Última actualización: 24/04/2023


Curso Académico: 2023/2024

Aprendizaje automático cuántico
(19585)
Máster Universitario en Tecnologías e Ingeniería Cuánticas (Plan: 476 - Estudio: 379)
Escuela de Ingeniería y Ciencias Básicas


Coordinador/a: TORRONTEGUI MUÑOZ, ERIK

Departamento asignado a la asignatura: Departamento de Física

Tipo: Optativa
Créditos: 3.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Cálculo Física cuántica Física cuántica avanzada Conocimientos básicos de programación en Python
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
Parte 1.- Introducción a la computación cuántica - Idea general. Tipos de computación cuántica. - Circuitos y puertas cuánticas - Lenguajes de programación cuántica Parte 2.- Algoritmos cuánticos variacionales - Introducción a los algoritmos cuánticos variacionales - Algoritmo de optimización cuántica aproximada y resolución propia cuántica variacional - Problemas con los VQA: mesetas estériles, expresividad y medidas - Ejemplo de posibles aplicaciones Parte 3.- Quantum Support Vector Machines y métodos de kernel - Introducción a los métodos clásicos del kernel - Métodos cuánticos de kernel - Clasificadores y máquinas vectoriales de soporte cuántico Parte 4.- Aprendizaje automático cuántico no supervisado - Aprendizaje automático clásico no supervisado y modelos generativos - Modelos generativos cuánticos y máquinas cuánticas de Born - Redes antagónicas generativas cuánticas Parte 5.- Redes Neuronales Cuánticas - Clasificador de redes neuronales cuánticas - Recarga de datos - Redes neuronales cuánticas convolucionales - Redes neuronales ópticas cuánticas Parte 6.- Avances recientes en el campo y perspectivas
Actividades formativas, metodología a utilizar y régimen de tutorías
ACTIVIDADES FORMATIVAS: - Clase teórica - Tutorías - Prácticas de laboratorio - Trabajo individual del estudiante METODOLOGÍAS DOCENTES : - Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - Resolución de problemas en clase y de manera individual por cada alumno - Realización de ejercicios prácticos en programación con lenguajes cuánticos
Sistema de evaluación
  • Peso porcentual del Examen Final 60
  • Peso porcentual del resto de la evaluación 40

Calendario de Evaluación Continua


Bibliografía básica
  • Elena Peña Tapia, Giannicola Scarpa, Alejandro Pozas-Kerstjens, . A didactic approach to quantum machine learning with a single qubit. https://arxiv.org/abs/2211.13191. 2022
  • J. Biamonte et al. Quantum machine learning. Nature 549, 195 . 2017
  • M. Cerezo et al. Variational quantum algorithms. Nature Reviews Physics 3, 625 . 2021
Recursos electrónicosRecursos Electrónicos *
Bibliografía complementaria
  • M. Cerezo et al., . Challenges and opportunities in quantum machine learning. Nature Computational Science 2, 567. 2022
  • M. Schuld, . Supervised quantum machine learning models are kernel methods. https://arxiv.org/abs/2101.11020. 2021
  • Schölkopf, Bernhard, and Alexander J. Smola . Learning with kernels: support vector machines, regularization, optimization, and beyond. Smola MIT Press. 2002
(*) El acceso a algunos recursos electrónicos puede estar restringido a los miembros de la comunidad universitaria mediante su validación en campus global. Si esta fuera de la Universidad, establezca una VPN


El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.