บทนำ

ภาพรวมและแรงจูงใจ

ก่อนเริ่มต้น โปรดทำแบบสำรวจก่อนเรียนสั้น ๆ นี้ ซึ่งสำคัญมากในการช่วยปรับปรุงเนื้อหาและประสบการณ์ผู้ใช้ของเรา

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.

ยินดีต้อนรับสู่ Quantum Diagonalization Algorithms!

โลกเต็มไปด้วยปัญหาที่สำคัญอย่างยิ่งต่อมนุษย์ซึ่งสามารถกำหนดเป็นปัญหา matrix diagonalization ได้ ครอบคลุมสาขาตั้งแต่การเงินถึงฟิสิกส์ และใช้กับระบบที่แตกต่างกันมากตั้งแต่ chemical binding site ไปถึงเครือข่ายการกระจายสินค้า แม้แต่วิธีการแก้ปัญหาอื่น ๆ เช่น machine learning ก็ยังใช้พลังของ matrix ความก้าวหน้าในการประมวลผลคลาสสิกทำให้สามารถ diagonalize matrix ขนาดใหญ่มากได้ แต่ยังมีปัญหาที่เกินขีดจำกัดของ classical diagonalization algorithm ที่แน่นอน

Quantum diagonalization algorithm (QDA) ใช้พลังของคอมพิวเตอร์ควอนตัมร่วมกับวิธีการคลาสสิก สิ่งนี้หมายความต่างกันสำหรับอัลกอริทึมต่าง ๆ ในบางกรณี อัลกอริทึมใช้คอมพิวเตอร์ควอนตัมในการประมาณค่าความคาดหวังของ matrix และใช้คอมพิวเตอร์คลาสสิกในการรัน variational optimization algorithm ตัวอย่างเช่น variational quantum eigensolver (VQE) ในกรณีอื่น ๆ การวัดควอนตัมถูกใช้เพื่อระบุ subspace ที่เหมาะสมที่จะ project matrix ที่สนใจ และการ diagonalization ของ projected matrix ทำทั้งหมดด้วยคลาสสิก สิ่งนี้อธิบาย sampling-based quantum diagonalization method (SQD) ซึ่งเป็นหนึ่งในวิธีการที่น่าตื่นเต้นที่สุดในยุคการประมวลผลควอนตัมปัจจุบัน

คอร์สนี้ให้ภาพรวมของวิธีการหลายอย่างสำหรับ quantum diagonalization เราให้พื้นฐานเกี่ยวกับวิธีการคลาสสิกที่ถูกใช้หรือที่กระตุ้น quantum algorithm และเราผ่านการใช้งาน quantum algorithm บนคอมพิวเตอร์ควอนตัมจริง มีการพูดถึงอย่างมากถึงปัจจัยที่กำหนดการปรับขนาดของวิธีการที่ใช้ classical และ quantum algorithm สิ่งนี้สำคัญอย่างยิ่งในการกำหนดว่าปัญหาของคุณได้ประโยชน์จาก quantum algorithm เฉพาะหรือไม่ โดยการเชื่อมวิธีการทางคณิตศาสตร์นามธรรมกับ cutting-edge quantum hardware หลักสูตรช่วยให้ผู้เข้าร่วมสามารถนำทางภูมิทัศน์ที่เปลี่ยนแปลงอย่างรวดเร็วของเทคนิคการประมวลผลควอนตัมได้

เป้าหมายการเรียนรู้ของคอร์ส

จากการทำคอร์สนี้ คุณสามารถคาดหวังที่จะสร้างทักษะและความสามารถหลักต่อไปนี้ ผู้เรียนจะสามารถ:

1. ระบุการประยุกต์ใช้ในอุตสาหกรรมหลายอย่างของการ diagonalize matrix ขนาดใหญ่

2. ระบุวิธีการ diagonalization คลาสสิกหลายอย่างและ quantum counterpart ของพวกมัน

3. อธิบายว่าปัจจัยใดที่กำหนดประสิทธิภาพของ QDA

4. ระบุจุดแข็งและจุดอ่อนสัมพัทธ์หลายอย่างของ QDA ทั่วไป

5. ใช้ QDA โดยใช้ Qiskit Runtime primitives และตาม Qiskit patterns

6. ระบุประเภทปัญหาที่เหมาะสมที่สุดสำหรับ QDA

7. ปรับตัวอย่างปัญหาให้เข้ากับปัญหาที่ตนเองสนใจ

8. ทราบข้อจำกัดของการใช้ QDA บนคอมพิวเตอร์ควอนตัมก่อน large-scale fault tolerance

โครงสร้างคอร์ส

คอร์สนี้ประกอบด้วยบทเรียนหลายบท แต่ละบทเรียนมีคำถามตรวจสอบความเข้าใจตลอดเนื้อหา เพื่อให้คุณฝึกทักษะใหม่หรือตรวจสอบความเข้าใจขณะดำเนินต่อ ไม่จำเป็น

เมื่อจบคอร์ส จะมี quiz 20 ข้อ คุณต้องได้คะแนนอย่างน้อย 70% ใน quiz นี้เพื่อรับ Quantum Diagonalization Algorithms badge ผ่าน Credly หากคุณได้คะแนนอย่างน้อย 70% badge จะถูกส่งอีเมลให้คุณโดยอัตโนมัติในไม่ช้าหลังจากนั้น มีขีดจำกัดจำนวนครั้งที่สามารถทำ quiz ได้ ดูรายละเอียดเพิ่มเติมที่ quiz

โครงสร้างคอร์สมีดังนี้:

• บทเรียนที่ 0: บทนำและภาพรวม
• บทเรียนที่ 1: Variational quantum eigensolver
• บทเรียนที่ 2: Krylov quantum diagonalization
• บทเรียนที่ 3: Sample-based quantum diagonalization
• บทเรียนที่ 4: SQD application
• บทเรียนที่ 5: Sample-based Krylov quantum diagonalization
• ข้อสอบสำหรับ badge