|
| Code: | 244900 |
| Modul: | Quantencomputing |
| Module title: | Quantum Computing |
| Version: | 1.0 (01/2019) |
| letzte Änderung: |
09.11.2021 |
| Modulverantwortliche/r: |
Prof. Dr. Lässig, Jörg
j.laessig@hszg.de |
|
| angeboten im Studiengang: | Informatik (M.Sc.) gültig ab Matrikel 2024 |
|
| 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 |
60
Vor- und Nachbereitung LV |
20
Vorbereitung Prüfung |
25
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 Studierenden verstehen einfache Quantenalgorithmen und implementieren implementieren.
- Die Studierenden arbeiten mit aktuellen Softwareframeworks zur Umsetzung von Quantenprogrammen.
- Die Studierenden arbeiten mit verschiedenen Berechnungsmodellen im Quantencomputingkontext und implementieren entsprechende Algorithmen.
- Die Studierenden wenden Quantencomputing auf Probleme der kombinatorischen Optimierung an.
- Die Studierenden übertragen Ansätze zum klassischen Maschinellen Lernen auf Quantencomputer und wenden diese auf konkrete Problemstellungen an.
- Die Studierenden verstehen die Vorzüge und Gründe für Speed-up von Quantencomputern gegenüber klassischem Computing.
- Die Studierenden können Konzepte wie fehlerkorrigierende Quantencodes und Quantenkryptographie erklären und ihn ihren Vorzügen erläutern.
|
| Fachübergreifende Kompetenzen: | - Die Studierenden präsentieren ihre Analysen, Lösungsvorschläge und Ergebnisse schriftlich und mündlich in überzeugender Art und Weise, erkennen abweichende Positionen und integrieren diese in eine sach- und interessensgerechte Lösung.
- Die Studierenden gehen ziel- und ergebnisorientiert mit großer Beharrlichkeit vor.
- Die Studierenden bewerten Lösungsalternativen, treffen Entscheidungen und setzen diese tatkräftig um.
- Die Studierenden erkennen Missverständnisse zwischen Gesprächspartnern frühzeitig, argumentieren in kontroversen Diskussionen zielorientiert, gehen mit Kritik sachlich um und bauen Missverständnisse ab.
|
|
| Notwendige Voraussetzungen für die Teilnahme: | Interesse an der Thematik und die Bereitschaft, sich das Verständnis der damit verbundenen Konzepte unter Anleitung zu erarbeiten. |
|
| Literatur: |
- M. Homeister. Quantum Computing verstehen. Springer Vieweg, Wiesbaden, 2018.
- M.A. Nielsen and I.L. Chuang.Quantum Computation and Quantum Information: 10th AnniversaryEdition. Cambridge University Press, 2010.
- M. Schuld and F. Petruccione. Supervised Learning with Quantum Computers. Springer, 2018.
- S. Aaronson. Quantum computing since Democritus. Cambridge University Press, 2013.
Ein Vorlesungsskript sowie ggf. weitere Literaturhinweise erhalten die Teilnehmer in der Lehrveranstaltung. |
