Pubblicazioni

Autori:

Incudini, Massimiliano

Titolo:

On the construction of useful quantum kernels

Anno:

2025

Tipologia prodotto:

Doctoral Thesis

Lingua:

Inglese

Parole chiave:

Quantum computing, quantum machine learning

Abstract (italiano):

Il crescente interesse nella comunità scientifica e industriale verso l'informatica quantistica ha portato a progressi significativi, rendendo questa tecnologia una scelta promettente per risolvere alcuni problemi computazionali al di là delle capacità dei computer classici. Tuttavia, nonostante questi avanzamenti, la piena comprensione del potenziale dei dispositivi quantistici, sia dal punto di vista teorico che applicativo, rimane ancora lontana. Questa lacuna diventa ancora più evidente quando consideriamo l'applicazione del calcolo quantistico per ottimizzare o accelerare i modelli di \emph{machine learning}. Numerose proposte sono state avanzate per sfruttare il calcolo quantistico in specifici contesti, come il processamento di matrici sparse, le equazioni differenziali, l'analisi dei dati topologici e l'ottimizzazione combinatoria. Questa tesi, invece, si concentra su un'altra direzione, esaminando le potenzialità delle \emph{kernel machines} implementate su computer quantistici. Le kernel machines sono modelli di apprendimento automatico che generalizzano i modelli lineari, consentendo loro di catturare relazioni tra i dati di grande complessità. Inizialmente proposte per la loro facilità di implementazione sui primi computer quantistici, noti come `NISQ', queste tecniche sono state soggetto di molteplici esperimenti volti a mostrare i progressi tecnologici dell'hardware stesso, mancando tuttavia di chiaro vantaggio funzionale rispetto alle tecniche classiche. Questa tesi si propone di colmare tale divario. La prima parte della tesi si concentra sul miglioramento dei kernel per le macchine NISQ. Inizialmente, proponiamo approcci automatici per la definizione dei kernel quantistici tramite procedure di ottimizzazione, eliminando la necessità di definire manualmente trasformazioni per ciascun caso d'uso. Inoltre, esploriamo l'introduzione di non linearità nei modelli e il miglioramento delle prestazioni mediante tecniche di ensemble, rendendo questi primi più simili ai performanti modelli classici di \emph{deep learning}. La seconda parte della tesi esplora il potenziale del calcolo quantistico fault-tolerant nei metodi kernel. E' noto come sia possibile sfruttare algoritmi quantistici per estrarre proprietà algebriche dei dati, che quindi possono essere usate anche all'interno delle kernel machines. Noi ci concentriamo in particolare sui kernel per l'analisi di grafi e dati topologici. Infine, presentiamo \emph{quask}, il software open source di quantum machine learning sviluppato specificatamente per semplificare il lavoro dei ricercatori nel campo dei quantum kernel.

Id prodotto:

145366

Handle IRIS:

11562/1160627

ultima modifica:

26 aprile 2025

Citazione bibliografica:

Incudini, Massimiliano, On the construction of useful quantum kernels

Consulta la scheda completa presente nel repository istituzionale della Ricerca di Ateneo