https://github.com/dpbm/qml-course

Minicurso de quantum Machine learning
https://github.com/dpbm/qml-course

cuda cuda-q cuquantum docker ml python qml quantum quantum-computing tensorflow

Last synced: 20 days ago
JSON representation

Minicurso de quantum Machine learning

• Host: GitHub
• URL: https://github.com/dpbm/qml-course
• Owner: Dpbm
• Created: 2024-08-09T18:40:04.000Z (5 months ago)
• Default Branch: main
• Last Pushed: 2024-12-03T14:18:10.000Z (about 1 month ago)
• Last Synced: 2024-12-03T15:27:50.966Z (about 1 month ago)
• Topics: cuda, cuda-q, cuquantum, docker, ml, python, qml, quantum, quantum-computing, tensorflow
• Language: Jupyter Notebook
• Homepage: https://dpbm.github.io/qml-course/
• Size: 12.2 MB
• Stars: 2
• Watchers: 1
• Forks: 0
• Open Issues: 1
• Metadata Files:
  • Readme: readme.md

Awesome Lists containing this project

README

        
# QML Course

Neste repositório, estão contidos todos os arquivos referentes ao minicurso ministrado por [Alexandre](https://github.com/Dpbm) durante a Semana de tecnologia de 2024 na [UNIVEM - Centro Universitário Eurípides de Marília](https://www.univem.edu.br/).

O minicurso possui 4 aulas dividas em 2 dias durante a semana (12 e 13 de novembro).

## Setup

Para utilizar os códigos aqui presentes, será necessário:

- python 3.10

- pip

- conda/mamba/conda-lock (opcional)

Com essas ferramentas instaladas execute no terminal:

```bash

# para dependências do primeiro dia 

pip install -r first-requirements.txt 

# para dependências do segundo dia

pip install -r second-requirements.txt

#-----------------------------------------------

# ou para conda/mamba

conda env create -f ./environment.yml

conda activate qml-course

# ou usando o conda-lock

conda-lock install ./conda-lock.yml -n qml-course

conda activate qml-course

```

Após isso, basta entrar na pasta [./qiskit](./qiskit/) e abrir o jupyter lab usando:

```bash

jupyter lab

```

---

Para os códigos utilizando cuda, será necessário possuir uma placa da Nvidia que suporta [CuQuantum](https://developer.nvidia.com/cuquantum-sdk). Caso você possua, você pode executar os código normalmente utilizando a SDK nativa como mostrado em [CuQuantum](https://developer.nvidia.com/cuquantum-sdk) e [cuda-q](https://developer.nvidia.com/cuda-q).

Caso contrário faça o seguinte:

- CudaQ

    1. Instale o [docker](https://www.docker.com/)

    2. rode o script [build-run.sh](./cuda-q/build-run.sh)

    ```bash

        # para ambientes unix-like

        chmod +x build-run.sh

        ./build-run.sh

        # ou

        docker build . -t cuda-q

        docker run cuda-q

    ```

   Caso você possua uma placa da Nvidia que suporte cuda, mas não CuQuantum, esse método pode funcionar. Caso contrário:

    1. Clone o repo em um [Notebook do Google Colab](https://colab.research.google.com/)

    2. Instale o docker

    3. execute o script [build-run.sh](./cuda-q/build-run.sh)

    ```bash

        chmod +x build-run.sh

        ./build-run.sh

    ```

- CuQuantum

    1. Clone o repo em um [Notebook do Google Colab](https://colab.research.google.com/)

    2. Abra o notebook [cuQuantum-BellState.ipynb](./cuQuantum/cuQuantum-BellState.ipynb)

    3. Habilite a GPU

    4. execute tudo

## Divisão do minicurso

- Primeiro dia

    - Introdução a computação quântica

    - Demonstração das ferramentas usadas para Computação quântica

    - Demonstração das ferramentas usadas para ML e QML

- Segundo dia

    - Introdução aos modelos convolucionais e modelos quânticos

    - Demonstração Classical ConvNet

    - Demonstração QConvNet

## Fotos no evento



    

    

    

    

    

    



Todas as fotos foram tiradas pelo nosso querido amigo [Hugo](https://www.linkedin.com/in/hugo-hm-b3482b144/).