Introdução
Visão geral e motivação
Antes de começar, por favor, preencha esta breve pesquisa pré-curso, que é importante para nos ajudar a melhorar nosso conteúdo e a experiência do usuário.
Bem-vindo aos Algoritmos de Diagonalização Quântica!
O mundo está repleto de problemas de importância crítica para os seres humanos que podem ser formulados como problemas de diagonalização de matrizes. Isso abrange áreas que vão das finanças à física, e se aplica a sistemas tão diferentes quanto sítios de ligação química e redes de distribuição. Até outros métodos de resolução de problemas, como o aprendizado de máquina, aproveitam o poder das matrizes. Os avanços na computação clássica tornaram possível diagonalizar matrizes de tamanho impressionante. Mas ainda existem problemas que excedem os limites dos algoritmos exatos de diagonalização clássica.
Os algoritmos de diagonalização quântica (QDAs, do inglês quantum diagonalization algorithms) aproveitam o poder dos computadores quânticos em conjunto com abordagens clássicas. Isso significa coisas diferentes para algoritmos diferentes. Em alguns casos, o algoritmo usa o computador quântico para estimar valores esperados de matrizes e usa computadores clássicos para executar algoritmos de otimização variacional. Isso é verdade, por exemplo, para o solver quântico variacional de autovalores (VQE, do inglês variational quantum eigensolver). Em outros casos, medições quânticas são usadas para identificar subespaços adequados nos quais projetar nossa matriz de interesse, e a diagonalização da matriz projetada é feita inteiramente de forma clássica. Isso descreve os métodos de diagonalização quântica baseados em amostras (SQD, do inglês sample-based quantum diagonalization), alguns dos métodos mais promissores na era atual da computação quântica.
Este curso oferece uma visão geral de várias abordagens para diagonalização quântica. Fornecemos algumas noções básicas sobre os métodos clássicos utilizados, ou que motivaram os algoritmos quânticos, e percorremos a implementação dos algoritmos quânticos em computadores quânticos reais. Há uma discussão substancial sobre quais fatores determinam o escalonamento das abordagens que usam algoritmos clássicos e quânticos. Isso é fundamental para determinar se seu problema se beneficia de um determinado algoritmo quântico. Ao conectar abordagens matemáticas abstratas com hardware quântico de ponta, o currículo capacita os participantes a navegar pelo cenário em rápida evolução das técnicas de computação quântica.
Objetivos de aprendizagem do curso
Ao concluir este curso, você poderá desenvolver as seguintes habilidades e competências essenciais. Os alunos serão capazes de:
-
Identificar várias aplicações industriais da diagonalização de grandes matrizes.
-
Identificar várias abordagens clássicas de diagonalização e seus equivalentes quânticos.
-
Explicar quais fatores determinam a eficiência dos QDAs.
-
Identificar diversas vantagens e desvantagens relativas dos QDAs mais comuns.
-
Implementar QDAs usando primitivas do Qiskit Runtime e seguindo os padrões do Qiskit.
-
Identificar os tipos de problemas mais adequados para QDAs.
-
Adaptar um problema de exemplo ao seu próprio problema de interesse.
-
Conhecer as restrições de implementação de QDAs em computadores quânticos antes da tolerância a falhas em larga escala.
Estrutura do curso
Este curso é composto por várias lições. Cada lição tem algumas perguntas de verificação ao longo do texto, para que você possa praticar novas habilidades ou checar seu entendimento conforme avança. Elas não são obrigatórias.
Ao final do curso, há um quiz com 20 questões. Você precisa obter pelo menos 70% neste quiz para conquistar seu badge de Algoritmos de Diagonalização Quântica, via Credly. Se você atingir pelo menos 70%, seu badge será automaticamente enviado por e-mail para você logo em seguida. Existe um limite para o número de vezes que este quiz pode ser feito. Consulte o quiz para mais detalhes.
A estrutura do curso é a seguinte:
- Lição 0: Introdução e visão geral
- Lição 1: Solver quântico variacional de autovalores
- Lição 2: Diagonalização quântica de Krylov
- Lição 3: Diagonalização quântica baseada em amostras
- Lição 4: Aplicação de SQD
- Lição 5: Diagonalização quântica de Krylov baseada em amostras
- Exame para badge