La fisica delle alte energie (HEP), studiata con il Large Hadron Collider presso il CERN di Ginevra, sta entrando nell’era High Luminosity (HL-LHC), in cui sia la scala che il combinatorio di un tipico evento di collisione pongono seri limiti alle prestazioni degli algoritmi classici di track reconstruction. In questo regime il numero di interazioni protone-protone per beam crossing è destinato ad aumentare di un fattore 3–5 negli esperimenti general purpose (in media da circa 50 a 140–200 interazioni primarie per collisione), motivando una ricerca di frontiera in nuove tecnologie come risposta al problema del tracking di particelle cariche nei futuri esperimenti. Il quantum computing e i metodi di machine learning si sono dimostrati essere due delle tecnologie informatiche emergenti più promettenti del nostro tempo. Questo lavoro si colloca all’intersezione di questi due campi. In questa tesi sviluppo metodi di Quantum Machine Learning (QML) per fisica delle alte energie lungo due linee di ricerca complementari: un algoritmo variazionale near-term per la classificazione di segmenti di traccia, e un algoritmo beyond-NISQ (Noisy Intermediate-Scale Quantum) che sfrutta la trasformata di Fourier quantisitca per gruppi finiti non-abeliani, applicata al gruppo Simmetrico
Sn, per modellare come distribuzione di probabilità su permutazioni il problema di identity management che si presenta in modo naturale nel tracking multi-oggetto. Il primo progetto presentato in questa tesi è una Quantum Graph Neural Network (QGNN) ibrida per problemi edge-level. In questo contesto le traiettorie delle particelle sono rappresentate come grafi e una quantum graph neural network viene addestrata per eseguire la classificazione dei segmenti di traccia candidati. Vengono presentati i risultati sulla caratterizzazione dell’architettura originale, con test di scalabilità per valori di pileup crescenti. Si discutono le prestazioni e le criticità di questo approccio, presentando infine un aggiornamento dell’architettura QGNN originale sia nella componente classica sia in quella quantistica. Si forniscono inoltre considerazioni su vari aspetti dello sviluppo del codice in diversi ecosistemi di programmazione quantisitca, sfruttando i moderni acceleratori come emulatori di risorse di quantum computing. Guardando oltre NISQ, viene sviluppato un nuovo approccio di QML per trattare assignment problem legati al tracking, come evoluzione di distribuzioni di probabilità su elementi del gruppo Simmetrico
Sn. Si sfrutta lo scaling polilogaritmico, ipotizzato per la trasformata quantistica di Fourier non-abeliana nella dimensione del gruppo, per progettare un algoritmo interamente quantistico in grado di risolvere problemi di identity management classicamente inefficienti. Si discute il framework di teoria dei gruppi derivato per il progetto, insieme al primo schema dell’algoritmo. In particolare, si riportano lo sviluppo e l'analisi di complessità della subroutine di diffusione, con una prospettiva sugli studi per lo step di update Bayesiano, attualmente in fase di sviluppo. Complessivamente, questa tesi contribuisce all’avanzamento del quantum machine learning per fisica delle alte energie sia dalla prospettiva empirica dell’era NISQ, con uno studio approfondito sulle architetture QGNN per il tracking ad alta luminosità, sia ponendo le basi per una nuova famiglia di algoritmi per fault tolerant quantum computing, radicata nelle proprietà della teoria dei gruppi non abeliani per
Sn applicate a problemi di identity management.
Con questo lavoro di tesi si presenta lo studio di metodi per ottenere modelli di rumore equivalenti per misure dirette a due qubit e l'applicazione di essi a piattaforme superconduttive in regime dispersivo. L'interesse in tale argomento è dovuto al fatto che di recente sono stati pubblicati codici di correzione degli errori detti Floquet codes o dynamical codes che sfruttano queste misure di parità a peso due codificando i qubit in maniera dinamica. L'obiettivo era dunque capire come queste misure potessero indurre errori e testare come questi codici di correzione reagissero al modello. I metodi sono stati studiati e applicati ad un particolare tipo di errore semplificato che consiste in un dephasing all'interno del sottospazio di parità pari di un sistema a due qubit, dopodichè il modello è stato implementato in un simulatore per il calcolo della soglia in funzione dell'ampiezza del segnale di ingresso al risonatore di readout.
Cette thèse se consacre à l'étude de décodeurs itératifs, pour des codes correcteurd'erreurs binaires et non-binaires à faible densité (LDPC). Notre objectif est de modéliserdes décodeurs de complexité faibles et de faible latence tout en garantissantde bonne performances dans la région des très faibles taux d'erreur (error floor).Dans la première partie de cette thèse, nous étudions des décodeurs itératifssur des alphabets finis (Finite Alphabet iterative decoders, FAIDs) qui ont étérécemment proposés dans la littérature. En utilisant un grand nombre de décodeursFAIDs, nous proposons un nouvel algorithme de décodage qui améliore la capacité decorrections d'erreur des codes LDPC de degré dv = 3 sur canal binaire symétrique.La diversité des décodeurs permet de garantir une correction d'erreur minimale sousdécodage itératif, au-delà de la pseudo-distance des codes LDPC. Nous donnonsdans cette thèse un exemple detailé d'un ensemble de décodeur FAIDs, qui corrigetous les évènements d'erreur de poids inférieur ou égal à 7 avec un LDPC de petitetaille (N=155,K=64,Dmin=20). Cette approche permet de corriger des évènementsd'erreur que les décodeurs traditionnels (BP, min-sum) ne parviennent pas à corriger.Enfin, nous interprétons les décodeurs FAIDs comme des systèmes dynamiques etnous analysons les comportements de ces décodeurs sur des évènements d'erreur lesplus problématiques. En nous basant sur l'observation des trajectoires périodiquespour ces cas d'étude, nous proposons un algorithme qui combine la diversité dudécodage avec des sauts aléatoires dans l'espace d'état du décodeur itératif. Nousmontrons par simulations que cette technique permet de s'approcher des performancesd'un décodage optimal au sens du maximum de vraisemblance, et ce pourplusieurs codes.Dans la deuxième partie de cette thèse, nous proposons un nouvel algorithmede décodage à complexité réduite pour les codes LDPC non-binaires. Nous avonsappellé cet algorithme Trellis-Extended Min-Sum (T-EMS). En transformant le domainede message en un domaine appelée domaine delta, nous sommes capable dechoisir les déviations ligne par ligne par rapport à la configuration la plus fiable,tandis que les décodeurs habituels comme le décodeur EMS choisissent les déviationscolonne par colonne. Cette technique de sélection des déviations ligne parligne nous permet de réduire la complexité du décodage sans perte de performancepar rapport aux approches du type EMS. Nous proposons également d'ajouter une colonne supplémentaire à la représentation en treillis des messages, ce qui résoudle problème de latence des décodeurs existants. La colonne supplémentaire permetde calculer tous les messages extrinséque en parallèle, avec une implémentationmatérielle dédiée. Nous présentons dans ce manuscrit, aussi bien les architecturesmatérielles parallèle que les architectures matérielles série pour l'exécution de notrealgorithme T-EMS. L'analyse de la complexité montre que l'approche T-EMS estparticulièrement adapté pour les codes LDPC non-binaires sur des corps finis deGalois de petite et moyenne dimensions.
L'approccio al problema a molti corpi è in generale fortemente limitato dallo scaling esponenziale nel numero di componenti dei costi computazionali. Tuttavia, per un'ampia gamma di modelli a bassa dimensionalità vincoli sulla struttura di entanglement degli stati fondamentali rendono possibile uno studio efficiente, tramite algoritmi di rinormalizzazione basati su ansatz che catturano ottimamente tale struttura. Entrambi possono essere formulati naturalmente in un linguaggio diagrammatico, quello dei Tensor Network. In questa trattazione si darà un'introduzione generale e si considererà poi in particolare il caso unidimensionale, introducendo i Matrix Product States e il Density Matrix Renormalization Group ed illustrandone una semplice applicazione.