Tenzorske mreže predstavljajo razcep visokodimenzionalnih tenzorjev v več manjših tenzorjev. Razvite so bile v kvantni fiziki, vendar so se v zadnjih letih uveljavile na področju strojnega učenja. Posebna oblika tenzorske mreže je matrično produktno stanje (MPS), ki je sestavljeno iz verige tenzorjev, ki jih povezujejo vezi. Dimenzija vezi omejuje korelacije, ki jih model lahko predstavi, in s tem ekspresivnost modela. V delu uporabimo MPS kot verjetnostni model za tabelarične podatke. V enem MPS modelu lahko hkrati uporabimo različne tipe vložitev za različne atribute (ordinalne, nominalne, zvezne). V nasprotju s popularnimi generativnimi modeli lahko naš model zaradi strukture učinkovito izračuna eksaktno verjetje ter eksaktne robne in pogojne porazdelitve. Podatke vzorčimo s predniškim vzorčenjem. Dimenzijo vezi prilagajamo med učenjem po metodi DMRG. Model implementiramo in evalviramo na kategoričnem naboru podatkov o raku dojk. Pokažemo, da se enodimenzionalne robne porazdelitve sintetičnih podatkov dobro ujemajo z resničnimi, ter da model dobro predstavi korelacije med pari atributov.
Tenzorske mreže predstavljajo razcep visokodimenzionalnih tenzorjev v več manjših tenzorjev. Razvite so bile v kvantni fiziki, vendar so se v zadnjih letih uveljavile na področju strojnega učenja. Posebna oblika tenzorske mreže je matrično produktno stanje (MPS), ki je sestavljeno iz verige tenzorjev, ki jih povezujejo vezi. Dimenzija vezi omejuje korelacije, ki jih model lahko predstavi, in s tem ekspresivnost modela. V delu uporabimo MPS kot verjetnostni model za tabelarične podatke. V enem MPS modelu lahko hkrati uporabimo različne tipe vložitev za različne atribute (ordinalne, nominalne, zvezne). V nasprotju s popularnimi generativnimi modeli lahko naš model zaradi strukture učinkovito izračuna eksaktno verjetje ter eksaktne robne in pogojne porazdelitve. Podatke vzorčimo s predniškim vzorčenjem. Dimenzijo vezi prilagajamo med učenjem po metodi DMRG. Model implementiramo in evalviramo na kategoričnem naboru podatkov o raku dojk. Pokažemo, da se enodimenzionalne robne porazdelitve sintetičnih podatkov dobro ujemajo z resničnimi, ter da model dobro predstavi korelacije med pari atributov.
V nalogi obravnavam kvantne generatorje naključnih števil (QRNG) kot napredne vire naključnosti, ki presegajo omejitve klasičnih metod. Najprej predstavim teoretično ozadje in pomen naključnosti pri kriptografiji, simulacijah in znanstvenih raziskavah. Posebno pozornost namenim razlikam med psevdonaključnimi (PRNG), strojnimi (TRNG) in kvantnimi generatorji naključnih števil, pri čemer slednji temeljijo na nedeterminističnih kvantnih pojavih. V praktičnem delu analiziram delovanje naprave Qocka, ki temelji na delitvi posameznih fotonov, ter obravnavam pridobivanje podatkov. Podatke sem obdelal z von Neumannovim in Toeplitzovim ekstraktorjem ter jih ovrednotil s statističnimi testi (Dieharder, PractRand) in oceno min-entropije (NIST SP 800-90B). Rezultati kažejo, da obdelani nizi prestanejo zahtevne preizkuse, vendar to samo po sebi še ne zagotavlja resnične entropije, saj tudi deterministični generator dosega podobne statistične lastnosti. Sklepam, da je za zanesljivo vrednotenje QRNG nujna kombinacija statističnih testov, modeliranja vira in konservativne ocene entropije. Naloga tako prispeva k razumevanju pomena postprocesiranja in metod ocenjevanja pri razvoju varnih kvantnih generatorjev.
V delu studiramo transport v Landu-Lifshitzovem modelu na mreži v eni prostorski dimenziji, ki predstavlja klasicen analog kvantne spinske verige. Model motiviramo s kvantnomehansko obravnavo izmenjalne interakcije. Vpeljemo koncept integrabilnosti v klasicni mehaniki ter zapisemo enacbe gibanja modela z uporabo Laxovih operatorjev in pogoja nicelne ukrivljenosti. Integrabilnost modela sledi iz involutivne
lastnosti para matrik monodromij, ki jo dokažemo z uporabo R-matrike. Predstavimo Trotterjev razcep Liouvillove enacbe, ki nam omogoci ucinkovito simulacijo dinamike modela. Naiven razcep modela se izkaže za neintegrabilnega, kar potrdimo z izracunom Lyapunovega spektra. Uvedemo novo integrabilno posplositev Landau-Lifshitzovega modela na diskretno krajevno-casovno mrežo ter poiscemo dvodelcni hamiltonian, ki generira želeno dinamiko ter novo R-matriko modela. Pokažemo, da je taksen model sam svoj dual. V nemagnetiziranem stanju se model izkaže za superdifuzivnega, z analizo korelacijskih funkcij pokažemo, da spada v Kardar-Parisi-Zhangov univerzalnostni razred. V magnetiziranem stanju prevlada balisticno obnasanje, opazimo bogato odvisnost korelacijske funkcije magnetizacije od celotne
magnetizacije.
Kada i kako započeti učiti o kvantnom računarstvu?Mladen Viher 1 Zadnjih godina mnogo toga je napisano o kvantnom računarstvu, od popularnih članaka do teorijskih radova.Medutim, čini nam se kako još uvijek nedostaje tekst koji bi darovitim i zainteresiranim srednjoškolcima ukazao na mogućnost prema samoobrazovanju u ovom području.Smatramo kako im nastavni sadržaji matematike i fizike u četvrtom razredu gimnazije pružaju dobre temelje za razumijevanje koncepta kvantnog računarstva, primjenjiv u jednostavnim primjerima i komplementaran s klasičnim računarstvom za kojeg su mnogi od njih već razvili interes.Potrebna znanja matematike su linearna algebra do razine matričnog računa, kompleksni brojevi u eksponencijalnom obliku i osnove teorije vjerojatnosti.Ovaj članak nema ambiciju pružiti uvod u kvantno računarstvo, već zainteresirati, ohrabriti i uputiti čitatelja na tečajeve koji će mu to pružiti, a primjereni su razini završnih razreda gimnazije.U ovom članku željeli bismo uputiti na mogućnosti korištenja emulatora kvantnih računala za stjecanje osnovnih znanja iz kvantnog računarstva.Projekte kvantnih emulatora sponzoriraju velike informatičke tvrtke i sveučilišta upravo radi promicanja što ranijeg zanimanja za kvantno računarstvo kako bi u budućnosti osigurali dovoljan broj stručnjaka nužan za održavanje zamaha u razvoju ove tehnologije.Kvantno računarstvo je područje računarstva koje koristi principe kvantne fizike za obradu informacija.Umjesto klasičnih bitova, koji isključivo mogu imati vrijednosti 0 ili 1, kvantna računala koriste kvantne bitove, kubite, koji mogu istovremeno biti u stanju 0 i 1 zbog kvantne pojave; superpozicije.Ova značajka, zajedno s kvantnom spregnutošću i kvantnim tuneliranjem, omogućava kvantnim računalima paralelno procesiranje tamo gdje klasična računala sekvencijalno koriste grananja i petlje.Interes za kvantno računarstvo naglo se povećao sredinom devedesetih godina prošlog stoljeća nakon što je američki matematičar Peter Shor objavio algoritam za brzu faktorizaciju velikih brojeva na kojoj se temelji suvremena asimetrična kriptografija.Shorov algoritam koristi brzu Fourierovu transformaciju pri čemu se vrlo velik broj iteracija može istovremeno izvesti u tzv.supergustom kodiranju (engl.superdense coding) na kvantnom računalu.Unatoč tome što još uvijek nemamo uporabljivo kvantno računalo, postalo je izvjesno kako je asimetrična kriptografija ugrožena.O njoj danas ovisi razmjena ključeva u zaštićenoj komunikaciji, financijske transakcije kao i potvrda autentifikacije na internetu.Potaknut ovom spoznajom, američki Nacionalni institut za standarde (NIST) inicirao je još prije osam godina medunarodni natječaj za novi enkripcijski algoritam koji može odoljeti kvantnom računalu.Rezultat ovog natječaja su nedavno postavljeni novi standardi tzv.post-kvantne kriptografije (PQC) za enkripciju i digitalni potpis.Kvantno računalo je, po svom značaju, u središtu kvantnih tehnologija [1].Medutim bilo bi nepošteno tvrditi da je ono i njihovo ishodište jer su kvantni senzori, uredaji izuzetno velike osjetljivosti, postojali desetljećima ranije.Većina suvremenih autora slaže se oko podjele kvantnih tehnologija na tri glavna područja:
Magistrsko delo obravnava teoreticen pristop k razumevanju kvantnega racunalnistva in opisuje kvantni algoritem kot primer uporabnosti hitro se razvijajocega podrocja. Delo je razdeljeno na stiri dele. V prvem delu je podrobneje opisana matematicna podlaga, potrebna za razumevanje kvantnega racunanja, ki obsega kompleksna stevila, vektorske prostore in razsiritve ter linearne transformacije. Drugi del opisuje fizikalne osnove in temeljne definicije ter razlage kvantne mehanike, iz katere se razvija podrocje kvantnega racunalnistva. Kvantni mehaniki sledi poglavje kvantnega racunalnistva, v katerem so predstavljeni osnovni koncepti in elementi, s katerimi je možno graditi kvantne algoritme. Predstavljen je tudi model kvantnega racunanja, katerega se poslužujejo raziskovalci in razvijalci na podrocju odkrivanja novih kvantnih algoritmov. V zadnjem delu magistrske naloge je opisan Groverjev algoritem, eden izmed prvih kvantnih algoritmov, ki prikazuje uporabnost kvantnega racunalnistva v prihodnosti.
Tato práce se zabývá tenzorovými sítěmi jakožto účinnými strukturami ke zmírnění prokletí dimenzionality ve strojovém učení (ML). Cílem je poskytnout ucelený teoretický základ pro pochopení tenzorů a tenzorových sítí jak z matematického pohledu, tak z perspektivy strojového učení, a současně předvést praktickou implementaci v programovacím jazyce Julia. Práce začíná zavedením základních operací s tenzory a představením jejich diagramové notace. Následně jsou rozebrány strukturální vlastnosti klíčových dekompozičních formátů tenzorových sítí. Na tomto základu je popsáno několik aplikací v učení s učitelem, se zaměřením na klasifikační úlohy, ve kterých jsou tenzorové sítě využity jako modely. Diskutovány jsou rovněž strategie optimalizace parametrů modelů, přičemž zvláštní pozornost je věnována "sweeping optimization". Na závěr je implementován optimalizační algoritmus "sweeping" pro klasifikační model založený na formátu MPS v Julii. Tento klasifikační model je poté aplikován na dataset Fashion-MNIST, což je následováno komparativním rozborem z hlediska výkonnosti, paměťové náročnosti (počtu parametrů) a výpočetní efektivity vůči tradičním neuronovým sítím.
Práce se zabývá problematikou LDPC kódů. Jsou zde popsány metody vytváření paritní matice, kde je kladen důraz především na strukturované vytváření této matice za použití konečné geometrie: Euklidovské geometrie a projektivní geometrie. Další oblastí, které se práce věnuje je dekódování LDPC kódů. Práce porovnává čtyři dekódovací metody: Hard-Decision algoritmus, Bit-Flipping algoritmus, The Sum-Product algoritmus a Log Likelihood algoritmus, při kterých je kladen důraz především na iterativní dekódovací metody. Praktickým výstupem práce je program LDPC kódy, který vznik v prostředí Matlab. Tento program je rozdělen na dvě části -- Výuka LDPC kódů a Simulace LDPC kódů. Na základě výsledků získaných z programu Simulace LDPC kódů je vytvořeno porovnání vytvářecích a dekódovacích metod LDPC kódů. Pro porovnávání dekódovacích metod LDPC kódů byly využity BER charakteristiky a časová závislost jednotlivých metod na různých parametrech LDPC kódu (počet iterací nebo velikost paritní matice).