Ingegneria Elettronica - Electronics Engineering

QUANTUM COMPUTING AND NEURAL NETWORKS

Obiettivi formativi

CONOSCENZA E COMPRENSIONE Lo studente acquisirà la conoscenza delle nozioni di base riguardanti la progettazione e l’implementazione di algoritmi quantistici e architetture di calcolo quantistico per l’apprendimento automatico e l’intelligenza artificiale, trattando l’apprendimento di circuiti quantistici variazionali e di reti neurali quantistiche. Ciò sarà basato sullo studio di modelli, circuiti e architetture computazionali nella loro universalità, nonché sulla spiegazione delle principali tecniche algoritmiche che sfruttano la fisica quantistica mediante l'astrazione di modelli, per risolvere problemi computazionali complessi. Verranno acquisiti i fondamenti dell’approccio di apprendimento basato sui dati per applicazioni a problemi del mondo reale, con implementazioni specifiche che utilizzano circuiti quantistici e reti neurali quantistiche insieme all'uso di piattaforme software esistenti. CAPACITÀ APPLICATIVE Soluzione di problemi relativi a progettazione, implementazione e test di architetture di calcolo quantistico e modelli computazionali di apprendimento automatico quantistico per la soluzione di problemi di apprendimento sia supervisionato sia non supervisionato, come ottimizzazione, predizione, clustering e classificazione, in applicazioni del mondo reale riguardanti il trattamento di segnali, dati e informazione. L'obiettivo principale è fornire allo studente la capacità di comprendere e di ottenere vantaggio quantistico in applicazioni relative a problemi di apprendimento basati sui dati come analisi di serie temporali, calcolo iperdimensionale ed eXplainable AI, considerando diversi domini reali relativi a energia, aerospazio, osservazione della Terra, analisi comportamentale, bioingegneria, finanza, rilevamento delle frodi e così via. AUTONOMIA DI GIUDIZIO Attraverso una sistematica attività di laboratorio, durante la quale verranno prese in considerazione le metodologie relative alla progettazione e all’implementazione di architetture di calcolo quantistico nonché di modelli di machine learning quantistici come le reti neurali quantistiche, lo studente integrerà le conoscenze acquisite per gestire la complessità dei meccanismi di apprendimento induttivo e i limiti reali imposti dai dispositivi Noisy Intermediate-Scale Quantum (NISQ) attualmente adottati, anche a partire dalle limitate informazioni dovute all'organizzazione pratica del corso. ABILITÀ DI COMUNICAZIONE Le tecnologie quantistiche e gli algoritmi quantistici per il trattamento dell’informazione sono in rapida evoluzione, considerando lo scenario attuale basato sui dispositivi a breve termine e sugli approcci ibridi quantistici-classici. Al termine del corso, lo studente sarà in grado di comunicare le conoscenze acquisite a interlocutori specialisti e non specialisti negli ambiti di ricerca e di lavoro nei quali svolgerà la successiva attività scientifica e/o professionale, anche tenendo conto delle problematiche tecnologiche e di sviluppo sostenibile. CAPACITÀ DI APPRENDERE La metodologia didattica adottata prevede un'attività di studio autonoma e autogestita durante lo sviluppo di compiti monotematici di approfondimento didattico e/o sperimentale, in modo verticale su alcuni specifici argomenti teorici e applicativi utilizzando, per esempio, le risorse quantistiche disponibili in cloud come la Quantum Experience Platform di IBM, oltre a simulatori quantistici come Qiskit, Pennylane e Flax.

Canale 1

MASSIMO PANELLA Scheda docente

Programmi - Frequenza - Esami

Programma

Introduzione al Quantum Computing Introduzione al calcolo quantistico, formalismi matematici. Data encoding. Trasformazioni unitarie elementari, Quantum Gate Array. Principali algoritmi di ottimizzane quantistica, approcci adiabatici, Quantum Approximate Optimization Algorithm (QAOA). Approcci variazionali, Quantum Machine Learning e Quantum Neural Networks. Quantum RNN e Quantum GRU. Esercitazioni pratiche sul Quantum Computing Implementazione di algoritmi di deep learning e quantum computing in Python con Qiskit, Pennylane e JAX. Predizione di serie temporali mediante modelli quantistici. Quantum Generative Models e ottimizzazione quantistica su piattaforme cloud. Richiami sui metodi di apprendimento automatico Introduzione all'apprendimento automatico e al modellamento data-driven: preparazione dei dati; generalizzazione; regolarizzazione e ottimizzazione strutturale. Panoramica sui metodi principali di clustering e di classificazione; predizione di serie temporali. Reti neurali e Deep Learning Panoramica sulle reti neurali ‘shallow’ feed-forward e ricorrenti. Introduzione al Deep Learning, problematiche specifiche e soluzioni (double descent, vanishing/exploding gradient, barren plateau, dropout, ensembling, weight initialization). Reti neurali ‘deep’ feed-forward e ricorrenti. Sistemi generativi e diffusivi (GAN, VAE, etc.). Introduzione all’Hyperdimensional Computing Concetti fondamentali del calcolo iperdimensionale: rappresentazione dei dati attraverso vettori ad alta dimensionalità e loro proprietà di distribuzione sparsa e robustezza. Architetture simboliche vettoriali e modelli di calcolo per l'apprendimento e la memoria. Metodi di binding e superposition per la codifica di informazioni complesse. Gestione della memoria associativa e approcci ibridi Quantum-HDC. Strategie di apprendimento basate su HDC per problemi di classificazione, regressione ed eXplainable AI. Studi di caso Predizione energetica da fonti rinnovabili, Smart Grid e sistemi energetici distribuiti. Elaborazione di segnali radar, satellitari e multispettrali tramite reti neurali quantistiche. Analisi e progettazione di circuiti digitali complessi con ottimizzazione basata su Quantum e HDC. Implementazione di algoritmi di apprendimento automatico in sistemi embedded HDC. Applicazioni pratiche dell’HDC nei domini dell’ingegneria industriale e dell’informazione, analisi di serie temporali, rilevamento di anomalie, e sistemi embedded a risorse limitate. Progettazione di dispositivi per semiconduttori e sensori intelligenti per l'osservazione ambientale. Biometria, analisi comportamentale e classificazione di segnali digitali mediante circuiti e reti neurali quantistiche.

Prerequisiti

Conoscenze di base riguardanti i sistemi elettronici e di elaborazione dei segnali.

Testi di riferimento

M. Schuld e F. Petruccione, Supervised Learning with Quantum Computers, Springer Nature, Svizzera, 2018

Frequenza

Non è richiesta la frequenza obbligatoria.

Modalità di esame

Domande orali sugli argomenti del corso.

Bibliografia

M. Schuld e F. Petruccione, Supervised Learning with Quantum Computers, Springer Nature, Svizzera, 2018 A.F. Kockum, et al., Lecture notes on quantum computing, arXiv preprint [2311.08445], 2025 O. Simeone, An Introduction to Quantum Machine Learning for Engineers, arXiv preprint [2205.09510], 2022 R. de Wolf, Quantum Computing: Lecture Notes, arXiv preprint [1907.09415], 2023 C.C. Aggarwal, Neural Networks and Deep Learning, Springer Cham, Svizzera, 2023

Modalità di erogazione

Didattica frontale in presenza. Nei casi di forza maggiore (emergenze sanitarie, etc.) saranno attivate anche le modalità a distanza e/o blended come da disposizioni vigenti.