Menù principale
B031305 - QUANTUM MACHINE LEARNING
Principali informazioni
Lingua Insegnamento
Contenuto del corso
Libri di testo consigliati
Obiettivi Formativi
Prerequisiti
Metodi Didattici
Altre Informazioni
Modalità di verifica apprendimento
Programma del corso
Obiettivi Agenda 2030 per lo sviluppo sostenibile
Anno Accademico 2022-23
Coorte 2021 - Laurea Magistrale in INTELLIGENZA ARTIFICIALE
Anno di corso
Secondo Anno - Primo Semestre
Dipartimento di Afferenza
Ingegneria dell'Informazione
Tipo insegnamento
Attività formativa monodisciplinare
Settore Scientifico disciplinare
FIS/03 - FISICA DELLA MATERIA
Crediti Formativi
6
Ore Didattica
48
Periodo didattico
12/09/2022 ⇒ 16/12/2022
Frequenza Obbligatoria
No
Tipo Valutazione
Voto Finale
Contenuto del corso
mostra
Programma del corso
mostra
Docenza
Lingua Insegnamento
Italiano (Inglese su richiesta)
Contenuto del corso
Titolo:
Quantum Machine Learning
Elementi di teoria dell’informazione quantistica: dal qubit ai circuiti quantistici, passando dal parallelismo quantistico e dall'entanglement che non ha analogo classico.
Descrizione e analisi di algoritmi ibridi classici-quantistici nell'ambito del machine learning: dai circuiti quantistici variazionali all'embedding quantistico, dal supervised/unsupervised deep learning al reinforcement learning in chiave quantistica.
Quantum Machine Learning
Elementi di teoria dell’informazione quantistica: dal qubit ai circuiti quantistici, passando dal parallelismo quantistico e dall'entanglement che non ha analogo classico.
Descrizione e analisi di algoritmi ibridi classici-quantistici nell'ambito del machine learning: dai circuiti quantistici variazionali all'embedding quantistico, dal supervised/unsupervised deep learning al reinforcement learning in chiave quantistica.
Libri di testo consigliati (Cerca nel catalogo della biblioteca)
- P. Wittek, "Quantum Machine Learning: What Quantum Computing Means to Data Mining", Academic Press (2016).
- M.A. Nielsen and I.A. Chuang, "Quantum computation and quantum information", Cambridge University Press (2003).
- Maria Schuld, Francesco Petruccione, "Supervised Learning with Quantum Computers", Springer (2018).
- M.A. Nielsen and I.A. Chuang, "Quantum computation and quantum information", Cambridge University Press (2003).
- Maria Schuld, Francesco Petruccione, "Supervised Learning with Quantum Computers", Springer (2018).
Obiettivi Formativi
Il corso si pone come obiettivi formativi l'acquisizione di:
- conoscenza degli strumenti formali e concettuali della teoria
dell’informazione quantistica;
- capacita' di sviluppare il confronto fra informazione classica e
quantistica, in riferimento al diverso modo di processare l'informazione per creare nuovi algoritmi quantistici che risolvono problemi concreti più efficientemente dei supercomputer classici;
- comprensione dei vantaggi che le tecnologie quantistiche attualmente disponibili e future possono fornire al machine learning;
- competenze necessarie per eseguire questi nuovi algoritmi sui computer quantistici disponibili via cloud nell'era NISQ (Noise Intermediate-Scale Quantum).
- conoscenza degli strumenti formali e concettuali della teoria
dell’informazione quantistica;
- capacita' di sviluppare il confronto fra informazione classica e
quantistica, in riferimento al diverso modo di processare l'informazione per creare nuovi algoritmi quantistici che risolvono problemi concreti più efficientemente dei supercomputer classici;
- comprensione dei vantaggi che le tecnologie quantistiche attualmente disponibili e future possono fornire al machine learning;
- competenze necessarie per eseguire questi nuovi algoritmi sui computer quantistici disponibili via cloud nell'era NISQ (Noise Intermediate-Scale Quantum).
Prerequisiti
Conoscenze di base di analisi matematica ed algebra lineare.
Metodi Didattici
Lezioni frontali alla lavagna, con esempi ed esercizi. Alcune lezioni verranno integrate dalla proiezione di immagini e video.
Altre Informazioni
Orario di Ricevimento studenti: su appuntamento
Email: filippo.caruso@unifi.it
Siti web:
https://www.qdab.org
Email: filippo.caruso@unifi.it
Siti web:
https://www.qdab.org
Modalità di verifica apprendimento
L'esame si tiene in forma orale e prevede una tesina di approfondimento su una pubblicazione scientifica concordata col docente, associata alla compilazione di un codice numerico per implementare un algoritmo di quantum machine learning.
Programma del corso
- Introduzione ai sistemi quantistici
- Parallelismo quantistico ed entanglement
- Computazione Quantistica
- Porte logiche quantistiche
- Circuiti quantistici variazionali
- Algoritmi di learning classici-quantistici
- Metodi Kernel assistiti quantisticamente
- Codifica quantistica di informazione classica
- Reti neurali quantistiche
- Algoritmi quantistici per supervised/unsupervised deep learning
- Reinforcement learning quantistico
- Elaborazione quantistica delle immagini
- Applicazioni su computer quantistici reali disponibili via cloud
- Parallelismo quantistico ed entanglement
- Computazione Quantistica
- Porte logiche quantistiche
- Circuiti quantistici variazionali
- Algoritmi di learning classici-quantistici
- Metodi Kernel assistiti quantisticamente
- Codifica quantistica di informazione classica
- Reti neurali quantistiche
- Algoritmi quantistici per supervised/unsupervised deep learning
- Reinforcement learning quantistico
- Elaborazione quantistica delle immagini
- Applicazioni su computer quantistici reali disponibili via cloud