Langkau ke kandungan utama
Projek ini dalam fasa beta. Jumpa pepijat? Buat isu GitHub. Ada soalan atau idea? Tanya dalam Discussions — kami suka dengar maklum balas anda!
Bagaimana kualiti terjemahan pada halaman ini?

Laluan pembelajaran IBM Quantum

Laluan pembelajaran ini milik IBM. IBM Quantum menerbitkannya di IBM Quantum Learning: setiap satu ialah urutan untuk mempelajari kursus, tutorial dan panduan IBM bagi satu bidang, pada satu atau lebih peringkat. Langkah, urutannya dan anggaran masa di bawah adalah milik IBM; doQumentation hanya memautkan setiap langkah ke halamannya di sini.

Atau layari semua kursus

Mengapa mengikutinya di doQumentation

Pengenalan kepada kuantum

Istilah utama, litar pertama anda dan di mana pengkomputeran kuantum digunakan hari ini.

≈26 j
  1. Mulakan dengan cepatPanduan · ≈1 j
  2. Jalankan litar pertama anda pada perkakasanPanduan · ≈0.5 j
  3. IBM Quantum ComposerPanduan · ≈0.5 j
  4. Pengkomputeran kuantum dalam amalanKursus · ≈8 j
  5. Asas maklumat kuantumKursus · ≈15 j
  6. Ketaksamaan CHSHTutorial · ≈1 j
Laluan ini di IBM Quantum Learning ↗

Pengoptimuman

QAOA untuk masalah seperti Max-Cut dan kaedah untuk nilai eigen terendah, kemudian aplikasi seperti masalah pembahagian pasaran.

Pemula≈19 j
  1. Pengkomputeran kuantum dalam amalanKursus · ≈8 j
  2. Algoritma pengoptimuman hampiran kuantumTutorial · ≈1 j
  3. Algoritma pepenjuruan kuantumKursus · ≈10 j
Laluan ini di IBM Quantum Learning ↗
Pertengahan≈5.5 j
  1. Teknik lanjutan untuk QAOATutorial · ≈1.5 j
  2. Selesaikan masalah Market Split dengan Iskay Quantum Optimizer dari Kipu QuantumTutorial · ≈1 j
  3. Pengoptimuman portfolio dinamik dengan Portfolio Optimizer daripada Global Data QuantumTutorial · ≈1.5 j
  4. Pengekodan korelasi Pauli untuk mengurangkan keperluan max-cutTutorial · ≈1.5 j
Laluan ini di IBM Quantum Learning ↗

Sains data

Carian kuantum, kernel dan pembelajaran mesin, kemudian transformasi Fourier kuantum dan algoritma Shor.

Pemula≈26 j
  1. Asas algoritma kuantumKursus · ≈15 j
  2. Algoritma GroverTutorial · ≈1 j
  3. Pembelajaran mesin kuantumKursus · ≈10 j
Laluan ini di IBM Quantum Learning ↗
Pertengahan≈6.5 j
  1. Latihan kernel kuantumTutorial · ≈1 j
  2. Tingkatkan pengelasan ciri menggunakan projected quantum kernelsTutorial · ≈2.5 j
  3. Jelmaan Fourier kuantumModul · ≈2 j
  4. Algoritma ShorTutorial · ≈1 j
Laluan ini di IBM Quantum Learning ↗

Fizik dan kimia

VQE untuk molekul dan rantai spin, kemudian pepenjuruan berasaskan sampel dan Krylov pada skala utiliti.

Pemula≈31.5 j
  1. Kimia kuantum dengan VQEKursus · ≈5 j
  2. Penganggaran tenaga keadaan-asas rantaian Heisenberg dengan VQETutorial · ≈1.5 j
  3. Pengkomputeran kuantum skala utilitiKursus · ≈15 j
  4. Algoritma pepenjuruan kuantumKursus · ≈10 j
Laluan ini di IBM Quantum Learning ↗
Pertengahan≈6.5 j
  1. Penganggaran tenaga keadaan-asas rantaian Heisenberg dengan VQETutorial · ≈1.5 j
  2. Pepenjuruan kuantum berasaskan sampel bagi Hamiltonian kimiaTutorial · ≈1.5 j
  3. Pepenjuru kuantum Krylov bagi Hamiltonian kekisiTutorial · ≈2 j
  4. Pepenjuruan kuantum Krylov berasaskan sampel bagi model kekisi fermionikTutorial · ≈1.5 j
Laluan ini di IBM Quantum Learning ↗

Pembangunan algoritma kuantum

Daripada asas algoritma kuantum hingga pepenjuruan, QAOA dan pembetulan ralat, dalam tiga peringkat.

Pemula≈42 j
  1. Asas algoritma kuantumKursus · ≈15 j
  2. Pengkomputeran kuantum skala utilitiKursus · ≈15 j
  3. Algoritma ShorTutorial · ≈1 j
  4. Algoritma GroverTutorial · ≈1 j
  5. Algoritma pepenjuruan kuantumKursus · ≈10 j
Laluan ini di IBM Quantum Learning ↗
Pertengahan≈19.5 j
  1. Formulasi umum maklumat kuantumKursus · ≈15 j
  2. Algoritma pengoptimuman hampiran kuantumTutorial · ≈1 j
  3. Pepenjuruan kuantum berasaskan sampel bagi Hamiltonian kimiaTutorial · ≈1.5 j
  4. Pepenjuru kuantum Krylov bagi Hamiltonian kekisiTutorial · ≈2 j
Laluan ini di IBM Quantum Learning ↗
Lanjutan≈21 j
  1. Pepenjuruan kuantum Krylov berasaskan sampel bagi model kekisi fermionikTutorial · ≈1.5 j
  2. Teknik lanjutan untuk QAOATutorial · ≈1.5 j
  3. Pengekodan korelasi Pauli untuk mengurangkan keperluan max-cutTutorial · ≈1.5 j
  4. Pengurangan ralat berskala utiliti dengan penguatan ralat probabilistikTutorial · ≈1.5 j
  5. Asas pembetulan ralat kuantumKursus · ≈15 j
Laluan ini di IBM Quantum Learning ↗

Sains dan kejuruteraan maklumat kuantum (QISE)

Algoritma, teori am maklumat kuantum dan pembetulan ralat.

Pemula≈32.5 j
  1. Asas algoritma kuantumKursus · ≈15 j
  2. Algoritma GroverTutorial · ≈1 j
  3. Penganggaran tenaga keadaan-asas rantaian Heisenberg dengan VQETutorial · ≈1.5 j
  4. Formulasi umum maklumat kuantumKursus · ≈15 j
Laluan ini di IBM Quantum Learning ↗
Pertengahan≈18 j
  1. Pengurangan ralat berskala utiliti dengan penguatan ralat probabilistikTutorial · ≈1.5 j
  2. Asas pembetulan ralat kuantumKursus · ≈15 j
  3. Kod pengulanganTutorial · ≈1.5 j
Laluan ini di IBM Quantum Learning ↗

Soalan lazim

Adakah laluan pembelajaran ini daripada doQumentation?

Tidak. Ia milik IBM Quantum, diterbitkan di IBM Quantum Learning, dan doQumentation memaparkannya seperti yang diterbitkan oleh IBM. Apa yang doQumentation tambah ialah cara anda mempelajarinya: kod boleh dijalankan, simulator tanpa akaun, penjejakan kemajuan dan terjemahan.

Apakah laluan pembelajaran?

Senarai berurutan kursus, tutorial dan panduan untuk satu bidang, seperti pengoptimuman atau kimia, dengan anggaran masa bagi setiap langkah. IBM Quantum Learning menerbitkannya; doQumentation memautkan setiap langkah ke halamannya yang boleh dijalankan.

Bagaimana kemajuan saya dikira?

Satu langkah selesai apabila anda telah membaca semua halamannya: satu halaman untuk tutorial atau panduan, setiap pelajaran untuk kursus. Kemajuan disimpan dalam pelayar anda, tanpa akaun.

Adakah saya mendapat lencana IBM?

Tidak. Lencana IBM diperoleh di IBM Quantum Learning dengan akaun IBM Quantum. doQumentation ialah cermin bebas bagi kandungan sumber terbuka.

Adakah saya perlu mengikut urutan?

Tidak, tetapi urutan itu baik: setiap langkah dibina atas langkah sebelumnya. Dalam sesuatu laluan, peringkat pemula didahulukan.