Quantum Computing for Engineers - Interaktive Studienpläne der TU Ilmenau

• Lineare Algebra (Matrizen, Eigenwerte, Eigenvektoren, Spur, Skalares und äußeres Produkt)
• Lineare Abbildungen
• Komplexe Zahlen

• Linear Algebra (Matrices, Eigenvalues, Eigenvectors, Trace, Inner and outer product)
• Linear Maps
• Complex Numbers

Die Studierenden kennen die Grundzüge des Quantencomputing und des Quanten-Maschinenlernens. Sie verstehen den grundlegenden Aufbau eines Quantencomputers und elementarer Quantenschaltkreisen sowie die Unterschiede zu einem klassischen Computer. Sie sind mit der Ein- und Ausgabe von (klassischen) Daten in einen Quantencomputer vertraut. Sie wenden grundlegende Prinzipien der Quantenmechanik, wie zum Beispiel die Superposition oder die Verschränkung in Algorithmen an. Sie kennen die Spezifika des quantenmechanischen Messprozesses, um die Ergebnisse der Quantenalgorithmen richtig zu interpretieren.  Sie haben einen Überblick über grundlegende Algorithmen, die in einer Vielzahl von Anwendungen des Quantencomputings auftauchen, z.B. in Suchalgorithmen, in Quanten-Fouriertransformationen oder bei der Quantenfehlerkorrektur. Sie kennen Grundzüge des maschinellen Lernens, die im Anschluss auf das Quanten-Maschinenlernen übertragen werden. Sie haben sich einen ersten Überblick über die vielschichtigen Anwendungen des Quantencomputings in den Ingenieurwissenschaften und der Wirtschaft verschafft. In den Übungenhaben sie die praktische Programmierung von kleinen Quantenalgorithmen und die Interpretation der Messergebnisse erlernt. Dazu haben sie Kenntnisse zu den grundlegenden Befehlen und Operationen in der Python-Programmierumgebung Qiskit, einem Programm zur Emulation von Quantenalgorithmen für IBM Quantencomputer erworben.  Am Ende der Vorlesung sind die Studierenden mit den grundlegenden Begriffen und Algorithmen des Quantencomputings vertraut und können selbst kleine Programme für einen realen Quantencomputer erstellen.

The students are familiar with the basics of quantum computing and quantum machine learning. They understand the fundamental structure of a quantum computer and elementary quantum circuits, as well as the differences from a classical computer. They are acquainted with the input and output of (classical) data into a quantum computer. They apply fundamental principles of quantum mechanics, such as superposition or entanglement, in algorithms. They are familiar with the specifics of the quantum mechanical measurement process to interpret the results of quantum algorithms correctly. They have an overview of fundamental algorithms that arise in a variety of quantum computing applications, such as search algorithms, quantum Fourier transformations, or quantum error correction. They are familiar with the basics of machine learning that are subsequently transferred to quantum machine learning. They have gained a first overview of the multifaceted applications of quantum computing in engineering and business. In the exercises, they have learned the practical programming of small quantum algorithms and the interpretation of measurement results. In addition, they have acquired knowledge of the fundamental commands and operations in the Python programming environment Qiskit, a program for emulating quantum algorithms for IBM quantum computers. At the end of the lecture, students are familiar with the basic concepts and algorithms of quantum computing and are able to create small programs for a real quantum computer on their own.

• Einführung, Anwendungen und quantenmechanische Grundlagen
• Einfache Quantenschaltkreise für einzelne und mehrere Qubits
• Fundamentale Quantenalgorithmen (Grover, Quantum Fourier Transformation)
• Quantenfehlerkorrektur
• Hassidim-Harrow-Lloyd Algorithmus zur Lösung linearer Systeme
• Grundlagen des maschinellen Lernens
• Quanten-Maschinenlernen

• Introduction, Applications and Quantum Mechanical Foundations
• Simple quantum circuits for single and multiple qubits
• Fundamental quantum algorithms (Grover, Quantum Fourier Transform)
• Quantum error correction
• Hassidim-Harrow-Lloyd algorithm for the solution of linear systems
• Foundations of Machine Learning
• Quantum Machine Learning

• Tafel und Powerpointfolien
• Webex-Übungen mit Jupyter-Notebook auf dem eigenen Laptop

• Blackboard and PowerPoint slides
• webex exercises with Jupyter notebook on your own laptop

• Nielsen and Chuang, Quantum Computation and Quantum Information, Cambridge University Press (2010)
• Weiteres Onlinematerial auf der Moodle-Seite zum Kurs
• further online material on the Moodle page for the course

Belegarbeit zu einer Programmieraufgabe

documentary work on a programming task

Dieses Modul enthält mindestens eine alternative semesterbegleitende Abschlussleistung. Bitte beachten Sie, dass diese in der Regel schon zu Beginn des Semesters, in dem diese angeboten wird, angemeldet werden muss.
Über die Details und Zeiträume dazu werden Sie vom Lehrenden und/oder dem Prüfungsamt informiert. Fragen Sie gegebenenfalls unbedingt beim Lehrenden nach.

This module contains at least one alternative exam part. Please note that this must usually be registered at the beginning of the semester in which it is offered.
The lecturer and/or the examination office will inform you about the details and time periods. If necessary, be sure to ask the lecturer.

Belegarbeit zu einer Programmieraufgabe

documentary work on a programming task

Dieses Modul enthält mindestens eine alternative semesterbegleitende Abschlussleistung. Bitte beachten Sie, dass diese in der Regel schon zu Beginn des Semesters, in dem diese angeboten wird, angemeldet werden muss.
Über die Details und Zeiträume dazu werden Sie vom Lehrenden und/oder dem Prüfungsamt informiert. Fragen Sie gegebenenfalls unbedingt beim Lehrenden nach.

This module contains at least one alternative exam part. Please note that this must usually be registered at the beginning of the semester in which it is offered.
The lecturer and/or the examination office will inform you about the details and time periods. If necessary, be sure to ask the lecturer.