02195 Kvantealgoritmer og Maskinlæring

2024/2025

Kursusinformation
Quantum Algorithms and Machine Learning
Engelsk
5
Kandidat
F2A (man 13-17)
Campus Lyngby
13-uger
F2A
Skriftlig eksamen
Skriftlig eksamen: 4 timer
Skriftlige hjælpemidler er tilladt :

Lommeregner er ikke tilladt.

7-trins skala , intern bedømmelse
Sven Karlsson , Tlf. (+45) 4525 3754 , svea@dtu.dk
01 Institut for Matematik og Computer Science
Datalogiskt institut, KU
I studieplanlæggeren
Kontakt underviseren for information om hvorvidt dette kursus giver den studerende mulighed for at lave eller forberede et projekt som kan deltage i DTUs studenterkonference om bæredygtighed, klimateknologi og miljø (GRØN DYST). Se mere på http://www.groendyst.dtu.dk
Overordnede kursusmål
Kvantecomputer algoritmer kræver en ny tankegang, som afviger fra klassiske computere. I dette kursus bliver der introduceret fundamentale koncepter for kvante algoritmer. Relationen mellem klassiske computere og kvantecomputere er studeret.

En lang række dataanalyse- og maskinlæringsmetoder drives ved at udføre matrixoperationer på vektorer i et højdimensionalt vektorrum, som er det matematiske grundlag for kvanteberegning. Dette kursus introducerer hvordan kvantemaskinelæring kan udvikles.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • forklare hvordan superposition og sammenfiltring kan bruges konstruktivt ved design af kvantealgoritmer
  • forklare almindelige kvantealgoritmer
  • forklare algoritmer inden for kvante variational metoder, variational kvante eigensolvers og kvante approksimativ optimering
  • brug kvante beregnings frameworks
  • udvikle kvantealgoritmer
  • evaluere ydeevnen af kvantealgoritmer
  • optimere en kvantealgoritm til specifik platform
  • relatere en kvantealgoritme til kompleksitetsklasser
Kursusindhold
Brug af centrale kvantebegreber i algoritmer: Kvantetilstande; Qubits; Qubit gates; Superposition; sammenfiltring

Algoritme teori: Kompleksitets klasser

kvantealgoritmeteori: Universelle gate sæt; Reversibel databehandling; Kvante variational metoder; variational kvante eigensolver; Kvante approksimativ optimering; Statsforberedelse; Målinger;

Frameworks for kvanteberegning

Kvantemaskinelæring
Sidst opdateret
02. maj, 2024