Der WBK Quantum Computing richtet sich an Fachpersonen, die:

• Quantencomputing in datenwissenschaftliche Anwendungen integrieren möchten
• Zukunftsfähigkeit in Data Science, Künstlicher Intelligenz (KI) oder technischer Forschung anstreben
• Quantenalgorithmen für Optimierungs- oder Machine-Learning-Probleme einsetzen wollen
• Grundlagen für Tätigkeiten im Quantum-Bereich erwerben möchten

Nach Abschluss des Kurses verfügen die Absolvent:innen über:

• ein fundiertes Verständnis der Quanteninformationstheorie
• praktische Fertigkeiten zur Implementierung von Quantenalgorithmen
• vertiefte Kenntnisse im Quantum Machine Learning (QML)
• die Fähigkeit, Potenziale des Quantencomputings für reale Datenprobleme zu bewerten

Quantum Information Theory

Inhalt 

• Qubits und Quantenregister
• Superposition und Verschränkung
• Quantengatter

Lernziele 

• Grundprinzipien der Quantenmechanik verstehen
• Quantenprotokolle analysieren
• Quantenkryptographie anwenden

Quantum Algorithms and Programming

Inhalt 

• Algorithmen-Design
• Fehlerkorrektur
• Praxis mit Qiskit/Cirq

Lernziele 

• Kernalgorithmen (z. B. Grover, Shor) implementieren
• Optimierungsprobleme mit Quantenmethoden lösen
• Quantencode in Python entwickeln

Applied Quantum Computing in Data Analysis

Inhalt 

• Optimierungsanwendungen
• Datenanalyse-Integration
• Fallstudien

Lernziele 

• Quantenlösungen für Clustering/Klassifikation entwickeln
• Quantensysteme in klassische Architekturen integrieren
• Praxisrelevanz bewerten

Quantum Machine Learning

Inhalt 

• Variationale Quantenschaltkreise
• Hybridansätze
• Anwendungsbeispiele

Lernziele 

• Hybride QML-Modelle designen
• Quanten-Kernelmethoden anwenden
• QML mit klassischem ML vergleichen

Methodik

Der Unterricht umfasst Präsenzveranstaltungen mit interaktiven Quantensimulationen, Praxislabore (Hands-on Labs) mit Qiskit und PennyLane, Analyse realer Fallstudien aus Industrie und Forschung, Gruppenprojekte mit Zugang zu Quanten-Hardware (IBM Quantum) sowie begleitetes Selbststudium in einer Cloud-basierten Laborumgebung.
Der Kurs wird als hybrides Format angeboten: Der Dozent ist stets vor Ort anwesend und die Studierenden nehmen am Vorort-Unterricht teil oder schalten sich online zu.

Unterricht

Der Unterricht findet einmal pro Woche jeweils am Mittwochabend von 17:00-20:30 Uhr statt. Den individuellen Stundenplan erhalten die Teilnehmenden spätestens einen Monat vor Kursbeginn. Die schulfreie Zeit richtet sich nach den Schulferien der Stadt Zürich.

Das Team der Dozierenden besteht aus ausgewiesenen Fachpersonen mit Kompetenzen im akademischen und praktischen Bereich. Hier ein Auszug der Dozierendenliste:

• Dr. Pavel Sulimov: Senior Quantum AI Researcher, Institute of Computer Science, ZHAW School of Engineering; Academic Lead, Quantum Algorithms Expert Group at AI Booster by Data Innovation Alliance
• Prof. Dr. Rudolf Marcel Füchslin: Head of the Group for Applied Complex Systems Sciences, ZHAW School of Engineering; Co-Director of the European Centre for Living Technology at Venice, Italy
• Claude Lehmann: Research Associate, Institute of Computer Science, ZHAW School of Engineering

Zusammenarbeit mit IBM Quantum und QuantumBasel

Die bestehende Zusammenarbeit mit IBM Quantum und QuantumBasel eröffnet den Teilnehmenden einen direkten Zugang zu modernsten Quantencomputern über Cloud-Plattformen. Im Rahmen dieser Zusammenarbeit entstehen praxisnahe und industrierelevante Fallstudien, die den Transfer von theoretischem Wissen in reale Anwendungen fördern. Darüber hinaus profitieren die Studierenden von einem intensiven Wissenstransfer durch Gastvorträge ausgewiesener Quantenexpert:innen, die Einblicke
in aktuelle Forschung, technologische Entwicklungen und industrielle Einsatzmöglichkeiten geben.

Die Zulassung zum Kurs setzt grundsätzlich einen Hochschulabschluss (Fachhochschule, HTL, HWV, Uni, ETH) voraus. Es können aber auch Praktiker:innen mit vergleichbarer beruflicher Kompetenz zugelassen werden, wenn sich die Befähigung zur Teilnahme aus einem anderen Nachweis ergibt.

Empfohlene Vorkenntnisse:

• Fundierte Programmierkenntnisse in Python
• Grundverständnis von linearer Algebra und Statistik (kurzer Auffrischungskurs zu Beginn der ersten Unterrichtseinheit)
• Basiswissen im Bereich Machine Learning

Wir führen keine Wartelisten und bieten keine Platzreservationen an.

Sollte bei der vorangehenden Durchführung ein Platz frei werden, berücksichtigen wir die Reihenfolge gemäss Anmeldeeingang.