Introducción
Descripción general y motivación
Por favor, completa esta breve encuesta previa al curso antes de comenzar; es importante para mejorar nuestro contenido y la experiencia del usuario.
¡Bienvenido/a a los Algoritmos de Diagonalización Cuántica!
El mundo está lleno de problemas de importancia crucial para la humanidad que pueden formularse como problemas de diagonalización de matrices. Esto abarca áreas desde las finanzas hasta la física y afecta a sistemas tan diversos como sitios de enlace químico y redes de distribución. Incluso otros métodos de resolución de problemas, como el aprendizaje automático, aprovechan la potencia de las matrices. Los avances en la computación clásica han permitido diagonalizar matrices de tamaños vertiginosos. Sin embargo, existen problemas que superan los límites de los algoritmos clásicos de diagonalización exacta.
Los algoritmos de diagonalización cuántica (QDAs) aprovechan la potencia de las computadoras cuánticas en combinación con enfoques clásicos. Esto significa cosas diferentes para distintos algoritmos. En algunos casos, el algoritmo utiliza la computadora cuántica para estimar valores esperados de matrices y computadoras clásicas para algoritmos de optimización variacional. Este es el caso, por ejemplo, del Variational Quantum Eigensolver (VQE). En otros casos, se utilizan mediciones cuánticas para identificar subespacios adecuados sobre los cuales se proyecta nuestra matriz de interés, y la diagonalización de la matriz proyectada se realiza completamente de forma clásica. Esto describe los métodos de diagonalización cuántica basados en muestreo (SQD), algunos de los métodos más interesantes en la era actual de la computación cuántica.
Este curso ofrece una descripción general de diversos enfoques para la diagonalización cuántica. Proporcionamos información de contexto sobre los métodos clásicos que se utilizan o que han motivado los algoritmos cuánticos, y recorremos paso a paso la implementación de los algoritmos cuánticos en computadoras cuánticas reales. Se analiza en detalle qué factores determinan la escalabilidad de los enfoques con algoritmos clásicos y cuánticos. Esto es fundamental para poder evaluar si tu problema se beneficiaría de un algoritmo cuántico específico. Al vincular enfoques matemáticos abstractos con hardware cuántico de última generación, el curso capacita a los participantes para desenvolverse en el panorama rápidamente cambiante de las técnicas de computación cuántica.
Objetivos de aprendizaje del curso
Al completar este curso, puedes esperar haber desarrollado las siguientes competencias fundamentales. Los estudiantes serán capaces de:
-
Identificar múltiples aplicaciones industriales de la diagonalización de matrices grandes.
-
Nombrar varios enfoques clásicos de diagonalización y sus contrapartes cuánticas.
-
Explicar qué factores determinan la eficiencia de los QDAs.
-
Identificar múltiples fortalezas y debilidades relativas de los QDAs más comunes.
-
Implementar QDAs utilizando primitivas de Qiskit Runtime y siguiendo patrones de Qiskit.
-
Identificar tipos de problemas que son especialmente adecuados para los QDAs.
-
Adaptar un problema de ejemplo al propio problema.
-
Conocer las limitaciones en la implementación de QDAs en computadoras cuánticas previas a la tolerancia a fallos a gran escala.
Estructura del curso
Este curso consta de varias lecciones. Cada lección contiene preguntas de comprensión en el texto para que puedas practicar nuevas habilidades o verificar tu comprensión a lo largo del curso. Estas no son obligatorias.
Al final del curso hay un cuestionario de 20 preguntas. Debes responder correctamente al menos el 70 % de las preguntas para obtener tu insignia de Algoritmos de Diagonalización Cuántica a través de Credly. Si alcanzas al menos el 70 %, tu insignia se te enviará automáticamente por correo electrónico poco después. El número de intentos del cuestionario es limitado. Encontrarás más detalles en el cuestionario.
El curso está estructurado de la siguiente manera:
- Lección 0: Introducción y descripción general
- Lección 1: Variational Quantum Eigensolver
- Lección 2: Diagonalización cuántica de Krylov
- Lección 3: Diagonalización cuántica basada en muestreo
- Lección 4: Aplicación de SQD
- Lección 5: Diagonalización cuántica de Krylov basada en muestreo
- Examen para la insignia