kuantum. Ini sangat penting untuk menentukan apakah masalah kamu mendapat manfaat dari algoritma kuantum tertentu. Dengan menghubungkan pendekatan matematika abstrak dengan hardware kuantum mutakhir, kurikulum ini memberdayakan peserta untuk menavigasi lanskap teknik komputasi kuantum yang berkembang pesat.
Tujuan pembelajaran kursus​
Dengan menyelesaikan kursus ini, kamu diharapkan dapat membangun keterampilan dan kompetensi inti berikut. Peserta akan mampu:
-
Mengidentifikasi beberapa aplikasi industri dari diagonalisasi matriks besar.
-
Mengidentifikasi beberapa pendekatan diagonalisasi klasik dan padanannya dalam kuantum.
-
Menjelaskan faktor-faktor apa yang menentukan efisiensi QDA.
-
Mengidentifikasi beberapa kelebihan dan kekurangan relatif dari QDA umum.
-
Mengimplementasikan QDA menggunakan Qiskit Runtime primitives dan mengikuti pola Qiskit.
-
Mengidentifikasi jenis masalah yang paling cocok untuk QDA.
-
Menyesuaikan contoh masalah dengan masalah yang mereka minati.
-
Mengetahui batasan implementasi QDA pada komputer kuantum sebelum toleransi kesalahan skala besar.
Struktur kursus​
Kursus ini terdiri dari beberapa pelajaran. Setiap pelajaran memiliki beberapa pertanyaan check-in sepanjang teks, agar kamu bisa melatih keterampilan baru atau memeriksa pemahamanmu sambil belajar. Ini tidak wajib.
Di akhir kursus, ada kuis 20 item. Kamu harus mendapat skor minimal 70% pada kuis ini untuk mendapatkan lencana Algoritma Diagonalisasi Kuantum, melalui Credly. Jika kamu mendapat skor minimal 70%, lencana akan otomatis dikirimkan ke email kamu, tak lama kemudian. Ada batasan jumlah pengambilan kuis ini. Lihat kuis untuk detail lebih lanjut.
Struktur kursus adalah sebagai berikut:
- Pelajaran 0: Pengantar dan gambaran umum
- Pelajaran 1: Variational quantum eigensolver
- Pelajaran 2: Diagonalisasi kuantum Krylov
- Pelajaran 3: Diagonalisasi kuantum berbasis sampling
- Pelajaran 4: Aplikasi SQD
- Pelajaran 5: Diagonalisasi kuantum Krylov berbasis sampling
- Ujian untuk lencana