Seitdem wir experimentell beweisen können, dass Quantencomputer in bestimmten Anwendungen klassischen Computern um ein Tausendfaches überlegen sind, hat ein regelrechter Wettlauf um die Schlüsseltechnologie der Zukunft zwischen großen Playern wie IBM, Google und Amazon begonnen. Mit Qiskit können Menschen auf der ganzen Welt remote auf einen Quantencomputer von IBM zugreifen und Algorithmen ausprobieren. Es ist nur eine Frage der Zeit, bis die Hardware so ausgereift ist, dass sie auch in der Praxis zum Einsatz kommt. In diesem Kurs lernen Sie nicht nur, wie Quantenalgorithmik theoretisch gehen könnte, sondern wie sie tatsächlich funktioniert und führen Algorithmen auf dem IBM-Quantencomputer selbst aus. Machen Sie sich fit für die Schlüsseltechnologie der Zukunft. Diese Kurse knüpfen an „Quantenalgorithmen und Implementierung - Teil 1“ an und führen den dort begonnenen Weg fort.
Language: Deutsch
Advanced, Quantum Computing
Course information
Was Sie in diesem Kurs erwartet
Sie lernen in Teil 2 weitere berühmte Algorithmen des Quantencomputings kennen – Bernstein-Vaziriani Algorithmus, Simons Algorithmus, die Quanten Fouriertransformation und den Shor-Algorithmus und deren Umsetzung in Qiskit. Mit diesen Algorithmen lässt sich dann z.B. beim Problem der Primfaktorzerlegung ein exponentieller Speed-Up gegenüber der klassischen Lösung zeigen.
Eine weitere Anwendung dieser Algorithmen stellt das Quanten Monte-Carlo Verfahren dar, das in Teil 3 eingeführt wird. Dieses Verfahren wird zukünftig – sobald genügend fehlerkorrigierte Qubits vorhanden sind – einen quadratischen Speedup von einer Reihe wichtiger Berechnungsverfahren z.B. in Finance ermöglichen. Des Weiteren werden in diesem Kurs Algorithmen vorgestellt, die nicht erst auf zukünftigen Quantensystemen eine Rolle spielen könnten, sondern bereits heute erkundet werden: Das sind die sog. variationellen Quantenalgorithmen, die im Bereich der Optimierung aber auch im Bereich des Maschinellen Lernens eingesetzt werden können.
Bei allen Algorithmen lernen Sie sowohl die theoretischen Details, aber auch die Umsetzung in Qiskit bzw. in PennyLane.
Um an dem Kurs erfolgreich teilzunehmen, rechnen Sie mit 3-5 Stunden Arbeitsaufwand pro Kurswoche. Wir empfehlen allerdings, weitere 2-3 Stunden für die weitergehende Auseinandersetzung mit den Beispielen und das eigene Ausprobieren.
Für diesen Kurs sollten Sie einige Vorkenntnisse mitbringen. Alles, was vorausgesetzt wird, können Sie aber auch auf Kursen auf openHPI kostenlos im Selbststudium nachholen oder auffrischen. Insbesondere benötigen Sie:
- ein grundlegendes Verständnis von linearer Algebra (s. hierzu Einführung in das Quantencomputing - Teil 2)
- erste Erfahrung mit oder Vorkenntnisse in Programmiersprachen (besonders Python ist hilfreich) (s. hierzu Programmieren lernen mit Python)
What you'll learn
- vertieftes Verständnis von Quantenalgorithmen
- Anwendung berühmter Algorithmen in Qiskit
Who this course is for
- Programmierinteressierte
- Menschen mit Vorkenntnissen in linearer Algebra
- Menschen mit Vorkenntnisse im Programmieren (v.a. Python)
- Alle, die in Bereichen wie High Performance Computing, Telekommunikation und IT-Sicherheit arbeiten
Course contents
Intro:
Willkommen zum Kurs! Bitte nehmen Sie sich ein paar Minuten Zeit für die Umfrage zum Kursbeginn.Teil 1 - Woche 1: weitere Algorithmen:
In der ersten Woche betrachten den Bernstein-Vaziriani Algorithmus, Simons Algorithmus, die die Quanten Phase Estimation und die Quanten Fouriertransformation. Diese legen die Grundlage für die zweite Woche.Teil 2 - Woche 2: Anwendung der Algorithmen:
In Woche 2 wird mit den besprochenen Algorithmen der Shor-Algorithmus für die Primfaktorzerlegung vorgestellt. Des Weiteren wird Anwendung der HHL-Algorithmus für die Lösung linearer Gleichungssysteme diskutiert.Teil 3 - Woche 1: Quanten Monte-Carlo Simulation und Optimierung :
In der ersten Woche erfolgt die Darstellung der Quanten Monte-Carlo Simulation. Dieses Verfahren greift einige der besprochenen Algorithmen auf und erlaubt eine effizientere Berechnung von für die Praxis wichtigen Simulationsverfahren. Als weitere Anwendung von Quantenalgorithmen werden dann Optimierungsprobleme diskutiert.Teil 3 - Woche 2: Anwendung der Algorithmen:
In der letzten Woche wird ein möglicher Brückenschlag vom maschinellen Lernen zum Quanten-maschinellen Lernen eingeführt und anhand eines Beispieldatensatzes explizit vorgeführt. Eine Ausblick auf aktuelle Themen rund um Quantencomputing schließt den Kurs ab.Abschlussprüfung
I like, I wish
Enroll me for this course
Learners
Rating
This course was rated with 4.64 stars in average from 11 votes.
Certificate Requirements
- Gain a Record of Achievement by earning at least 50% of the maximum number of points from all graded assignments.
- Gain a Confirmation of Participation by completing at least 50% of the course material.
- Gain an Open Badge by completing the course.
Find out more in the certificate guidelines.
This course is offered by
Gerhard Hellstern (Prof., Dr. rer. nat, graduate physicist, *1971) has been a professor at the Faculty of Economics at the Baden-Württemberg Cooperative State University in Ravensburg since 2018. From 1990 - 1995, he studied physics at the University of Tübingen and the State University of New York at Stony Brook; in 1998, he graduated as Dr. rer.nat. From 1998 to 2018, he was employed first at Deutsche Bank, GZB Bank and then for 17 years at Deutsche Bundesbank, Head Office Stuttgart. There, he was in charge of the banking audits division for many years. Gerhard Hellstern has been involved in the application of data science methods (data analytics as well as machine and deep learning) in finance for many years. These methods also include Quantum Computing as well as Quantum Machine Learning based on it. He is a Qiskit advocate at IBM and a member of the research network Quantum Computing of the Fraunhofer Gesellschaft.