| 1 |
جایگاه درس در برنامه درسی دوره |
در ده های اخیر با توجه به افزایش پیچیدگی مسایل و حجم زیاد داده، پیچیدگی و بار محاسباتی الگوریتم های یادگیری ماشین نیز افزایش یافته است واکنون به محدودیت های فیزیکی آنچه رایانه های سنتی می توانند انجام دهند نزدیک شده ایم. در نتیجه، مؤسسات تحقیقاتی و صنعتی دنیا مثل IBM، Google، و Microsoft در حال در حال سرمایه گذاری گسترده روی فن آوری های کوانتومی و بررسی ساختارهای محاسباتی جایگزین، از جمله محاسبات کوانتومی هستند. با توجه به افق های روشنی که الگوریتمهای یادگیری ماشین و محاسبات کوانتومی به صورت جداگانه به تصویر کشیده اند، هم افزایی حاصل از ادغام این دو حوزه در کانون توجه قرار گرفته و به ظهور حوزه بین رشته ای یادگیری ماشین کوانتومی (QML) منجر شده است. همچنین توسعه الگوریتم های شبه کوانتومی که بدون نیاز به سخت افزارهای کوانتومی صرفا به کاربرد ساختار ریاضی احتمال کوانتومی در حوزه یادگیری می پردازند نیز اخیرا در کانون توجه قرار گرفته و نتایج درخشانی در توضیح مسایل حل نشده حوزه مهندسی ارائه کرده است. اما به توجه به طبیعت بین رشته ای این حوزه هنوز در بین دانشجویان رشته های علوم و مهندسی به درستی شناخته نشده است. آشنایی دانشجویان مهندسی با این حوزه نوظهور که گاها از آن به عنوان انقلاب دوم کوانتومی یاد می شود می تواند به طور موثری در جهت پیشروی تحقیقات در مرزهای دانش در کشور و همگام بودن با تحقیقات بین المللی مفید واقع شده و به توسعه الگوریتم های یادگیری ماشین کوانتومی و شبه کوانتومی منجر گردد. لذاآموزش یادگیری ماشین کوانتومی نه تنها یک ضرورت علمی و فناورانه است، بلکه یک نیاز استراتژیک برای حفظ رقابت پذیری در دنیای امروز محسوب میشود و نیاز است با توجه به پیشرفت های روز دنیا در چارت درسی دانشجویان مهندسی کامپیوتر قرار گیرد. |
| 2 |
هدف کلی |
آشنایی دانشجویان با حوزه بین رشته ای یادگیری ماشین کوانتومی - ارائه یک درس کاربردی با هدف آشنایی دانشجویان با علوم روز دنیا - برنامه نویسی عملی روی کامپیوترهای کوانتومی و شبیه سازهای کامپیوترهای کوانتومی - آشنایی دانشجویان با الگوریتم های شبه کوانتمی - معرفی احتمال کوانتومی - آشنایی با پیش زمینه های لازم مثل محاسبات کوانتومی و الگوریتم های کوانتومی - معرفی کاربرد الگوریتم های یادگیری ماشین کوانتومی و شبه کوانتومی. |
| 3 |
شایستگی های پایه |
آشنایی با اصول جبر خطی - آشنایی به زبان برنامه نویسی پایتون. |
| 4 |
اهداف یادگیری |
آشنایی با مفاهیم پایه‌ای مکانیک کوانتومی - آشنایی با مبانی ریاضی کوانتوم و احتمال کوانتومی - آشنایی با مبانی محاسبات کوانتومی و الگوریتم های کوانتومی - آشنایی با محیط QisKit جهت اجرای الگوریتم های کوانتومی - آشنایی با الگوریتم های پایه یادگیری ماشین - معرفی چالش های پیش رو برای توسعه الگوریتم های یادگیری ماشین - معرفی مطالعات انجام شده در زمینه ادغام محاسبات کوانتومی و الگوریتمهای یادگیری ماشین - بررسی الگوریتمهای یادگیری ماشین کوانتومی و کاربردهای آن - پیاده سازی عملی الگوریتمهای یادگیری ماشین کوانتومی با استفاده از QisKit - آشنایی با الگوریتم های شبه کوانتومی. |
| 5 |
روش تدریس |
ارائه مطالب، بحث و مثال، برنامه نویسی کارگاهی. |
| 6 |
وظایف دانشجو |
حضور منظم در کلاس درس - تحویل تمرینات تئوری و برنامه نویسی درس - انجام پروژه های درس - شرکت در کوییزها و آزمون های درس. |
| 7 |
منبع |
کتب و مقالات مرجع در سامانه Vu معرفی شده است. |
| 8 |
مواد و امکانات آموزشی |
امکانات استاندارد کلاس درس. |
| 9 |
نحوه ارزشیابی |
تمرین و تکلیف، امتحانات بین ترم و پایان ترم و پروژه |