Tutti gli studenti che seguono il corso nell'A.A. 2025/2026 sono pregati di iscriversi in Google Classroom utilizzando la casella di posta "@studenti.uniroma1.it". Il codice per l'iscrizione al corso è p2g45h2i.
ATTENZIONE! Il corso è aperto ad altri studenti della Facoltà e dell'Ateneo che sono interessati alle tematiche trattate, in quanto NON esistono propedeuticità sostanziali.
ATTENZIONE! Venerdì 17 ottobre 2025 non ci sarà lezione.
Le lezioni inizieranno lunedì 22 settembre e saranno tenute ESCLUSIVAMENTE IN PRESENZA con il seguente calendario:
lunedì, ore 14:00-16:30 (circa), aula 2, via Eudossiana n. 18, edificio RM031
venerdì, ore 9:15-10:45 (circa), aula 23, via Eudossiana n. 18, edificio RM031
N.B. Sono riportati gli orari effettivi di lezione, tenendo presente che per ogni ora sono previsti 15 minuti per discussioni e chiarimenti. I ricevimenti sono fissati per appuntamento e possono tenersi sia in presenza sia da remoto.
Sito ufficiale del Corso di Laurea in Ingegneria Elettronica
Sito ufficiale del Corso di Laurea in Ingegneria delle Telecomunicazioni
Programma A.A. 2025/2026. Il programma definitivo del corso si riferisce a TUTTO e SOLO a quanto presentato, spiegato e discusso durante le lezioni; verrà definito con precisione durante il corso anche in base al feedback degli studenti, essendo questo il primo anno di attivazione del corso:
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.
Calendario appelli A.A. 2025/2026. Gli esami potranno essere sostenuti per appuntamento nel momento in cui si ritiene più opportuno a partire da gennaio 2026; la verbalizzazione avverrà nelle finestre ufficiali previste dal calendario di Facoltà come si seguito riportato:
1° appello ordinario: gennaio 2026
2° appello ordinario: febbraio 2026
Appello straordinario: marzo/aprile 2026
N.B.: riservato alle categorie di studenti indicate nell’art. 40 comma 6 del Manifesto Generale degli Studi. NON E' CONCESSA ALCUNA DEROGA.
3° appello ordinario: giugno 2026
4° appello ordinario: luglio 2026
5° appello ordinario: settembre 2026
Appello straordinario: ottobre/novembre 2026
N.B.: riservato alle categorie di studenti indicate nell’art. 40 comma 6 del Manifesto Generale degli Studi, agli studenti fuori corso e agli studenti iscritti per l’A.A.2025-2026 al secondo anno della laurea magistrale. NON E' CONCESSA ALCUNA DEROGA.
Materiale didattico:
M. Schuld e F. Petruccione, Supervised Learning with Quantum Computers, Springer Nature, Svizzera, 2018
Appunti e dispense fornite dai docenti (guarda i riferimenti al programma):
[01-Intro_QC] [02-VQC]
Nota: le eventuali slide con estensione '(ext)' contengono ulteriore materiale a titolo illustrativo in aggiunta a quanto discusso a lezione.
Materiale addizionale su esercitazioni e studi di caso:
[Grover] [QAOA] [Quantum_DL]
Altre letture (facoltative):
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
AVVISO. Per ogni tipo di comunicazione legata al corso, gli interessati sono pregati di inviarmi una e-mail indicando nell'OGGETTO "Quantum Computing NN" e nel testo i seguenti dati: nome, cognome e numero di matricola. Cercherò di rispondere al più presto.