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.
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.
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.
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...
Come tutte le grandi scoperte, il computer quantistico nasce da un'idea visionaria. Nel caso specifico, l'idea fu avanzata dal premio Nobel Richard P. Feynman che in uno dei suoi più famosi articoli lo suggerì come una possibile soluzione al problema: `Can physics be simulated by a universal computer?'. In questo articolo, racconteremo l'evoluzione della ricerca teorica e sperimentale in quell'area che oggi è nota come `computazione quantistica', dall'idea di Feynman ai nostri giorni, descrivendo i risultati ottenuti sia nell'ambito della realizzazione fisica del computer quantistico, sia riguardo ad aspetti più prettamente informatici relativi alla teoria della calcolabilità e degli algoritmi e complessità.
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.
Come si può apprendere uno stato quantistico della luce? Come si può distribuire informazione quantistica attraverso un collegamento ottico? È possibile superare la sfida delle regolarizzazioni nella teoria di Shannon quantistica? Questa tesi affronta tutte e tre queste questioni. La prima parte della tesi studia l’intersezione tra due importanti ambiti di ricerca: la teoria dell’apprendimento quantistico e i sistemi a variabili continue (continuous-variable, CV). La teoria dell’apprendimento quantistico si occupa di come estrarre informazione classica da sistemi quantistici nel modo più efficiente possibile. I sistemi CV sono onnipresenti in natura e nelle tecnologie quantistiche, in quanto modellano sistemi bosonici e piattaforme di ottica quantistica. Questa intersezione solleva numerose domande aperte di grande interesse, alcune delle quali vengono affrontate in questa tesi. Una prima domanda naturale riguarda i limiti ultimi della tomografia per sistemi CV. Rispondiamo a questa domanda dimostrando che: (i) la tomografia di stati non gaussiani è estremamente inefficiente; (ii) la tomografia di stati gaussiani è efficiente; e (iii) la complessità campionaria della tomografia CV cresce esponenzialmente con il grado di non gaussianità dello stato incognito. Altre domande naturali affrontate in lavori successivi correlati includono l’apprendimento efficiente di processi gaussiani e il problema di testare in modo efficiente se uno stato CV incognito sia gaussiano oppure lontano dall’insieme degli stati gaussiani. Come sottoprodotto delle nostre analisi, otteniamo diversi limiti sulla distanza in traccia tra stati CV in funzione delle loro matrici di covarianza, che forniscono un utile insieme di strumenti per la ricerca nella teoria dell’apprendimento quantistico con sistemi CV e potenzialmente anche in altri contesti. La seconda parte della tesi si concentra sulla teoria di Shannon quantistica per sistemi CV. Uno degli obiettivi principali di questa disciplina è comprendere come trasmettere informazione classica o quantistica in modo efficiente attraverso canali quantistici. Iniziamo determinando il massimo livello di rumore compatibile con la distribuzione di chiavi quantistiche e con la distribuzione di entanglement su canali gaussiani bosonici a fase insensibile, che costituiscono modelli standard per fibre ottiche e collegamenti in spazio libero. Raggiungiamo questo obiettivo stabilendo limiti inferiori allo stato dell’arte per la capacità di chiave segreta e per la capacità quantistica a due vie nel regime di alto rumore. Studiamo poi la comunicazione quantistica bosonica sotto diversi vincoli realistici, inclusi l’effetto combinato di perdita di fotoni e decoerenza di fase, nonché la presenza di rumore non markoviano (con memoria); in lavori successivi correlati consideriamo inoltre il regime one-shot di un numero finito di usi del canale e tolleranza di errore non nulla. La parte finale della tesi si sposta sui sistemi a dimensione finita e affronta un ostacolo centrale nella teoria di Shannon quantistica: il problema delle regolarizzazioni, che rende computazionalmente intrattabile ottenere una comprensione quantitativa precisa dell’efficienza ultima di compiti operativi fondamentali quali la manipolazione dell’entanglement. In questo contesto, consideriamo il problema del calcolo del costo asintotico di entanglement per la preparazione esatta di stati quantistici rumorosi sotto operazioni PPT. Basandoci su una precedente caratterizzazione del costo di entanglement PPT in termini di una formula regolarizzata, costruiamo invece una gerarchia di programmi semidefiniti che aggira completamente il problema della regolarizzazione e converge esponenzialmente al vero valore asintotico del costo di entanglement. Per quanto a nostra conoscenza, questa è la prima volta in cui una misura di entanglement asintotica risulta essere computabile in modo efficiente nonostante l’assenza di una formula single-letter in forma chiusa.