Última actualización: 24/04/2024


Curso Académico: 2024/2025

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 Ondas y campos electromagnéticos Computación cuántica
Resultados del proceso de formación y aprendizaje
Descripción de contenidos: Programa
Parte 1.- Introduction to quantum computing (NISQ) ¿ Quantum Computing: general idea, types of quantum computing. ¿ Quantum gates and circuits ¿ Quantum Programming ¿ Quantum variational circuits: general idea Parte 2.- Quantum Variational Algorithms (QAOA and VQE) ¿ Quantum Variational Algorithms ¿ Quantum Approximate Optimization Algorithm ¿ Variational Quantum Eigensolver ¿ Issues of QVA¿s: Barren plateaus, expressivity and measurements Parte 3.- Quantum Support Vector Machines and Kernel Methods ¿ Classical Kernel Methods: support vector machines and classifiers. ¿ Quantum Kernel Methods ¿ Quantum support vector machines and classifiers Parte 4.- Quantum Boltzmann Machines/Generative Models/Unsupervised ¿ Unsupervised classical machine learning and generative models ¿ Quantum Boltzmann Machines ¿ Quantum generative adversarial networks Parte 5.- Quantum Neural Networks ¿ Quantum Neural Network classifier ¿ Data re-uploading ¿ Convolutional Quantum Neural Networks ¿ Quantum optical neural networks Parte 6.- Recent advances, outlook, other paradigms (recent results)
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
  • M. Cerezo, Andrew Arrasmith, Ryan Babbush, Simon C. Benjamin, Suguru Endo, Keisuke Fujii, Jarrod R. McClean, Kosuke Mitarai, Xiao Yuan, Lukasz Cincio & Patrick J. Coles. Variational quantum algorithms. Nature Reviews Physics 3, 625¿644 . 2021
  • M. Schuld, I. Sinayskiy, F. Petruccione. An introduction to quantum machine learning. Contemporary Physics, 56:2, 172-185 . 2015
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.