Jak napisać pracę magisterską z informatyki kwantowej i obliczeń kwantowych

Praca magisterska z informatyki kwantowej to jedno z trudniejszych wyzwań, jakie można sobie wybrać na studiach drugiego stopnia. Materia jest abstrakcyjna, narzędzia dopiero dojrzewają, a większość dostępnej literatury jest po angielsku i zakłada solidne tło z algebry liniowej oraz podstaw mechaniki kwantowej. Jeśli zdecydowałeś się na ten kierunek, poniższy poradnik pomoże ci zaplanować pracę tak, żebyś wiedział, czego się trzymać – od wyboru tematu po obronę.

Specyfika kierunku – czego dotyczy informatyka kwantowa

Informatyka kwantowa to dziedzina na styku fizyki, matematyki i inżynierii oprogramowania. W odróżnieniu od klasycznej informatyki, gdzie podstawową jednostką informacji jest bit (0 lub 1), tutaj operujesz na qubitach. Qubit może przyjmować wartości 0 i 1 jednocześnie dzięki superpozycji – i to nie metafora, lecz konsekwencja mechaniki kwantowej opisanej równaniem Schrödingera.

Dwa qubity mogą być splątane kwantowo (ang. entangled): pomiar jednego natychmiast determinuje stan drugiego, niezależnie od odległości między nimi. To zjawisko Einstein nazywał „upiornym działaniem na odległość” (spooky action at a distance) i przez dekady odrzucał jako absurd. Eksperymenty Aspecta z 1982 r. i późniejsze potwierdziły, że splątanie jest realne.

Na qubitach operują bramki kwantowe – analogia do bramek logicznych AND, OR, NOT. Najważniejsze: bramka Hadamarda H (tworzy superpozycję), bramka Pauli X (odpowiednik NOT), bramka CNOT (entangles dwa qubity), bramka T (faza pi/8). Obwód kwantowy to sekwencja takich bramek zakończona pomiarem projektywnym – wynik to liczba klasyczna (ciąg bitów).

Algorytmy kwantowe dają przewagę nad klasycznymi w wybranych problemach:

• Algorytm Shora (1994) – faktoryzacja liczb całkowitych w czasie wielomianowym O((log N)^3) zamiast subeksponencjalnego dla najlepszych klasycznych algorytmów. Zagraża RSA
• Algorytm Grovera (1996) – przeszukiwanie nieuporządkowanej bazy N elementów w O(sqrt(N)) zamiast O(N). Kwadratowe przyspieszenie
• QAOA (Quantum Approximate Optimization Algorithm) – heurystyczny algorytm dla problemów kombinatorycznych (Max-Cut, TSP, planowanie).
• VQE (Variational Quantum Eigensolver) – obliczanie stanów podstawowych molekuł (chemia kwantowa, materiałoznawstwo).

Korekcja błędów kwantowych to osobna gałąź: jeden logiczny qubit wymaga ~1000 fizycznych qubitu (kod powierzchniowy), żeby wyeliminować dekoherencję. Bieżąca era NISQ (Noisy Intermediate-Scale Quantum, termin Johna Preskilla z 2018 r.) to urządzenia 5-1000 fizycznych qubitów bez korekcji błędów. Praca magisterska operuje właśnie w tym oknie.

Kryptografia kwantowa to oddzielny obszar: protokół BB84 (Bennett i Brassard, 1984) to pierwsza implementacja QKD (Quantum Key Distribution – kwantowej dystrybucji kluczy). Bezpieczeństwo opiera się na zasadzie nieoznaczoności Heisenberga: podsłuch nieodwołalnie zaburza transmisję.

Gdzie w Polsce studiujesz informatykę kwantową

W 2026 r. dedykowanych studiów magisterskich z „informatyki kwantowej” w nazwie jest w Polsce zaledwie kilka. Najczęściej trafiasz na tę tematykę jako specjalność lub ścieżkę dyplomową:

• AGH w Krakowie – Wydział Fizyki i Informatyki Stosowanej, QML Lab (Quantum Machine Learning). Specjalność „Obliczenia kwantowe i AI”.
• UW Warszawa – Wydział Fizyki oraz CENT (Centrum Nowych Technologii UW). Prace na styku fizyki kwantowej i algorytmów
• Politechnika Warszawska – Wydział Elektroniki i Technik Informacyjnych. Temat pojawia się w pracach z kryptografii i przetwarzania sygnałów
• UWr Wrocław – Wydział Matematyki i Informatyki, specjalności informatyczne z elementami algorytmiki kwantowej
• Centrum Fizyki Teoretycznej PAN – nie prowadzi własnych studiów, ale promotorzy stąd współpracują z uczelniami w ramach szkół doktorskich i prac magisterskich

Jeśli twój wydział nie ma wprost „obliczeń kwantowych”, szukaj promotora, który w swoim dorobku ma publikacje z quant-ph na arXiv lub współpracuje z IBM Quantum Network.

Tematy prac magisterskich – co realnie zrobisz w NISQ

Poniżej konkretne propozycje tematów razem z informacją, co obejmuje implementacja i co sprawdzasz. Każdy jest wykonalny na sprzęcie dostępnym za darmo lub za kilkaset złotych.

1. Implementacja algorytmu Grovera dla N=16 i porównanie z przeszukiwaniem klasycznym

Implementujesz algorytm Grovera w Qiskit na symulatorze statevector. Dla N=16 (4 qubity) liczba iteracji oraklowych to floor(pi/4 * sqrt(16)) = 3. Mierzysz prawdopodobieństwo znalezienia zaznaczonego elementu po k=1,2,3,4 iteracjach. Porównujesz z klasycznym przeszukiwaniem liniowym: średnio N/2 = 8 sprawdzeń. Analizujesz złożoność zapytań (query complexity) i pokazujesz kwadratowe przyspieszenie empirycznie. Dodatkowy punkt: testujesz na prawdziwym QPU IBM (5-7 qubitów) i porównujesz z symulatorem – różnice to dekoherencja i błędy bramek.

2. Analiza wydajności QAOA dla problemu Max-Cut

Bierzesz grafy o 4-8 wierzchołkach (małe, bo QAOA na p=3 generuje głęboki obwód). Implementujesz QAOA w Qiskit lub PennyLane, optymalizujesz parametry beta i gamma dla p=1, p=2, p=3 (parametr p to głębokość ansatzu). Mierzysz approximation ratio: wynik QAOA podzielony przez optimum klasyczne (z brute-force dla małych grafów). Pokazujesz, że dla p=1 stosunek wynosi ok. 0,69 dla grafów 3-regularnych (wynik analityczny Farhi et al. 2014), a dla wyższych p rośnie. Wyzwanie: optymalizacja wielowymiarowa (2p parametrów) – używasz COBYLA lub gradient descent.

3. Symulacja protokołu BB84 z kanałem depolaryzującym

Implementujesz BB84 w Pythonie z użyciem Qiskit lub numpy. Dodajesz szum depolaryzujący z parametrem p_error (od 0 do 0,15). Mierzysz QBER (Quantum Bit Error Rate) w funkcji p_error i długości przesyłanego klucza. Wyznaczasz próg bezpieczeństwa: QBER > 11% oznacza potencjalnego podsłuchiwacza (Ewe). Analizujesz efektywną długość klucza po reconciliacji (information reconciliation) i privacy amplification. To praca na styku informatyki kwantowej i kryptografii, idealna jeśli twój wydział ma specjalność z bezpieczeństwa.

4. Kwantowe uczenie maszynowe – QSVM na datasecie Iris

Implementujesz Quantum Support Vector Machine (QSVM) używając feature map ZZFeatureMap z Qiskit Machine Learning. Trenujesz klasyfikator na datasecie Iris (150 próbek, 4 cechy, 3 klasy) z redukcją wymiaru do 2 (PCA). Porównujesz dokładność klasyfikacji i czas treningu z klasycznym SVM (sklearn.svm.SVC z jądrem RBF). Testujesz na symulatorze statevector i (opcjonalnie) na QPU. Kluczowy wynik: dla małych datasetów i małej liczby qubitów QSVM nie bije klasycznego SVM – i to jest uczciwy, wartościowy wniosek do dyskusji.

5. Charakterystyka szumu na QPU IBM – fidelity i czasy T1/T2

Mierzysz parametry sprzętowe wybranego QPU (np. IBM Brisbane, 127 qubitów). Wykonujesz pomiary T1 (czas relaksacji, typowo 50-300 us) i T2 (czas dekoherencji, typowo 30-200 us) dla wybranych qubitów przez eksperymenty inversion recovery i Ramsey. Mierzysz gate fidelity dla bramek 1-qubitowych (typowo 99,0-99,9%) i 2-qubitowych CNOT (typowo 95-99%) przez randomized benchmarking. Analizujesz wpływ głębokości obwodu na fidelity wyjściowego stanu metodą tomografii stanu kwantowego (QST). Praca wymaga dostępu przez IBM Quantum Network (konto bezpłatne).

6. Implementacja VQE dla cząsteczki H2

Obliczasz energię stanu podstawowego wodoru (H2) w bazie STO-3G metodą VQE w Qiskit Nature. Komparujesz z Full Configuration Interaction (FCI – referencja klasyczna) i Hartree-Fock (HF). Różnica: VQE na ansatzu UCCSD (Unitary Coupled Cluster) daje energię bliższą FCI niż HF, używając 4 qubitów (po mapowaniu Jordan-Wigner). Mierzysz liczbę iteracji optymalizatora (COBYLA lub L-BFGS-B) do konwergencji i porównujesz z klasycznym CCSD(T).

Metodologia – środowiska, metryki, narzędzia

Frameworki do symulacji

Masz do wyboru cztery główne biblioteki. Każda ma inny styl i ekosystem:

• Qiskit (IBM, Python, open-source) – najpopularniejszy, największa dokumentacja, bezpośredni dostęp do IBM QPU. Symulator AerSimulator obsługuje tryby: statevector (dokładny, do ok. 30 qubitów na 16 GB RAM), matrix_product_state (MPS, do ok. 50 qubitów ze skończonym entanglement), QASM symulator (z modelem szumu). Aktualna wersja: Qiskit 1.x (migracja z 0.x zakończona w 2024 r.).
• PennyLane (Xanadu, Python) – zorientowany na ML kwantowe, automatyczne różniczkowanie (JAX, PyTorch, TensorFlow backend). Dobry do QAOA, QSVM, VQE z autodiff
• Cirq (Google, Python) – niskopoziomowy, świetny do prac z konkretną topologią układu. Mniej dokumentacji dla początkujących
• Q# (Microsoft) – języka specjalnego przeznaczenia, integracja z Azure Quantum. Dobry jeśli chcesz pisać algorytmy bez warstwy Python

Do pracy magisterskiej rekomenduje się Qiskit lub PennyLane – mają największą bazę przykładów i aktywne forum.

Dostęp do prawdziwego QPU

Konto na IBM Quantum Network (quantum.ibm.com) jest bezpłatne. Daje dostęp do procesorów 5-27 qubitów (Eagle 127, Heron 133). Kolejka na darmowym planie może trwać kilka godzin, dlatego planuj eksperymenty z wyprzedzeniem. Uruchamiasz job przez Qiskit Runtime: usługi Sampler (próbkowanie) i Estimator (wartości oczekiwane obserwabli). Limit na darmowym planie: ok. 10 minut czasu QPU/miesiąc (stan 2024-2025).

Metryki, które musisz znać

W rozdziale „Wyniki” praca magisterska z informatyki kwantowej powinna raportować:

• Quantum Volume (QV) – syntetyczna metryka IBM określająca efektywną moc procesora; QV = 2^n, gdzie n to maksymalna głębokość obwodu z n qubitami o fidelity > 2/3. IBM Eagle: QV = 128.
• CNOT error rate – typowo 0,1-5% dla bieżących QPU. Każda dodatkowa bramka CNOT degraduje wynik
• T1 i T2 – czasy relaksacji i dekoherencji w mikrosekundach. Głębokość obwodu musi zmieścić się w T2, żeby wynik miał sens
• Gate fidelity – zazwyczaj mierzona przez randomized benchmarking (RB): seria losowych obwodów Clifforda różnej długości, dopasowanie krzywej zaniku do eksponenty
• Circuit depth po transpilacji – ważne: transpiler Qiskit dodaje bramki SWAP żeby ominąć ograniczenia topologii (nie każde dwa qubity są fizycznie połączone). Głębokość po transpilacji może być 3-5 razy większa niż w kodzie źródłowym
• Shot noise – pomiar kwantowy jest stochastyczny. Przy 1024 shotach błąd statystyczny prawdopodobieństwa p wynosi sqrt(p(1-p)/1024) ~ 1-2%. Przy 8192 shotach – ok. 0,5%. Raportuj liczby shotów i słupki błędów (bootstrap lub analytyczny).

Pomiar i tomografia

Standardowy pomiar projektywny daje ciąg bitów. Żeby zrekonstruować pełny wektor stanu lub macierz gęstości, używasz:

• Quantum State Tomography (QST) – wymaga 3^n pomiarów (dla n qubitów), szybko rośnie. Dla 4 qubitów: 81 eksperymentów. Qiskit ma moduł qiskit.ignis.verification (stary) i qiskit_experiments (nowy).
• Quantum Process Tomography (QPT) – charakterystyka bramki lub kanału. Wymaga 12^n/4^n eksperymentów, bardzo kosztowna
• Chi-kwadrat dla dystrybucji pomiarów – testujesz, czy rozkład wyników z QPU odpowiada teoretycznej dystrybucji z symulatora

Literatura i zasoby

Podręczniki – absolutna podstawa

• Nielsen & Chuang, „Quantum Computation and Quantum Information”, Cambridge University Press 2010 (wydanie 10. rocznicowe). To „biblia” tej dziedziny. 676 stron, zawiera wszystko od algebry liniowej po korekcję błędów i algorytmy
• Mermin, „Quantum Computer Science: An Introduction”, Cambridge University Press 2007. Bardziej przystępny, lepszy na start jeśli masz tło informatyczne a nie fizyczne
• Wilde, „Quantum Information Theory”, Cambridge University Press 2013. Fokus na teorię informacji i komunikację kwantową (dobry do prac z kryptografią).
• Schuld & Petruccione, „Machine Learning with Quantum Computers”, Springer 2021. Dedykowany QML: QSVM, QPCA, quantum neural networks

Online – dokumentacja i kursy

• Qiskit Documentation: qiskit.org. Aktywna, wersjonowana, z tutorialami
• IBM Quantum Learning: learning.quantum.ibm.com. Darmowe kursy od podstaw do zaawansowanych algorytmów
• PennyLane: pennylane.ai/qml. Kolekcja demonstracji z kodem, świetna do QML
• Microsoft Quantum Learning: learn.microsoft.com/azure/quantum. Jeśli pracujesz w Q#.

Artykuly naukowe – kluczowe pozycje

• Shor, P.W. (1994). „Algorithms for Quantum Computation: Discrete Logarithms and Factoring”. arXiv:quant-ph/9508027. Oryginalny artykuł algorytmu Shora
• Grover, L.K. (1996). „A fast quantum mechanical algorithm for database search”. arXiv:quant-ph/9605043.
• Farhi et al. (2014). „A Quantum Approximate Optimization Algorithm”. arXiv:1411.4028. Oryginalny QAOA
• Google Quantum AI (2019). „Quantum supremacy using a programmable superconducting processor”. Nature 574, 505-510. Sycamore i wyniki supremacji kwantowej
• IBM (2021). Ogłoszenie procesora Eagle 127 qubitów: Nature 598 (artykuły towarzyszące 2021-2022).
• Bennett & Brassard (1984). „Quantum Cryptography: Public Key Distribution and Coin Tossing”. Proceedings of IEEE International Conference on Computers, Systems and Signal Processing. Oryginalny BB84.

arXiv – gdzie szukać nowości

Sekcja quant-ph (quantitative physics / quantum physics): arxiv.org/list/quant-ph/new. Dla ML: quant-ph i cs.LG. Filtruj po keywords: „NISQ”, „variational quantum”, „quantum error mitigation”, „quantum advantage”. Physical Review Letters (PRL) i Physical Review X (PRX Quantum) to recenzowane wersje najważniejszych arXivów.

Wyzwania i ograniczenia – z czym się zmierzysz

Dekoherencja

Fizyczne qubity na bieżących QPU (nadprzewodnikowych, typ transmon) mają T1 w zakresie 50-300 us i T2 w zakresie 30-200 us. Bramka CNOT trwa ok. 100-500 ns. Oznacza to, że możesz wykonać maksymalnie kilkaset bramek zanim stan się zdegraduje. Dla głębokich obwodów (QAOA p=3, VQE UCCSD) jest to poważny problem – często wynik na QPU jest gorszy od klasycznej heurystyki.

Błędy bramek

Typowe wartości (IBM, 2024): bramki 1-qubitowe 0,05-0,1% błędu, bramki 2-qubitowe (CNOT, ECR) 0,3-1%. To nie brzmi groźnie, ale przy głębokości obwodu 100 i kilkudziesięciu bramkach 2-qubitowych fidelity całego obwodu spada do kilku procent. Dlatego quantum error mitigation (Zero-Noise Extrapolation, Probabilistic Error Cancellation) to aktywny obszar badań.

Ograniczona topologia

Nie każde dwa qubity fizyczne są połączone bezpośrednim sprzężeniem. Transpiler musi wstawić bramki SWAP żeby „przenieść” qubit do sąsiedniego węzła. Każdy SWAP to 3 bramki CNOT. Dla obwodów z dużą entanglement głębokość może eksplodować. W pracy pokazujesz mapę topologii (coupling map) i analizujesz, jak transpilacja wpływa na głębokość.

Era NISQ a oczekiwania

Praca magisterska musi być realistyczna wobec ery NISQ. Nie pokażesz na 5-7-qubitowym QPU faktoryzacji RSA-2048. Pokazujesz proof-of-concept, charakterystykę szumu, porównanie symulatora z QPU lub analizę skalowania dla małych instancji. To wystarczy na magisterkę – warunek jest jeden: napisz jasno, co zrobiłeś i dlaczego to ma sens w kontekście bieżącego stanu techniki.

Brak korekcji błędów w erze NISQ

Logiczne qubity (fault-tolerant) wymagają ok. 1000 fizycznych qubitów na jeden logiczny (kod powierzchniowy, threshold ok. 1% błędu bramkowego). IBM ogłasza prace nad quantum error correction na dużych układach (Condor 1121 qubitów, 2023), ale praktyczna praca z logical qubits to wciąż domena laboratoriów, nie prac magisterskich.

Typowe błędy w pracach z informatyki kwantowej

Mylenie qubitu fizycznego z logicznym. Jeśli piszesz „zasymulowałem algorytm Shora na 5 qubitach z korekcją błędów” – to niemal pewno jest nieprawda. Korekcja błędów na poziomie logical qubits wymaga setek fizycznych qubitów i jest dostępna tylko w wybranych grupach badawczych. W NISQ pracujesz z fizycznymi qubitami bez korekcji. Pisz precyzyjnie: „physical qubits bez korekcji błędów”.

Symulacja klasyczna zamiast kwantowej. Zdarza się, że student implementuje „algorytm kwantowy” w numpy (macierze unitarne na wektorach stanu) i nazywa to „obliczeniami kwantowymi”. Symulacja klasyczna to narzędzie do weryfikacji – nie zastępuje pracy na symulatorze kwantowym (np. Qiskit AerSimulator) ani na QPU. W pracy rozróżnij: implementacja referencyjna w numpy, symulator kwantowy (AerSimulator statevector), prawdziwy QPU.

Brak analizy shot noise. Pomiar kwantowy jest probabilistyczny. Każdy „shot” to jedno uruchomienie obwodu i jeden wynik pomiarowy. Przy 1024 shotach błąd statystyczny jest rzędu 1-2%. Wyniki bez informacji o liczbie shotów i bez słupków błędów są niepełne. Używaj bootstrapingu lub formuły analitycznej sqrt(p(1-p)/N_shots).

Brak porównania z klasycznym algorytmem. „Algorytm kwantowy działa” to za mało. Pytanie promotora brzmi: „o ile lepiej od klasycznego i w jakim sensie?” Zawsze podaj punkt odniesienia: klasyczne brute-force, klasyczna heurystyka, złożoność asymptotyczna.

Nieuwzględnienie transpilacji. Obwód napisany w Qiskit (np. 15 bramek) po transpilacji na konkretny QPU może mieć 60 bramek z dodanymi SWAPami. Raportuj głębokość przed i po transpilacji. Korzystaj z transpile() i sprawdzaj circuit.depth() oraz circuit.count_ops() po transpilacji.

Brak dyskusji o granicach stosowalności. Praca magisterska, która tylko potwierdza to, co już wiadomo (Grover szybszy niż liniowe przeszukiwanie – tak, ale o ile to ma znaczenie dla N=16?), bez dyskusji o skalowalności i wąskich gardłach NISQ, jest słaba merytorycznie. Zawsze napisz: „dla jakich N i jakich QPU ta technika miałaby praktyczne zastosowanie i kiedy to może być możliwe”.

FAQ

Natalia Witek-Dąbrowska

Redaktorka i korektorka z 20-letnim doświadczeniem

Specjalizuję się w korekcie prac naukowych i dyplomowych. Jeśli potrzebujesz pomocy z tekstem, napisz do mnie.