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 noget grundlæggende baggrundsviden om
klassisk maskinlæring og udforsker, 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 centrale maskinlæringsbegreber
- forklare almindelige kvantealgoritmer 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
17. maj, 2023
