Warsztaty stacjonarne "Kwantowy perceptron" - Toruń

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.

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.
3. Dostęp do innych maszyn.