Sylabus

Nazwa przedmiotu: Wstęp do kwantowego uczenia maszynowego

Jednostka: SGH Szkoła Główna Handlowa w Warszawie

Kod przedmiotu: 232530-D, 232530-S

Punkty ECTS: 3

Język prowadzenia: polski

Poziom przedmiotu: średnio-zaawansowany

Prowadzący: Sebastian Zając, sebastian.zajac@sgh.waw.pl

Website: https://sebkaz-teaching.github.io/qml2024/

Support Program realizowany jest ze wsparciem firmy Xanadu.

Xanadu is a Canadian quantum computing company with the mission to build quantum computers that are useful and available to people everywhere. Xanadu is one of the world’s leading quantum hardware and software companies and also leads the development of PennyLane.

PennyLane is an open-source software framework for quantum machine learning, quantum chemistry, and quantum computing, with the ability to run on all hardware.

Support and additional resources:

Cel Przedmiotu

Jeszcze do niedawna rozwój technologiczny oparty był na zmniejszaniu rozmiaru tranzystorów i zwiększaniu mocy obliczeniowej procesorów. Ze względu na fizyczne aspekty natury proces ten, od pewnego momentu, musi uwzględniać ograniczenia fizyki kwantowej. Przyszłość może jednak wykorzystać inne narzędzia, których możliwości wykraczają poza klasyczne moce obliczeniowe. Mimo, iż konstrukcja komputerów kwantowych to wciąż etap inżynierski, to okazuje się, że można już wskazać i wykorzystać je do tworzenia algorytmów, które można wykorzystać w dziedzinie uczenia maszynowego. Wykorzystanie algorytmów kwantowych pozwala zmniejszyć czas przetwarzania dużej ilości danych, a tym samym rozszerza możliwości przetwarzania i modelowania danych. Przedstawione na zajęciach biblioteki - IBM qiskit czy Pennylane (python) pozwalają na prostą i szybką konstrukcje dowolnego algorytmu kwantowego. Algorytmy te, jak np. algorytm Grovera wykorzystać można do wielu problemów obliczeniowych uczenia maszynowego bądź do konstrukcji kwantowych sieci neuronowych.

Program przedmiotu

  1. Komputery klasyczne i kwantowe
  2. Klasyczne bramki logiczne - Algebra Boola
  3. Przestrzenie wektorowe, stany kwantowe, reprezentacja klasycznych i kwantowych bitów
  4. Kwantowe bramki logiczne w prostych algorytmach i obwodach kwantowych
  5. Algorytmy kwantowego uczenia maszynowego
  6. Biblioteka Qiskit, Pennylane wprowadzenie
  7. Bramki jednokubitowe
  8. Bramki wielokubitowe
  9. Algorytm Deutscha, szyfrowanie kwantowe
  10. Parametryzowane obwody kwantowe
  11. Wariacyjne algorytmy kwantowe
  12. Klasyfikacja binarna na przykładzie danych Titanic
  13. QAOA - jako przykład wariacyjnego algorytmu
  14. Kwantowe sieci neuronowe cz.1
  15. kwantowe sieci neuronowe cz.2

Efekty kształcenia

  1. Wiedza:
  • Zna i rozumie koncepcje działania komputera klasycznego i kwantowego
  • Zna metody kwantowego uczenia maszynowego możliwe do wykorzystania w biznesie
  • Rozumie potrzebę i możliwości zastosowania komputerów kwantowych
  1. Umiejętności:
  • Potrafi stworzyć proste algorytmy z wykorzystaniem kwantowych bramek logicznych
  • Umie wykorzystać biblioteki pythonowe do generowania kodów obliczeń kwantowych
  • Potrafi wykorzystać metody nadzorowane wykorzystywane w kwantowym uczeniu maszynowym
  • Potrafi wykorzystać metody nienadzorowane wykorzystywane w kwantowym uczeniu maszynowym
  • Umie stworzyć prostą kwantową sieć neuronową
  1. Kompetencje społeczne:
  • formułuje problem biznesowy wraz z jego informatycznym rozwiązaniem
  • uzupełniania wiedzę teoretyczną jak i praktyczną, w zakresie teorii, programowania, modelowania, nowych technologii informatycznych z wykorzystaniem kwantowego uczenia maszynowego

Realizacja przedmiotu

  • egzamin testowy: 40%
  • kolokwium: 20%
  • referaty/eseje: 40%

Literatura

  1. S. Zajac - Modelowanie dla Biznesu. Analiza danych w czasie rzeczywistym. Oficyna Wydawnicza SGH. 2021
  2. Cybulski, J.L., Zając, S. (2024). Design Considerations for Denoising Quantum Time Series Autoencoder. Computational Science – ICCS 2024. ICCS 2024. Lecture Notes in Computer Science, vol 14837. Springer, Cham. https://doi.org/10.1007/978-3-031-63778-0_18
  3. M. Schuld, F. Petruccione - Supervised Learning with Quantum Computers, Quantum Science and Technology. Springer 2018 https://doi.org/10.1007/978-3-319-96424-9
  4. C. Bernhardt - Obliczenia kwantowe dla każdego, Wydawnictwo Naukowe PWN 2020
  5. P. Gawron, M. Cholewa, … Rewolucja stanu. Fantastyczne wprowadzenie do informatyki kwantowej. Quantumz.io 2021
  6. A. Saxena, J. Mancilla, I. Montalban, C. Pere, Financial Modeling Using Quantum Computing. Packt 2023
  7. A. Jacquier, O. Kondratyev, Quantum Machine Learning and Optimisation in Finance. On the Road to Quantum Advantage.

Literatura uzupełniająca

  1. Michael A. Nielsen & Isaac L. Chuang - Quantum Computation and Quantum Information, Cambridge University Press, 2010
  2. K. Przanowski, S. Zając - Modelowanie dla Biznesu. Metody Machine learning, Modele portfela consumer finance, modelek rekurencyjne analizy przeżycia, modele scoringowe. Oficyna Wydawnicza SGH. 2020
  3. E. Frątczak - Modelowanie dla Biznesu. Regresja Logistyczna, Regresja Poissona, Survival Data Mining, CRM, Credit Scoring. Oficyna Wydawnicza SGH. 2019