Il Quantum Computing (QC) è rimasto a lungo un’idea nell’immaginario della comunità scientifica, ma grazie agli enormi progressi degli ultimi decenni sta acquistando una credibilità crescente al punto da ritenere realistica la sua applicazione su larga scala su un orizzonte temporale relativamente vicino. I computer quantistici implementano una nuova modalità di processare le informazioni e, se la tecnologia riuscirà a rendere disponibile la capacità di calcolo che promette, potranno essere utilizzati per analizzare problemi non trattabili dai computer classici, aprendo nuove opportunità in termini di scoperte, innovazione e applicazione con impatti che potrebbero essere rivoluzionari in tutti i settori. Anche se la tecnologia non ha raggiunto ancora la piena maturità, è già conveniente utilizzare il QC eventualmente con opportuni adattamenti, capendo le modalità e le logiche della programmazione quantistica, beneficiando dei vantaggi e delle opportunità di sviluppo di nuovi use cases e di apertura di nuovi scenari. L’articolo si propone di fornire una panoramica sulle applicazioni, le tipologie di quantum computer, gli ambienti di sviluppo e la modellizzazione algoritmica per mostrare come il QC possa a tutti gli effetti essere preso in considerazione per sviluppare use case reali. In fondo il quantum non è poi così “spooky” come potrebbe sembrare...
Il Quantum Computing (QC) è rimasto a lungo un’idea nell’immaginario della comunità scientifica, ma grazie agli enormi progressi degli ultimi decenni sta acquistando una credibilità crescente al punto da ritenere realistica la sua applicazione su larga scala su un orizzonte temporale relativamente vicino. I computer quantistici implementano una nuova modalità di processare le informazioni e, se la tecnologia riuscirà a rendere disponibile la capacità di calcolo che promette, potranno essere utilizzati per analizzare problemi non trattabili dai computer classici, aprendo nuove opportunità in termini di scoperte, innovazione e applicazione con impatti che potrebbero essere rivoluzionari in tutti i settori. Anche se la tecnologia non ha raggiunto ancora la piena maturità, è già conveniente utilizzare il QC eventualmente con opportuni adattamenti, capendo le modalità e le logiche della programmazione quantistica, beneficiando dei vantaggi e delle opportunità di sviluppo di nuovi use cases e di apertura di nuovi scenari. L’articolo si propone di fornire una panoramica sulle applicazioni, le tipologie di quantum computer, gli ambienti di sviluppo e la modellizzazione algoritmica per mostrare come il QC possa a tutti gli effetti essere preso in considerazione per sviluppare use case reali. In fondo il quantum non è poi così “spooky” come potrebbe sembrare...
Questo lavoro esamina le applicazioni del quantum computing in data science, riformulando problemi di ottimizzazione e machine learning attraverso un formalismo ibrido quantistico-classico. Innanzitutto, vengono presentati i concetti fondamentali della meccanica quantistica, limitando lo studio all’area di interesse del quantum computing ma allo stesso tempo impostando il contesto matematico in modo rigoroso. Dopodiche, attraverso una panoramica dell’hardware presente ad oggi e di quello atteso per il futuro prossimo, e con l’esaminazione dei problemi legati al rumore e al ridotto numero di qubit disponibili nei dispositivi quantistici moderni, si motiva il bisogno di un approccio ibrido per risolvere problemi complessi, che permetta ad hardware classico e quantistico di lavorare sinergicamente. Lo scopo di questo lavoro e quello di presentare strategie per modellare problemi di ottimizzazione e supervised e reinforcement learning in modo da far lavorare una Quantum Processing Unit sulle parti degli algoritmi computazionalmente piu costose. Vengono discussi sia i benefici sia gli svantaggi: i primi sono strettamente legati alla scelta di un modello di computazione nuovo, dal quale ci si aspetta l’esecuzione di operazioni classicamente intrattabili e lo sfruttamento della velocita intrinseca dei sistemi quantistici di raggiungere il ground state; i secondi derivano principalmente dalle attuali limitazioni ingegneristiche che non permettono un controllo efficiente di sistemi quantistici a larga scala. Vengono esaminati quattro casi di studio: un problema di classificazione di immagini auto-costruite attraverso un algoritmo di Support Vector Machine, il quale sfrutta funzioni che portano i dati dallo spazio di input allo spazio degli stati quantistici, construendo cosi un kernel quantum-enhanced; un problema di reinforcement learning, formulato come Quadratic Unconstrained Binary Optimisation (QUBO), con lo scopo di trovare una strategia vincente per il gioco del Blackjack usando dati auto-simulati; il Number Partitioning Problem, formulato come QUBO, che rappresenta lo scenario piu complesso dal punto di vista della connettivita dei qubit e, per grandi istanze, e capace di raggiungere la complessita di problemi reali; infine, il problema del limited-assets Markowitz portfolio optimisation, riscritto come QUBO, al fine di implementare un’euristica quantum-inspired che possa sormontare la complessita del problema al crescere della dimensione dell’input. Nel corso di questo lavoro sono stati analizzati sia l’approccio di computazione universale gate-model, sia quello di adiabatic quantum computing, con particolare attenzione verso quest’ultimo attraverso la maggior parte dei casi di studio. Per uno di questi, il Number Partitioning Problem, e stato sfruttato l’accesso in cloud ad un quantum annealer, che ha permesso uno studio completo delle capacita di tale macchina, in grado di risolvere tra i problemi piu complessi che i quantum computer moderni possano affrontare. Infine, non solo questo lavoro valuta l’accuratezza e la qualita delle soluzioni dei problemi esaminati, ma si concentra anche sul paragone tra strategie quantistiche e classiche, evidenziando le differenze e i benefici che un approccio quantistico o ibrido quantistico-classico puo portare nella risoluzione di problemi di ottimizzazione e machine learning, specialmente con l’eventuale disponibilita, nel futuro prossimo, di dispositivi a piu larga scala.
L'obiettivo che si pone questa tesi e l'analisi di un caso specifico di simulazione stocastica applicata a Risk Analysis tramite l'utilizzo delle tecnologie quantistiche. Nella fattispecie, si delineano gli algoritmi che possono essere applicati a Quantum Computing, dei quali si fornisce la codifica per l'esecuzione su quantum computer reali. Gli strumenti che vengono sfruttati comprendono i server, i development environment e tutte le risorse messe a disposizione da IBM all'interno delle piattaforme open-source. L'esecuzione su quantum computer mira a comparare i risultati ottenuti attraverso gli elaboratori quantistici e quelli classici; valutare il corretto bilanciamento tra profondita dei circuiti di calcolo quantistici e la gestione delle condizioni di errore, in relazione alle capacita di calcolo degli attuali quantum computer. Lo studio porta, di fatto, ad una sintesi sullo stato dell'arte del Quantum Computing e le sue potenzialita.
Questa tesi esplora metodi computazionali quantistici per la risoluzione di problemi chiave nell'elettromagnetismo computazionale, affrontando i limiti di scalabilità dei risolutori classici quando si tratta di sistemi elettromagnetici di grandi dimensioni, ad alta frequenza o altamente complessi. Sfruttando l'analogia formale tra le equazioni di Maxwell e la dinamica di tipo Schrödinger, il lavoro sviluppa algoritmi quantistici in grado di rappresentare ed evolvere campi elettromagnetici in modo efficiente all'interno di framework di meccanica quantistica. Il primo contributo è l'applicazione del Variational Quantum Eigensolver (VQE) per calcolare i modi elettrici trasversali (TE) e magnetici trasversali (TM) in guide d'onda rettangolari e cilindriche. Riformulando l'equazione di Helmholtz come un problema di autovalori hamiltoniano quantistico, si dimostra che il VQE estrae accuratamente i modi fondamentali e di ordine superiore utilizzando simulatori a pochi qubit, evitando il calcolo a spettro completo. La seconda parte analizza l'algoritmo di ottimizzazione approssimata quantistica (QAOA) per la configurazione di superfici intelligenti riconfigurabili (RIS). Modellando il controllo RIS come un'hamiltoniana a vetro di spin, l'algoritmo identifica configurazioni di fase ottimali in ambienti multipath e fornisce un'analisi di plateau sterili e dinamiche di training, evidenziando sia i limiti potenziali che quelli attuali dell'era NISQ. Infine, la tesi introduce la simulazione hamiltoniana alle differenze finite (FDHS) delle equazioni di Maxwell utilizzando sia la decomposizione di Trotter-Suzuki (TSD) che la formulazione di Riemann-Silberstein. Questi metodi consentono l'evoluzione temporale unitaria dei campi elettromagnetici su hardware quantistico e dimostrano uno stretto accordo con i risultati FDTD classici. Insieme, questi contributi stabiliscono un quadro unificato per l'elettromagnetismo computazionale quantistico, mostrando come gli algoritmi quantistici possano affrontare l'analisi modale, l'ottimizzazione elettromagnetica e la simulazione full-wave con una migliore scalabilità e rappresentazioni quantistiche native.
Dentro un computer quantistico superconduttivo è un volume introduttivo e divulgativo dedicato ai principi fisici e ingegneristici che rendono possibile la realizzazione di un qubit superconduttivo. Il testo accompagna progressivamente il lettore dall’elettronica classica alla computazione quantistica, mostrando come componenti familiari quali condensatori, induttori e circuiti risonanti possano diventare, quando vengono portati nel regime quantistico, gli elementi di base per la costruzione di sistemi artificiali capaci di rappresentare ed elaborare informazione quantistica. Il percorso prende avvio dal circuito LC e dal concetto di oscillatore armonico, per introdurre successivamente la quantizzazione dell’energia e la struttura a livelli dell’oscillatore quantistico. Viene quindi analizzato il limite fondamentale dell’oscillatore armonico come possibile qubit, determinato dall’equidistanza dei suoi livelli energetici, e viene introdotta la giunzione Josephson quale elemento non lineare in grado di produrre l’anarmonicità necessaria alla selezione delle transizioni quantistiche. La trattazione conduce quindi alla struttura e al funzionamento del transmon, illustrando il ruolo della capacità di shunt, dell’energia di carica e dell’energia Josephson e il compromesso progettuale tra riduzione della sensibilità al rumore di carica e conservazione di una sufficiente anarmonicità. I due livelli energetici inferiori del transmon vengono infine interpretati come spazio computazionale del qubit, descrivendo il ruolo degli impulsi a microonde nel controllo coerente degli stati e il problema delle transizioni indesiderate verso i livelli superiori. Il volume adotta un approccio prevalentemente discorsivo e concettuale, limitando il formalismo matematico e accompagnando la trattazione con illustrazioni e schemi scientifici originali. L’obiettivo è rendere comprensibile la continuità esistente tra elettronica classica, superconduttività, meccanica quantistica e ingegneria dei qubit, offrendo al lettore una visione organica del percorso che conduce da un semplice circuito elettrico a un qubit superconduttivo controllabile.
SOMMARIO. Esistono fenomeni fisici come la decoerenza, il rumore, la misura effettuata nel mezzo del processo computazionale, che difficilmente possono essere interpretati attraverso il paradigma quantistico standard. In un processo computazionale, una qualsiasi interazione del sistema con l’ambiente causa un’inevitabile perdita di informazione che rende il processo stesso irreversibile. Per tener conto di situazioni di questo tipo, la computazione quantistica ha recentemente adottato un nuovo approccio che si spinge oltre a quello standard. Lo scopo di questo articolo `e quello di riassumere in maniera descrittiva (evitando di entrare in dettagli tecnici) i caratteri principali di questo nuovo approccio e analizzarne qualche possibile applicazione.
La discussione su che cosa sia un oggetto fisico è stata tradizionalmente affrontata in ambito filosofico, acquistando via via nuovi connotati con lo sviluppo della fisica moderna e, successivamente, della psicologia e delle neuroscienze. Solo utilizzando congiuntamente le acquisizioni provenienti da questi diversi settori del sapere, si può tentare oggi di dare risposte a domande del tipo: Il mondo è fatto di oggetti? Di cosa parliamo quando parliamo di oggetti? Da dove proviene la nostra consuetudine all’oggettuazione, e cioè ad analizzare ciò che ci circonda facendo leva sulla nozione di oggetto? Nell'articolo non si cercherà di rispondere direttamente a domande così generali, si cercherà invece, più limitatamente, di comprendere quale sia il punto di vista della fisica sulla questione degli oggetti attraverso un excursus che ha come filo conduttore una disamina dei metodi sperimentali utilizzati per “vedere” gli oggetti fisici alle diverse scale di grandezza. Dopo una breve rassegna delle macchine che ci fanno vedere gli oggetti fisici di diversa dimensione, si cercherà di capire che cosa sono oggi per i fisici le particelle, cioè quei particolari oggetti microfisici per descrivere i quali si usa una teoria, la meccanica quantistica, la cui modalità di oggettuazione è radicalmente diversa da quella utilizzata nell’ambito degli oggetti dell’esperienza quotidiana. Si passerà poi ad analizzare in che modo si realizza sperimentalmente la visione degli oggetti invisibili. A questo punto si potrà tentare di rispondere alla domanda: costruire gli oggetti della fisica implica una o molte modalità di oggettuazione? Infine, si tornerà su alcune delle questioni generali di carattere filosofico relative all’oggetto fisico.