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 Machine Learning. Intelligenza artificiale, machine Learning e reti neurali. Concetti di base sull'apprendimento supervisionato e non supervisionato. Panoramica sulle applicazioni del machine learning e del deep learning. Applicazioni del machine learning ai sistemi elettrici ed elettronici. Approcci pratici all'uso di reti neurali. Perceptron. Apprendimento, discesa a gradiente e backpropagation. Validazione del modello, overfitting e underfitting. Regolarizzazione. Preparazione dei dati. Introduzione alla predizione di serie temporali. Reti neurali "shallow". Radial Basis Function (RBF), Fuzzy Inference System (FIS) e reti neurofuzzy ANFIS, Extreme Learning Machine (ELM) e Random Vector Functional-Link (RVFL), Echo State Network (ESN). Concetti di base sulla randomizzazione. Reti neurali "deep". Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Convolutional Neural Network (CNN). Aspetti computazionali e implementazione HW di reti neurali. Introduzione all'hyperdimensional computing. Architetture circuitali per il machine learning. Metodi di progettazione di processori vettoriali. Dependence Graph (DG) e analisi delle dipendenze. Proiezione e scheduling, mapping canonico da DG a SFG, esempi. Array sistolici, fused multiply-add (FMA), pipelining, sistolizzazione. Calcolo parallelo su architetture multi-core, FPGA, GPU, TPU. Machine learning applicato ad architetture computazionali, circuiti e sistemi. Concetti principali, casi di studio, problematiche, soluzioni e sviluppi futuri. Machine learning applicato ai sistemi elettrici e ambientali. Sensori intelligenti, diagnosi dei guasti, sistemi di progettazione e controllo delle batterie. Machine learning applicato alle reti energetiche. Predizione da fonti rinnovabili, infrastrutture energetiche intelligenti, smart grid. Introduzione al quantum computing. Porte e array quantistici. Algoritmi quantistici per l’ottimizzazione e il trattamento dell’informazione (QFFT, Grover, Schor). Quantum machine learning. Reti neurali quantistiche. Cenni all'implementazione su dispositivi ottici e optoelettronici. Esercitazioni pratiche (hands-on) usando Matlab: deep learning; calcolo parallelo e mediante GPU; predizione di serie energetiche; quantum computing e quantum machine learning. Applicazioni e studi di caso: predizione energetica da fonti rinnovabili, sistemi energetici intelligenti, Smart Grid; applicazioni a dati reali (logistici, economici, biomedicali, meccatronici, ambientali e aerospaziali, etc.); biometria e analisi comportamentale; implementazione di reti neurali e neurofuzzy su microcontrollori, sistemi embedded e sensori intelligenti.
Prerequisiti
Conoscenze di base riguardanti i sistemi elettronici e di elaborazione dei segnali.
Testi di riferimento
H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press. Appunti e dispense forniti dal docente.
Frequenza
Non è richiesta la frequenza obbligatoria.
Modalità di esame
Domande orali sugli argomenti del corso. Approfondimento didattico/sperimentale con studi di caso su un argomento del corso.
Bibliografia
H.T. Kung, R. Sproull, G. Steele, VLSI Systems and Computations, Springer. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press S.O. Haykin, Neural Networks and Learning Machines (3rd Ed.), Pearson C.M. Bishop, Pattern Recognition and Machine Learning, Springer T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning (2nd Ed.), Springer Series in Statistics
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.
ANTONELLO ROSATO Scheda docente
  • Codice insegnamento10616834
  • Anno accademico2025/2026
  • CorsoIngegneria Elettronica - Electronics Engineering
  • CurriculumIngegneria Elettronica (percorso valido anche ai fini del conseguimento del doppio titolo italo-statunitense o italo-francese)
  • Anno2º anno
  • Semestre1º semestre
  • SSDING-IND/31
  • CFU6