Letzte Änderung : 12.10.2026 14:55:12   
Studiengänge >> Informatik 2024 M.Sc. >> Quantencomputing


Code:244900
Modul:Quantencomputing
Module title:Quantum Computing
Version:1.0 (01/2019)
letzte Änderung: 20.04.2026
Modulverantwortliche/r: Prof. Dr. Lässig, Jörg
j.laessig@hszg.de

angeboten im Studiengang:Informatik (M.Sc.) gültig ab Matrikel 2024 (Wahlpflichtmodul)

Modul läuft im:WiSe (Wintersemester)
Niveaustufe:Master
Dauer des Moduls:1 Semester
Status:Wahlpflichtmodul
Lehrort:Görlitz
Lehrsprache:Deutsch

Workload* in SWS **
Semester
Zeit- std.ECTS-
Pkte
1
2
3
4

V
S
P
W
V
S
P
W
V
S
P
W
V
S
P
W
150
5
4.0


2
2
0
0

*Gesamtarbeitsaufwand pro Modul (1 ECTS-Punkt entspricht einem studentischen Arbeitsaufwand von 30 Zeitstunden)
**eine Semesterwochenstunde (SWS) entspricht 45 Minuten pro Woche

Selbststudienzeit in h
Angabe gesamt
davon
105
85
Vor- und Nachbereitung LV
20
Vorbereitung Prüfung
0
Sonstiges


Lehr- und Lernformen:Vorlesung, angeleitete Computer- und Rechenübungen


Prüfung(en)
Prüfung Prüfungsleistung als Beleg (PB)
 - 
100.0%



Lerninhalt:

  • Grundlagen und Rechenmodelle für Quantencomputer

  • Einfache Quantenalgorithmen und Softwarepakete für Quantencomputing

  • Quantenmessung und Quantenteleportation

  • Grovers Suchalgorithmus

  • Shors Algorithmus zur Faktorisierung

  • Adiabatisches Quantencomputing, QUBOs

  • Quanten-Approximative Optimierung, QAOA

  • Quanten-Neuronale Netze

  • Quanten-Support Vector Machinen

  • Quantenkomplexitätstheorie

  • Quantenfehlerkorrektur

  • Quantenkryptographie



Lernergebnisse/Kompetenzen:
Fachkompetenzen:Die Absolventen/-innen verstehen einfache Quantenalgorithmen und Implementierungen.
Die Absolventen/-innen arbeiten mit aktuellen Softwareframeworks zur Umsetzung von Quantenprogrammen.
Sie arbeiten mit verschiedenen Berechnungsmodellen im Quantencomputingkontext und implementieren entsprechende Algorithmen.
Die Absolventen/-innen wenden Quantencomputing auf Probleme der kombinatorischen Optimierung an.
Die Absolventen/-innen übertragen Ansätze zum klassischen Maschinellen Lernen auf Quantencomputer und wenden diese auf konkrete Problemstellungen an.
Sie verstehen die Vorzüge und Gründe für Speed-up von Quantencomputern gegenüber klassischem Computing.
Die Absolventen/-innen können Konzepte wie fehlerkorrigierende Quantencodes und Quantenkryptographie erklären und ihn ihren Vorzügen erläutern.

Die Absolventen/-innen sind in der Lage, die Anforderungen an wissenschaftliches Arbeiten selbständig anzuwenden und konsequent umzusetzen.
Sie besitzen fundierte wissenschaftstheoretische Kenntnisse etablierter Methoden der Modellbildung und Abstraktion, welche sie gezielt nutzen, um wissenschaftliche Fragestellungen präzise zu entwerfen, zu beantworten und praxistaugliche Lösungsansätze zu entwickeln.
Sie analysieren und abstrahieren technische Problemstellungen auch unter Berücksichtigung unbekannter Randbedingungen und können dabei den Lösungsraum (von unlösbar über eindeutig bis zu vielfältigen Lösungen) einschätzen, um hieraus zielgerichtete Handlungsanweisungen abzuleiten. Dazu entwerfen sie Problemlösungsansätze unter Verwendung bekannter Kreativitätsmethoden.

Die Absolventen/-innen wenden die fachspezifischen wissenschaftlichen Methoden in einer sinnvoll prozessuralen Weise an und sind fähig, die Möglichkeiten sowie insbesondere auch die Grenzen dieser Methoden präzise darzulegen.
Dieses tiefgreifende Verständnis ermöglicht ihnen eine differenzierte Beurteilung der gefundenen Problemlösungsansätze.
Sie haben ein erhöhtes Vertrautheitsniveau mit diesen Methoden entwickelt, das ihnen erlaubt, mit hoher Flexibilität auch neue Aufgabenfelder erfolgreich zu erschließen.

In ihren Spezialisierungsbereichen sind sich die Absolventen/-innen des aktuellen Standes der Technik umfassend bewusst und können zukünftige Entwicklungstendenzen sinnvoll prognostizieren sowie entsprechende Problemstellungen ableiten.
Sie besitzen einen ausgeprägten Wissensdrang und ausreichend Neugier, um eigenständig umfassende Literaturrecherchen durchzuführen, die wissenschaftlichen Ansprüchen genügen.
Die Ergebnisse dieser Recherchen können sie systematisieren und so aufbereiten, dass sie für den Eigen- oder Fremdgebrauch optimal verwendbar sind.
Fachübergreifende Kompetenzen:Die Absolventen/-innen verfügen über die Fähigkeit, technische Problemstellungen nicht isoliert zu betrachten, sondern integrieren aktiv ökonomische, ökologische, soziale und rechtliche Aspekte in ihre Analyse und Lösungsfindung.

Die Absolventen/-innen sind zudem fähig, die Ergebnisse ihrer Arbeit verständlich und nachvollziehbar darzustellen sowie in angemessener Form zu verteidigen.
Dies umfasst je nach Modul die Darstellung erworbenen Fachwissens in mündlichen oder schriftlichen Prüfungen sowie die Präsentation umfassender Problemlösungen bei Projekt- und Belegarbeiten.
Weiterhin sind sie in der Lage, Kritik an ihrer Arbeit und ihren Lösungen konstruktiv zu rezipieren und für eine kontinuierliche Lösungsverbesserung zu nutzen.
Schließlich können sie marktübliche Simulationssoftware bedienen und geeignete Simulationsmethoden zur Lösung unterschiedlicher Aufgabenstellungen kompetent anwenden.

Notwendige Voraussetzungen für die Teilnahme:keine
Empfohlene Voraussetzungen für die Teilnahme:Interesse an der Thematik und die Bereitschaft, sich das Verständnis der damit verbundenen Konzepte unter Anleitung zu erarbeiten.

Literatur:

  1. M. Homeister. Quantum Computing verstehen. Springer Vieweg, Wiesbaden, 2018.

  2. M.A. Nielsen and I.L. Chuang.Quantum Computation and Quantum Information: 10th AnniversaryEdition. Cambridge University Press, 2010.

  3. M. Schuld and F. Petruccione. Supervised Learning with Quantum Computers. Springer, 2018.

  4. S. Aaronson. Quantum computing since Democritus. Cambridge University Press, 2013.



Ein Vorlesungsskript sowie ggf. weitere Literaturhinweise erhalten die Teilnehmer in der Lehrveranstaltung.