Perceptron i IBMQ - Wprowadzenie i podstawy

• Łukasz Pawela (IITiS)

Przypomnienie zagadnień: 1. Kubity i stany kubitu: Omówienie podstawowych jednostek informacji kwantowej, ich reprezentacji i właściwości. 2. Splątanie kwantowe: Wyjaśnienie fenomenu splątania oraz jego znaczenia w obliczeniach kwantowych. 3. Bramkowy model obliczeń: Przedstawienie zasad działania komputerów kwantowych opartych na bramkach. 4. Obwody kwantowe: Budowa i analiza podstawowych obwodów kwantowych. 5. Perceptron: Przypomnienie klasycznego perceptronu oraz zasad jego działania i uczenia. 6. Python: Krótkie przypomnienie podstawowej składni języka Python, niezbędnej do implementacji obwodów kwantowych. Teoria: 1. Bramkowe komputery kwantowe: Szczegółowy opis budowy i zasad działania komputerów kwantowych opartych na bramkach. 2. Ograniczenia komputerów kwantowych: Omówienie problemów i ograniczeń związanych z obecnym stanem technologii kwantowej. 3. Źródła błędów w komputerach bramkowych: Analiza typowych źródeł błędów w obliczeniach kwantowych i ich wpływu na wyniki. 4. Kwantowy model perceptronu: Budowa, elementy składowe oraz przykładowe obwody kwantowego perceptronu. Praktyka: 1. Uzyskanie dostępu do IBMQ: Proces rejestracji i uzyskania dostępu do platformy IBMQ. 2. Podstawy biblioteki qiskit: Wprowadzenie do biblioteki Qiskit, narzędzia do programowania komputerów kwantowych. 3. Podstawowe operacje w portalu IBMQ: Nauka monitorowania i zarządzania obliczeniami kwantowymi za pomocą portalu IBMQ. 4. Symulatory architektur komputerów bramkowych: Implementacja pierwszego programu na symulatorze kwantowym. 5. Symulatory lokalne vs chmurowe: Porównanie lokalnych i chmurowych symulatorów kwantowych. 6.Implementacja programu uruchamianego na komputerze bramkowym: Praktyczna realizacja przygotowania stanu splątanego.

Perceptron i IBMQ - implementacja i komunikacja

• Łukasz Pawela (IITiS)

Praktyka: 1. Implementacja składowych perceptronu: Tworzenie i testowanie podstawowych elementów kwantowego perceptronu. 2. Obserwacje działania modelu dla losowo dobranych wag: Analiza wyników działania perceptronu z losowo wybranymi wagami. 3. Implementacja algorytmu uczenia kwantowego perceptronu: Kodowanie i testowanie algorytmu uczącego perceptronu. 4. Uczenie modelu, weryfikacja wyników: Proces uczenia modelu perceptronu i ocena jego skuteczności. Zagadnienia dodatkowe: 1. Model bramkowy vs wyżarzanie kwantowe: Porównanie dwóch podejść do obliczeń kwantowych: modelu bramkowego i wyżarzania kwantowego. 2. Algorytm QAOA: Przegląd algorytmu Quantum Approximate Optimization Algorithm (QAOA) i jego zastosowań.