top of page

Ementa do curso Computação Quântica Avançada: Algoritmos, Aprendizado de Máquina e Otimização

Atualizado: 1 de jan.

Carga horária: 60 horas


PALESTRANTES:

Marcos César de Oliveira, Gustavo E. Arruda, Felipe F. Fanchini e Jogi Suda Neto


OBJETIVOS:

A fronteira da computação quântica é dinâmica, avançando a passos largos para desbloquear capacidades inéditas em ciência da informação, otimização e aprendizado de máquina. Enquanto as tecnologias quânticas se solidificam como uma realidade iminente, a demanda por especialistas capacitados para lidar com sua amplitude e profundidade torna-se crítica.


Neste curso avançado, os estudantes terão enfoque especial no aprendizado de máquina quântico e problema de otimização. O objetivo é que cada participante finalize este curso não apenas como um conhecedor, mas como um inovador no campo quântico.


Este curso é uma progressão natural do nosso Curso de Introdução ll, aprofundando-se nas nuances e complexidades avançadas da computação quântica, e tem como metas:


(i) Imersão profunda nos algoritmos quânticos avançados, garantindo que os alunos não apenas compreendam, mas também apliquem tais algoritmos em desafios reais.


(ii) Contextualizar o aprendizado de máquina clássico, estabelecendo uma base sólida para a transição ao aprendizado de máquina quântico e suas aplicações revolucionárias.


(iii) Oferecer uma experiência prática intensiva e aprofundada, equipando os alunos com as habilidades para implementar, otimizar e testar modelos quânticos em ambientes reais.


(iv) Incentivar a inovação, o pensamento crítico e a solução de problemas, preparando os alunos para serem líderes na implementação de soluções quânticas.


Ao final do Curso Avançado, os alunos não somente dominarão as técnicas sofisticadas da computação e informação quântica, mas também serão proficientes em projetar e executar soluções avançadas em hardware quântico, posicionando-os na linha de frente da próxima era da tecnologia quântica.

EMENTA:

● 1. Introdução e Bases do Aprendizado de Máquina Clássico

- Revisão e contextualização para o aprendizado quântico


● 2. Transformada de Fourier Quântica e Determinação de Fase

- Aplicações, significância e resolução de problemas


● 3. Algoritmo de Shor e suas Implicações

- A ameaça à criptografia RSA e possíveis aplicações


● 4. Técnicas e Modelos de Aprendizado de Máquina Quântico

- Introdução profunda e construção de classificadores quânticos


● 5. Variational Quantum Eigensolver, QUBO e MaxCut

- Explorando aplicações práticas e técnicas de otimização


● 6. Quantum Optimization: Algoritmos e Aplicações

- Estratégias e métodos de otimização utilizando computação quântica


● 7. Kernel Clássico, SVM e Introdução ao Espaço de Características Quânticas

- A ponte entre métodos clássicos e quânticos


● 8. Redes Neurais Quânticas: Perceptron, CNN e Além

- Processamento quântico de informações para reconhecimento de padrões e

aplicações avançadas


● 9. A Fronteira do Aprendizado de Máquina Quântico

- Quantum Feature Space, Quantum Kernel e inovações emergentes.


BIBLIOGRAFIA:

[1] R. P. Feynman, Feynman Lectures on Computation , ed. A. J. G. Hey e R. W. Allen

(Addison-Wesley, 1997)

[2] M. A. Nielsen e I. L. Chuang, Quantum Computation and Quantum Information

(Cambridge University Press, Cambridge, 2000).

[3] J. Preskill e A. Kitaev, Quantum Information and Computation (não

publicado,1998); disponível online em

http://www.theory.caltech.edu/~preskill/ph229 .

[4] D. Bouwmeester, A. Ekert, A. Zeilinger (eds . ), The Physics of Quantum Information

(Springer, Berlin, 2000).

[5] Emmanuel Desurvire, Classical and Quantum Information Theory: An Introduction

for the Telecom Scientist (Cambridge University Press, 2009).

[6] Haykin, S. S. (2009), Neural networks and learning machines , Pearson Education ,

Upper Saddle River, NJ .

[7] Artigos Fundamentais da Área.

Comentários


bottom of page