Programma
Introduzione all'apprendimento automatico (machine learning, ML).
Machine learning con computers quantistici (QML).
Fenomenologia della meccanica quantistica.
Struttura matematica.
Stati quantistici e osservabili.
Dinamica quantistica.
Sistemi quantistici compositi.
Codifica di dati in stati quantistici.
Circuiti quantistici.
Oracoli quantistici.
Computazione quantistica adiabatica.
Quantum annealing.
Algoritmi quantistici notevoli negli schemi QML
Trasformata di Fourier quantistica.
Algoritmo di ricerca di Grover.
Amplificazione di ampiezza.
Valutazione della fase quantistica.
Nozioni e strumenti tecnici d'uso nel QML.
Memoria ad accesso random quantistica.
Simulazione di Hamiltoniana.
Stima della differenza tra stati quantistici e loro distanza.
Apprendimento non supervisionato.
Riduzione della dimensionalita' dello spazio delle variabili.
K-medie e K-mediane quantistiche.
Apprendimento supervisionato, addestramento.
Classificazione quantistica basata sulla distanza.
Primi vicini quantistici di ordine k.
Algoritmi ML di ispirazione quantistica per computer classici.
Riconoscimento di un modello quantistico.
Algoritmi di riconoscimento.
Reti neurali quantistiche.
Percettrone quantistico.
Macchina di Boltzmann quantistica.
Reti neurali convolutive quantistiche.
Prerequisiti
Gli studenti dovrebbero avere familiarità con i concetti base di statistica e teoria della probabilità, e con i fondamenti dell'algebra lineare come: spazi vettoriali e loro basi, applicazioni lineari, operazioni matriciali, autovalori e autovettori, diagonalizzabilità, prodotti tensoriali. La conoscenza dell'informatica quantistica e dell'apprendimento automatico è ovviamente un ottimo punto di partenza; tuttavia, presenterò i fondamenti del QML in modo autonomo.
Testi di riferimento
D. Pastorello, "Concise Guide to Quantum Machine Learning", Springer
Frequenza
Frequenza consigliata delle lezioni frontali e delle esercitazione.
Modalità di esame
La prova d'esame comprende una prova scritta, volta ad accertare le competenze di base, ed una prova orale. La prova scritta, della durata di 120 minuti, consiste di quesiti a risposta aperta. La prova orale consiste in un colloquio di durata variabile che conduce – insieme alla prova scritta – alla definizione del voto complessivo.
Bibliografia
A. Teta, "A Mathematical Primer on Quantum Mechanics", Springer
C. Conti, "Quantum Machine Learning: Thinking and Exploration in Neural Network Models for Quantum Science and Quantum Computing", Springer Nature
Simeone, "An Introduction to Quantum Machine Learning for Engineers", arXiv:2205.09510
Modalità di erogazione
Lezioni frontali.
