Introduzione
Panoramica e motivazione​
Prima di iniziare, ti chiediamo di completare questo breve sondaggio pre-corso, che è importante per aiutarci a migliorare i nostri contenuti e l'esperienza utente.
Benvenuto agli Algoritmi Quantistici di Diagonalizzazione!
Il mondo è pieno di problemi di importanza critica per l'umanità che possono essere formulati come problemi di diagonalizzazione di matrici. Questo vale in campi che vanno dalla finanza alla fisica, e si applica a sistemi tanto diversi quanto i siti di legame chimico e le reti di distribuzione. Persino altri metodi di risoluzione dei problemi, come il machine learning, sfruttano la potenza delle matrici. I progressi nel calcolo classico hanno reso possibile diagonalizzare matrici di dimensioni strabilianti. Esistono tuttavia ancora problemi che superano i limiti degli algoritmi di diagonalizzazione esatta classica.
Gli algoritmi quantistici di diagonalizzazione (QDA) sfruttano la potenza dei computer quantistici in combinazione con approcci classici. Questo significa cose diverse per algoritmi diversi. In alcuni casi, l'algoritmo usa il computer quantistico per stimare i valori di aspettazione delle matrici e usa computer classici per eseguire algoritmi di ottimizzazione variazionale. È il caso, ad esempio, del variational quantum eigensolver (VQE). In altri casi, le misurazioni quantistiche vengono utilizzate per identificare sottospazi adeguati in cui proiettare la matrice di interesse, e la diagonalizzazione della matrice proiettata viene eseguita interamente in modo classico. Questo descrive i metodi di diagonalizzazione quantistica basati su campionamento (SQD), alcuni dei metodi più promettenti nell'era attuale del calcolo quantistico.
Questo corso offre una panoramica di diversi approcci alla diagonalizzazione quantistica. Forniamo alcune basi sui metodi classici utilizzati, o che hanno ispirato gli algoritmi quantistici, e illustriamo passo dopo passo l'implementazione degli algoritmi quantistici su veri computer quantistici. Vi è un'ampia discussione sui fattori che determinano la scalabilità degli approcci che utilizzano algoritmi classici e quantistici. Questo è fondamentale per determinare se il tuo problema trae vantaggio da un particolare algoritmo quantistico. Collegando approcci matematici astratti con hardware quantistico all'avanguardia, il programma mette i partecipanti in grado di orientarsi nel panorama in rapida evoluzione delle tecniche di calcolo quantistico.
Obiettivi di apprendimento del corso​
Completando questo corso, potrai sviluppare le seguenti competenze fondamentali. Al termine, i partecipanti saranno in grado di:
-
Identificare diverse applicazioni industriali della diagonalizzazione di matrici di grandi dimensioni.
-
Identificare diversi approcci classici alla diagonalizzazione e i loro equivalenti quantistici.
-
Spiegare quali fattori determinano l'efficienza dei QDA.
-
Identificare i punti di forza e di debolezza relativi dei QDA più comuni.
-
Implementare i QDA usando le primitive di Qiskit Runtime e seguendo i pattern di Qiskit.
-
Identificare i tipi di problemi più adatti ai QDA.
-
Adattare un problema di esempio al proprio problema di interesse.
-
Conoscere i vincoli nell'implementazione dei QDA su computer quantistici prima della tolleranza agli errori su larga scala.
Struttura del corso​
Questo corso è composto da diverse lezioni. Ogni lezione contiene alcune domande di verifica nel testo, in modo che tu possa esercitarti con le nuove competenze o controllare la tua comprensione man mano che procedi. Non sono obbligatorie.
Al termine del corso è previsto un quiz di 20 domande. Devi ottenere almeno il 70% per conseguire il badge Quantum Diagonalization Algorithms, tramite Credly. Se raggiungi almeno il 70%, il badge ti verrà inviato automaticamente per e-mail poco dopo. Il numero di volte in cui è possibile sostenere questo quiz è limitato. Consulta il quiz per ulteriori dettagli.
La struttura del corso è la seguente:
- Lezione 0: Introduzione e panoramica
- Lezione 1: Variational quantum eigensolver
- Lezione 2: Diagonalizzazione quantistica di Krylov
- Lezione 3: Diagonalizzazione quantistica basata su campionamento
- Lezione 4: Applicazione di SQD
- Lezione 5: Diagonalizzazione quantistica di Krylov basata su campionamento
- Esame per il badge