量子學習
量子機器學習與 CUDA-Q
從數學與物理打底，經量子資訊與量子計算，進入 QML 與 NVIDIA CUDA-Q 混合量子—經典程式設計。優先收錄免費公開課與官方教材。
知識路線
正式產品名稱是 CUDA-Q（不是「Q CUDA」）。建議依序打底，再進入混合量子—經典實作。
數學基礎 → 經典物理 → 量子物理 → 量子資訊與量子計算 → 量子機器學習 → CUDA-Q 混合程式設計
- 經典物理力學、電磁學、波動、熱力學與統計物理
- 量子物理波函數、希爾伯特空間、算符與機率測量
- 量子計算量子位元、量子閘與量子電路抽象
- 量子機器學習量子計算與機器學習的結合方式與限制
- CUDA-Q在 CPU／GPU／模擬器／QPU 上執行的混合工作流程
常見誤區
- 不要跳過線性代數卡住點通常不是語法，而是複數向量、Unitary 與 Tensor product
- GPU ≠ QPUCUDA-Q 用 GPU 加速模擬量子電路，並非把顯示卡變成真正量子電腦
- QML 尚未普遍優於經典 ML必須與公平的經典基線比較，並關注可訓練性與雜訊
數學與物理打底
做 QML 不需先讀完量子場論，但至少要熟悉線性代數、量子態、測量、Tensor product、量子閘與密度矩陣。
數學前置
-
MIT初階MIT 18.01SC Single Variable Calculus
極限、微分積分、泰勒展開；自學友善的完整微積分課程。
-
MIT初階MIT 18.02SC Multivariable Calculus
偏微分、多重積分、梯度散度旋度與線／面積分。
-
MIT階段一MIT 18.06SC Linear Algebra
量子計算最重要的數學：特徵值、對角化、Hermitian／Unitary、Tensor product。
-
MIT初階～中階MIT 18.03 Differential Equations
常微分方程與波動／擴散方程基礎；薛丁格方程本身是量子微分方程。
-
MIT初階～中階MIT 18.04 Complex Variables
複數、歐拉公式與相位；量子態振幅是複數，不能只會實數矩陣。
-
MIT初階～中階MIT 6.041SC Probabilistic Systems
期望值、條件機率與分布；量子測量是從機率分布抽樣。
經典與量子物理
-
MIT階段一MIT 8.01SC Classical Mechanics
力、動量、能量與角動量；為理解 Hamiltonian 打底。
-
MIT階段二MIT 8.03SC Vibrations and Waves
簡諧振子、波動方程、干涉與正規模態；波動力學的經典對應。
-
MIT階段二MIT 8.02 Electricity and Magnetism
電場磁場與 Maxwell；超導量子位元等硬體都依賴電磁耦合。
-
MIT階段三MIT 8.044 Statistical Physics I
熵、配分函數與統計力學；退相干與開放量子系統的基礎。
-
MIT階段三MIT 8.04 Quantum Physics I
波函數、薛丁格方程與一維／三維問題。
-
MIT階段四MIT 8.05 Quantum Physics II
一般形式、簡諧振子、角動量與自旋；連結單一 qubit。
-
MIT階段四MIT 8.06 Quantum Physics III
微擾、原子、雷射與散射；進階選讀。
核心主題：Dirac 記號、Hermitian／Unitary、自旋與 Bloch sphere、Tensor product、糾纏、密度矩陣與退相干概念。
量子資訊與量子計算
把量子系統抽象成可編程模型：qubit、閘、電路、演算法與雜訊。
- Qubit|0⟩／|1⟩、正規化、相對相位、Bloch sphere、多 qubit 態
- 量子閘Pauli、Hadamard、RX／RY／RZ、CNOT、SWAP、Toffoli、Universal gate sets
- 測量與糾纏Bell states、傳態、No-cloning、CHSH
- 演算法Deutsch–Jozsa、Grover、QFT、Phase Estimation、VQE、QAOA
- 雜訊與錯誤Shot noise、depolarizing、damping、error mitigation、表面碼概念
不要一開始死磕 Shor。先把 Bell state、測量、Tensor product 與小型變分演算法真正寫出來。
免費課程
量子機器學習 QML
QML 可分成三類，不能混為一談。只有前兩類通常需要真正的量子電路或硬體。
- A. Quantum-enhanced ML用量子電路處理資料：VQC、quantum kernel、QNN、量子生成模型
- B. ML for quantum systems用經典 ML 改善校準、雜訊估計、態辨識、脈衝控制與編譯
- C. Quantum-inspired ML在 CPU／GPU 上跑受量子啟發的演算法，不一定使用 QPU
經典 ML 前置
回歸、SVM、Kernel、神經網路、Loss、梯度下降、Backprop、正則化、交叉驗證、PCA、PyTorch。
資料編碼與變分電路
- Classical data encodingBasis／Angle／Amplitude encoding、IQP、Data re-uploading、Feature maps
- Variational circuitAnsatz、期望值、經典優化器、Parameter-shift、混合訓練迴圈
- Quantum kernels量子特徵映射、Kernel matrix、QSVM、Kernel concentration
- Quantum neural netsVQC、QCNN、混合 PyTorch–Quantum、Quantum autoencoder／GAN
常見流程：CNN／Autoencoder／PCA 壓縮特徵 → 量子編碼 → 參數化電路 → 測量 → 分類器。高維影像不能直接塞進少量 qubit。
研究困難
Barren plateaus、梯度消失、Shot／Hardware noise、編碼成本、電路深度、可訓練性、泛化、經典可模擬性、公平基線，以及是否真有 quantum advantage。
免費課程與實作
-
IBM初階～中階IBM Quantum Machine Learning
資料編碼、Quantum kernel 與變分量子電路。
-
PennyLane初階PennyLane Learn
可執行的 QML 教學與示範入口。
-
PennyLane初階～中階PennyLane Documentation
API 與進階主題文件。
-
Demo初階～中階PennyLane Variational Classifier
變分分類器可直接執行的教學。
-
Demo中階PennyLane Barren Plateaus
理解訓練失敗的常見原因：貧瘠高原。
-
arXiv中階Challenges and Opportunities in QML
整理 QML 機會與挑戰的綜述論文。
CUDA-Q 混合程式設計
CUDA-Q 是混合量子—經典平台，可協調 CPU、NVIDIA GPU、電路模擬器與遠端 QPU；支援 Python 與 C++。
安裝與入門
-
Docs階段一CUDA-Q 官方文件
總覽、Quick Start、後端與應用範例。
-
Docs階段一CUDA-Q Quick Start
最短路徑跑通第一個量子程式。
-
Install階段一Local Installation
Linux／macOS；Windows 建議 WSL2。不確定環境時可用 Docker。
-
GitHub階段一CUDA-Q GitHub
原始碼、議題追蹤與發行說明。
Python 安裝：pip install cudaq，再以 import cudaq 確認版本。
核心概念
- Quantum kernel@cudaq.kernel、qubit／qvector、閘、測量、參數與合成
- sample／observe／runbitstring 分布、Hamiltonian 期望值、一般執行；通往 VQE／QAOA／QML
- 後端qpp-cpu、nvidia GPU、tensor-network、multi-GPU、QPU
State-vector 記憶體約 16×2ⁿ bytes（FP64 複數）。消費級 8～12GB GPU 大約適合 26～29 qubits 的小型電路；實際還受深度與開銷影響。
變分、混合模型與雜訊
-
Tutorials階段二CUDA-Q Tutorials
官方教學總表。
-
Backends階段二CUDA-Q Backends
模擬器與硬體後端說明。
-
Hybrid階段三Hybrid Quantum Neural Networks
CUDA-Q 與 PyTorch 結合的 MNIST 二元分類範例。
-
Noise階段三Noisy Simulators
雜訊模型與嘈雜模擬。
-
Dynamics階段四CUDA-Q Dynamics
以 cuQuantum 為基礎的量子時間演化模擬。
-
Academic階段一CUDA-Q Academic
免費開源互動教材：量子基礎到混合演算法與 HPC。
-
Apps階段三CUDA-Q Applications
應用範例總覽（含 QFT 等）。
Windows 建議路徑：Windows 11 → WSL2 Ubuntu → NVIDIA Driver → Docker 或 venv → CUDA-Q。Ampere（如 RTX 3060）等 Compute Capability ≥ 7 的 GPU 可用於加速模擬。
12 個月學習安排
依序打底再專案化。有 PyTorch 背景時，後半段可直接做混合量子—經典分類實驗。
- 第 1～2 個月數學：線性代數、複數、特徵值、Tensor product、微分方程、機率
- 第 3～4 個月經典物理：力學、Hamiltonian、簡諧振子、波動、電磁學、熱力學基礎
- 第 5～7 個月量子物理：波函數、薛丁格、自旋、Tensor product、糾纏、密度矩陣
- 第 8 個月量子計算：閘、測量、傳態、Grover、QFT、VQE、QAOA（Qiskit／PennyLane／CUDA-Q）
- 第 9～10 個月QML：編碼、kernel、VQC、parameter-shift、雜訊、經典基線比較
- 第 11～12 個月CUDA-Q 專案：GPU backend、VQE／QAOA、PyTorch 混合模型、效能與雜訊比較
建議期末專案
Hybrid Classical–Quantum Image Classification：特徵提取（CNN）→ 降維 → CUDA-Q 參數化電路 → 分類，並與 Logistic／SVM／MLP／PennyLane 等基線比較（含有無雜訊）。
階段成果示例
- 數學NumPy 實作複數向量、Pauli、Tensor product 與二能級時間演化
- 物理模擬簡諧振子／波包；數值解薛丁格；Bell state 與 reduced density matrix
- QMLIris／Digits 的 VQC；Quantum kernel 與 SVM；分析 qubit 數、深度與雜訊