Kvantová inteligence
| Typ studia | navazující magisterské |
|---|---|
| Jazyk výuky | čeština |
| Kód | 460-4180/01 |
| Zkratka | KI |
| Název předmětu česky | Kvantová inteligence |
| Název předmětu anglicky | Quantum Inteligence |
| Kreditů | 4 |
| Garantující katedra | Katedra informatiky |
| Garant předmětu | prof. Ing. Ivan Zelinka, Ph.D. |
Osnova předmětu
Přednášky:
Úvod do kvantového výpočtu a kvantové AI
Základní kvantové algoritmy a jejich úloha v AI
Kvantové simulátory a implementace algoritmů v Qiskit a Cirq
Kvantové neuronové sítě: Základy a první implementace
Kvantový algoritmus pro k-means clustering
Kvantová podpora vektorových strojů (Quantum Support Vector Machine - QSVM)
Kvantový perceptron a jeho rozšíření na hluboké kvantové sítě
Kvantový stochastický gradient descent (QSGD) pro optimalizaci kvantových sítí
Kvantové posilované učení (Quantum Reinforcement Learning - QRL)
Variational Quantum Eigensolver (VQE) a jeho aplikace v AI
Quantum Approximate Optimization Algorithm (QAOA) v AI úlohách
Kvantové generativní modely (Quantum GANs)
Závěrečný projekt a prezentace
Cvičení (na PC učebnách):
Laboratorní cvičení 1: úvod do kvantového programování v AI.
Laboratorní cvičení 2: implementace základních kvantových algoritmů v AI.
Laboratorní cvičení 3: Kvantové simulátory a práce s reálnými kvantovými počítači.
Laboratorní cvičení 4: Základní kvantová neuronová síť (QNN).
Laboratorní cvičení 5: Kvantový k-means clustering.
Laboratorní cvičení 6: Kvantový podporovaný vektorový stroj (QSVM).
Laboratorní cvičení 7: Optimalizace kvantových neuronových sítí pomocí QSGD.
Laboratorní cvičení 8: Variational Quantum Eigensolver (VQE) a jeho využití v AI.
Laboratorní cvičení 9: Kvantové GANs – Generativní modely.
Úvod do kvantového výpočtu a kvantové AI
Základní kvantové algoritmy a jejich úloha v AI
Kvantové simulátory a implementace algoritmů v Qiskit a Cirq
Kvantové neuronové sítě: Základy a první implementace
Kvantový algoritmus pro k-means clustering
Kvantová podpora vektorových strojů (Quantum Support Vector Machine - QSVM)
Kvantový perceptron a jeho rozšíření na hluboké kvantové sítě
Kvantový stochastický gradient descent (QSGD) pro optimalizaci kvantových sítí
Kvantové posilované učení (Quantum Reinforcement Learning - QRL)
Variational Quantum Eigensolver (VQE) a jeho aplikace v AI
Quantum Approximate Optimization Algorithm (QAOA) v AI úlohách
Kvantové generativní modely (Quantum GANs)
Závěrečný projekt a prezentace
Cvičení (na PC učebnách):
Laboratorní cvičení 1: úvod do kvantového programování v AI.
Laboratorní cvičení 2: implementace základních kvantových algoritmů v AI.
Laboratorní cvičení 3: Kvantové simulátory a práce s reálnými kvantovými počítači.
Laboratorní cvičení 4: Základní kvantová neuronová síť (QNN).
Laboratorní cvičení 5: Kvantový k-means clustering.
Laboratorní cvičení 6: Kvantový podporovaný vektorový stroj (QSVM).
Laboratorní cvičení 7: Optimalizace kvantových neuronových sítí pomocí QSGD.
Laboratorní cvičení 8: Variational Quantum Eigensolver (VQE) a jeho využití v AI.
Laboratorní cvičení 9: Kvantové GANs – Generativní modely.
E-learning
Pro e-learningovou podporu bude využit AI asistent, který poskytne studentům interaktivní a nepřetržitou pomoc při studiu kvantového programování a kvantových algoritmů. Asistent bude obsahovat kompletní znalostní bázi kurzu, včetně teoretických konceptů, praktických ukázek a laboratorních cvičení. Studenti budou moci klást dotazy, získávat vysvětlení k algoritmům, konzultovat optimalizaci kvantových obvodů a dostávat zpětnou vazbu na své kódy v prostředích Qiskit, Cirq a dalších kvantových frameworkech. AI asistent umožní rychlejší pochopení složitých konceptů, čímž podpoří efektivnější samostudium a usnadní řešení laboratorních úloh v průběhu celého kurzu.
Povinná literatura
Nielsen, M. A., & Chuang, I. L. (2010). Quantum Computation and Quantum Information (10th Anniversary Edition). Cambridge University Press. ISBN-13: 978-1107002173.
https://www.cambridge.org/highereducation/books/quantum-computation-and-quantum-information/01E10196D0A682A6AEFFEA52D53BE9AE
Pokrytí lekcí: 1, 2, 3, 6 – Základní kvantové výpočty a algoritmy
Wittek, P. (2014). Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press. ISBN-13: 978-0128100402 .
https://www.amazon.com/Quantum-Machine-Learning-Computing-Elsevier-ebook/dp/B00NPVBN0W
Pokrytí lekcí: 4, 5, 6, 7 – Kvantové neuronové sítě, QSVM, a další algoritmy strojového učení
Schuld, M., & Petruccione, F. (2018). Supervised Learning with Quantum Computers. Springer. ISBN-13: 978-3319964232 .
https://link.springer.com/book/10.1007/978-3-319-96424-9
Pokrytí lekcí: 4, 5, 7, 9 – Kvantové neuronové sítě, kvantové strojové učení, a optimalizace
Pattanayak, S., 2017. Quantum machine learning with Python: Using Cirq from Google research and IBM Qiskit. Apress.
https://link.springer.com/book/10.1007/978-1-4842-6522-2
Pokrytí lekcí: 8, 10, 12 – Hybridní kvantové algoritmy, Quantum GANs, VQE
Zoufal, C., Lucchi, A., & Woerner, S. (2019). Quantum Generative Adversarial Networks for Learning and Loading Random Distributions. npj Quantum Information, 5(1), 103.
https://www.nature.com/articles/s41534-019-0223-2
Pokrytí lekcí: 12 – Kvantové GANs, pokročilé techniky generativního učení
Lamata, L., Alvarez-Rodriguez, U., & Solano, E. (2017). Quantum Reinforcement Learning with Superconducting Circuits. Springer. ISBN-13: 978-3319991252 .
https://link.springer.com/article/10.1007/s11128-023-03867-9
Pokrytí lekcí: 9 – Kvantové posílené učení
https://www.cambridge.org/highereducation/books/quantum-computation-and-quantum-information/01E10196D0A682A6AEFFEA52D53BE9AE
Pokrytí lekcí: 1, 2, 3, 6 – Základní kvantové výpočty a algoritmy
Wittek, P. (2014). Quantum Machine Learning: What Quantum Computing Means to Data Mining. Academic Press. ISBN-13: 978-0128100402 .
https://www.amazon.com/Quantum-Machine-Learning-Computing-Elsevier-ebook/dp/B00NPVBN0W
Pokrytí lekcí: 4, 5, 6, 7 – Kvantové neuronové sítě, QSVM, a další algoritmy strojového učení
Schuld, M., & Petruccione, F. (2018). Supervised Learning with Quantum Computers. Springer. ISBN-13: 978-3319964232 .
https://link.springer.com/book/10.1007/978-3-319-96424-9
Pokrytí lekcí: 4, 5, 7, 9 – Kvantové neuronové sítě, kvantové strojové učení, a optimalizace
Pattanayak, S., 2017. Quantum machine learning with Python: Using Cirq from Google research and IBM Qiskit. Apress.
https://link.springer.com/book/10.1007/978-1-4842-6522-2
Pokrytí lekcí: 8, 10, 12 – Hybridní kvantové algoritmy, Quantum GANs, VQE
Zoufal, C., Lucchi, A., & Woerner, S. (2019). Quantum Generative Adversarial Networks for Learning and Loading Random Distributions. npj Quantum Information, 5(1), 103.
https://www.nature.com/articles/s41534-019-0223-2
Pokrytí lekcí: 12 – Kvantové GANs, pokročilé techniky generativního učení
Lamata, L., Alvarez-Rodriguez, U., & Solano, E. (2017). Quantum Reinforcement Learning with Superconducting Circuits. Springer. ISBN-13: 978-3319991252 .
https://link.springer.com/article/10.1007/s11128-023-03867-9
Pokrytí lekcí: 9 – Kvantové posílené učení
Doporučená literatura
Benenti, G., Casati, G., & Strini, G. (2019). Principles of Quantum Computation and Information: Basic Concepts. World Scientific. ISBN-13: 978-9813278221 .
https://www.worldscientific.com/worldscibooks/10.1142/5528?srsltid=AfmBOoqwMBA7lEXKK5Ivon8CkSLmnUNTsudukWF4Jc1m-JJvU8syhLNp
Pokrytí: Úvod do kvantových výpočtů a základní principy pro aplikace v AI, kvantové algoritmy.
Cerezo, M., Arrasmith, A., & Coles, P. J. (2021). Variational Quantum Algorithms. Nature Reviews Physics, 3(9), 625-644.
https://www.nature.com/articles/s42254-021-00348-9
Pokrytí: Hybridní algoritmy jako VQE a QAOA v AI aplikacích.
Dunjko, V., & Briegel, H. J. (2018). Machine Learning & Artificial Intelligence in the Quantum Domain. Reports on Progress in Physics, 81(7), 074001.
https://iopscience.iop.org/article/10.1088/1361-6633/aab406
Pokrytí: Moderní pohled na využití AI a strojového učení v kvantovém prostředí, včetně kvantového posilovaného učení.
https://www.worldscientific.com/worldscibooks/10.1142/5528?srsltid=AfmBOoqwMBA7lEXKK5Ivon8CkSLmnUNTsudukWF4Jc1m-JJvU8syhLNp
Pokrytí: Úvod do kvantových výpočtů a základní principy pro aplikace v AI, kvantové algoritmy.
Cerezo, M., Arrasmith, A., & Coles, P. J. (2021). Variational Quantum Algorithms. Nature Reviews Physics, 3(9), 625-644.
https://www.nature.com/articles/s42254-021-00348-9
Pokrytí: Hybridní algoritmy jako VQE a QAOA v AI aplikacích.
Dunjko, V., & Briegel, H. J. (2018). Machine Learning & Artificial Intelligence in the Quantum Domain. Reports on Progress in Physics, 81(7), 074001.
https://iopscience.iop.org/article/10.1088/1361-6633/aab406
Pokrytí: Moderní pohled na využití AI a strojového učení v kvantovém prostředí, včetně kvantového posilovaného učení.