Obiettivi del modulo e capacità acquisite dallo studente. L’obiettivo principale del corso è quello di fornire allo studente 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. Saranno considerati i 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. Il tutto anche 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.

Prerequisiti. Fondamenti di Fisica e Matematica ottenuti nei corsi di base della Laurea Triennale.

Risultati di apprendimento attesi. Studio di modelli, circuiti e architetture computazionali nella loro universalità, nonché 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. Lo studente comprenderà come 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. Le capacità di apprendimento riguardano 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.