راهنمای عملی برای یادگیری ماشین کوانتومی و بهینه‌سازی کوانتومی

این کتاب یک راهنمای عملی برای آشنایی با الگوریتم‌های نوین محاسبات کوانتومی در حوزه‌های یادگیری ماشین و بهینه‌سازی است. مطالب آن از مبانی محاسبات کوانتومی و ابزارهای برنامه‌نویسی آغاز می‌شود و موضوعاتی مانند فرمول‌بندی مسائل بهینه‌سازی با استفاده از مدل‌های QUBO و Ising، بهینه‌سازی مبتنی بر کوانتوم انیلینگ، الگوریتم‌های QAOA و VQE و الگوریتم جست‌وجوی تطبیقی گروور (GAS) را پوشش می‌دهد. همچنین، مدل‌های یادگیری ماشین کوانتومی، از جمله ماشین‌های بردار پشتیبان کوانتومی، شبکه‌های عصبی کوانتومی و شبکه‌های مولد تخاصمی کوانتومی، و معماری‌های ترکیبی کلاسیک–کوانتومی بررسی می‌شوند. کتاب با ارائه مثال‌های برنامه‌نویسی، کار با شبیه‌سازهای کوانتومی و رایانه‌های کوانتومی واقعی و استفاده از ابزارهایی مانند Qiskit، PennyLane و D-Wave Leap را آموزش می‌دهد. ضمیمه‌های کتاب نیز مبانی ریاضی موردنیاز، از جمله اعداد مختلط و جبر خطی، را مرور می‌کنند.