Apprendimento Automatico nei calcolatori quantistici: implementazioni

La tesi ha una descrizione generale sul funzionamento e la logica che sta sotto ad un calcolatore quantistico. Dopo una prima panoramica generale il focus si è spostato sullo studio di algoritmi di machine learning, principalmente supervisionati, in ambito quantistico. Si sono infatti studiati e descritti tre diversi algoritmi di machine learning ibridi: algoritmi che utilizzano una computazione classica con task specifici eseguiti da un processore quantistico. Gli algoritmi risolvono il task della classificazione utilizzando più specificatamente modelli di apprendimento automatico supervisionati. Si è quindi fatta una panoramica generale sulla quantum support vector machine, QKNN (K-nearest-neighboard) ma si è studiato più in specifico i classificatori basati circuiti variazionali anche chiamati QNN (Quantum neural network), una tecnologia ibrida sviluppata per tener fronte alla nisq era: circuiti quindi con poca profondità adatti ad i computer quantistici odierni. Sono state descritte le tecnologie e i computer ad oggi più utilizzati. Per la parte algoritmica sono stati implementati i circuiti variazionali per la classificazione su tre diversi ambienti che costituiscono i principali attori nell'ambito del calcolo quantistico: Qiskit con IBM, Azure quantum con microsoft ed infine una panoramica su penny lane, una libreria che permette un calcolo ibrido ad oggi largamente utilizzato. Su qiskit è stata fatta una sperimentazione sui circuiti variazionali per capire quali fossero gli elementi principali per la costruzione del classificatore. Sono stati infatti implementati diversi circuiti utilizzando diverse specifiche: feature map, asantz e parametri. Il tutto è stato eseguito da un computer quantistico a 5 bit utilizzando un ambiente cloud messo a disposizione da IBM: IBM Quantum Experience. Per far questo è stato necessario fare delle assunzioni circa il preprocessing e la scelta del dato. L'algoritmo QNN è stato eseguito prendendo in considerazione 2 diversi dataset presenti nel database UCI (center for machine learning and intelligent system). I dataset scelti differenziano per numero di feature e di esempi ma non per numero di classi, purtroppo è stato possibile implementare soltanto classificatori binari.