Quantum Computing

Teorica e progettazione pratica di algoritmi quantistici

Quantum Computing

Teorica e progettazione pratica di algoritmi quantistici

Panoramica

Il Quantum Computing sfruttando le proprietà della fisica quantistica, permette di effettuare i calcoli in un modo completamente diverso rispetto ai computer tradizionali

I computer quantistici sono quindi un modo completamente nuovo di utilizzare l’informatica per risolvere problemi reali, arrivando a soluzioni impossibili.

Il Quantum Computing sfruttando le proprietà della fisica quantistica, permette di effettuare i calcoli in un modo completamente diverso rispetto ai computer tradizionali

I computer quantistici sono quindi un modo completamente nuovo di utilizzare l’informatica per risolvere problemi reali, arrivando a soluzioni impossibili.

Cosa Imparerai nel corso?

Il corso è suddiviso in tre parti: nella prima parte verranno introdotti concetti di matematica di base e saranno descritte le differenze tra informatica classica e informatica quantistica.

Nella seconda parte del corso si discuterà dei concetti chiave del quantum computing, a partire dai postulati di meccanica quantistica fino alla definizione formale e tecnica di un algoritmo.

La terza, rappresenta la parte più importante e sostanziosa del corso, nella quale verranno descritti e implementati alcuni algoritmi quantistici. In particolare, verranno descritti due degli algoritmi quantistici più importanti in letteratura che risolvono problemi tipici dell’informatica classica.

Tutti gli algoritmi e i concetti introdotti saranno corroborati da una implementazione pratica attraverso il linguaggio python. In particolare, verrà utilizzato il framework qiskit di IBM, che consente di eseguire un algoritmo su un vero computer quantistico attraverso la IBM Quantum Experience.

Il corso è suddiviso in tre parti: nella prima parte verranno introdotti concetti di matematica di base e saranno descritte le differenze tra informatica classica e informatica quantistica.

Nella seconda parte del corso si discuterà dei concetti chiave del quantum computing, a partire dai postulati di meccanica quantistica fino alla definizione formale e tecnica di un algoritmo.

Struttura delle lezioni

Deep Learning Italia struttura le sue lezioni in maniera molto semplice: all’interno di ogni sezione ci sono video esplicativi, in cui il docente spiega la lezione, corredati da slides. Per le esercitazioni sarà utilizzata la piattaforma qiskit di IBM.

Il percorso di apprendimento sarà intervallato da esercizi di comprensione riepilogativi e si concluderà con un test finale nel quale verranno messe in pratica le competenze acquisite durante il corso.

Chi può seguire il corso?

Gli unici prerequisiti richiesti per seguire il corso sono alcuni concetti base di algebra lineare e una conoscenza di base del linguaggio di programmazione python, oltre che una conoscenza anche sommaria del concetto di classificazione nel machine learning. Non è richiesta alcuna conoscenza di fisica, tutti i concetti necessari verranno introdotti durante il corso.

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Chi ha una mente aperta e predisposta all’analisi: le lezioni sono adatte a chiunque ma è necessario avere passione per i numeri e i calcoli, oltre che tanta pazienza.

Chi lavora anche full time: se sei un lavoratore full time non ti preoccupare! Potrai seguire le lezioni in completa autonomia nel tuo tempo libero.

Chi vuole crescere professionalmente: Se vuoi elevare la tua carriera Deep Learning Italia ti da l’opportunità di poterlo fare a costi contenuti.

Programma

Introduzione al Quantum Computing

Outline and Scopes (8:25)
Cos’è il Quantum Computing? (8:45)
Applicazioni e Risorse (4:37)
Concetti base di Matematica e Algebra Lineare (parte 1) (9:59)
Concetti base di Matematica e Algebra Lineare (parte 2) (2:34)
IBM Quantum Experience (4:15)

Principi base di Quantum Computing

Principi di Quantum Computing (4:21)
Postulati della Meccanica Quantistica (5:35)
Proprietà del Quantum Computing, Qubits, Superposition, gatto di Schrödinger (10:20)
Multi qubit Quantum System, Entanglement, Measurement (parte 1) (4:32)
Multi qubit Quantum System, Entanglement, Measurement (parte 2) (6:12)
Multi qubit Quantum System, Entanglement, Measurement (parte 3) (2:36)
Quantum Gates (parte 1) (6:49)
Quantum Gates (parte 2) (5:30)
Quantum Gates (parte 3) (2:51)
Stati di Bell (7:11)
Wrap up (2:38)
Esercitazione con Qiskit: qubit initialisation (6:53)
Esercitazione con Qiskit: qubit initialisation (2:47)
Esercitazione con Qiskit: Quantum gates (3:26)
Esercitazione con Qiskit: implementazione degli stati di Bell (7:10)
Esercitazione con Qiskit: Circuiti Quantistici (3:28)

Algoritmi Quantistici: dalla teoria all’implementazione

Algoritmo di Deutsch (parte 1) (5:40)
Algoritmo di Deutsch (parte 2) (6:07)
Algoritmo di Deutsch (parte 3) (9:07)
Algoritmo di Grover (parte 1) (16:16)
Algoritmo di Grover (parte 2) (1:17)
Algoritmo di Grover (parte 3) (2:22)
Algoritmo di Grover (parte 4) (8:39)
Hybrid Quantum Classical Computation (parte 1) (5:51)
Hybrid Quantum Classical Computation (parte 2) (4:42)
Hybrid Quantum Classical Computation (parte 3) (11:09)
Quantum Machine Learning
Encode data in a Quantum System, State Preparation (8:25)
Quantum vs Classical Single Layer Perceptron (8:58)
Image Classification (parte 1) (9:29)
Image Classification (parte 2) (4:45)
Image Classification (parte 3) (5:11)
Image Classification (parte 4) (7:08)
Image Classification (parte 5) (26:51)
Image Classification (parte 6) (4:09)
Image Classification (parte 7) (3:48)
Universal vs Adiabatic quantum computation (1:49)
Conclusioni (0:29)

Final Project

Introduzione al Quantum Computing

Outline and Scopes (8:25)
Cos’è il Quantum Computing? (8:45)
Applicazioni e Risorse (4:37)
Concetti base di Matematica e Algebra Lineare (parte 1) (9:59)
Concetti base di Matematica e Algebra Lineare (parte 2) (2:34)
IBM Quantum Experience (4:15)

Principi base di Quantum Computing

Principi di Quantum Computing (4:21)
Postulati della Meccanica Quantistica (5:35)
Proprietà del Quantum Computing, Qubits, Superposition, gatto di Schrödinger (10:20)
Multi qubit Quantum System, Entanglement, Measurement (parte 1) (4:32)
Multi qubit Quantum System, Entanglement, Measurement (parte 2) (6:12)
Multi qubit Quantum System, Entanglement, Measurement (parte 3) (2:36)
Quantum Gates (parte 1) (6:49)
Quantum Gates (parte 2) (5:30)
Quantum Gates (parte 3) (2:51)
Stati di Bell (7:11)
Wrap up (2:38)
Esercitazione con Qiskit: qubit initialisation (6:53)
Esercitazione con Qiskit: qubit initialisation (2:47)
Esercitazione con Qiskit: Quantum gates (3:26)
Esercitazione con Qiskit: implementazione degli stati di Bell (7:10)
Esercitazione con Qiskit: Circuiti Quantistici (3:28)

Algoritmi Quantistici: dalla teoria all’implementazione

Algoritmo di Deutsch (parte 1) (5:40)
Algoritmo di Deutsch (parte 2) (6:07)
Algoritmo di Deutsch (parte 3) (9:07)
Algoritmo di Grover (parte 1) (16:16)
Algoritmo di Grover (parte 2) (1:17)
Algoritmo di Grover (parte 3) (2:22)
Algoritmo di Grover (parte 4) (8:39)
Hybrid Quantum Classical Computation (parte 1) (5:51)
Hybrid Quantum Classical Computation (parte 2) (4:42)
Hybrid Quantum Classical Computation (parte 3) (11:09)
Quantum Machine Learning
Encode data in a Quantum System, State Preparation (8:25)
Quantum vs Classical Single Layer Perceptron (8:58)
Image Classification (parte 1) (9:29)
Image Classification (parte 2) (4:45)
Image Classification (parte 3) (5:11)
Image Classification (parte 4) (7:08)
Image Classification (parte 5) (26:51)
Image Classification (parte 6) (4:09)
Image Classification (parte 7) (3:48)
Universal vs Adiabatic quantum computation (1:49)
Conclusioni (0:29)

Final Project

Docenti

Descrizione Docenti

Antonio Macaluso è laureato magistrale in Scienze Statistiche all’Università di Bologna. Ha conseguito un Master in Data Science presso la Bologna Business School (Università di Bologna). È esperto di Machine Learning e Quantum Computing. Ha maturato anni di esperienza come Data Scientist presso il Cineca, il più grande centro di High Performance Computing in Italia. Attualmente impiegato come Machine Learning Software Engineer presso Menarini Silicon Biosystems, si occupa di Artificial Intelligence per la detection di eventi rari in ambito medico. Inoltre, è Dottore di ricerca in Computer Science and Engineering presso il Dipartimento di Informatica-Scienza e Ingegneria dell’Università di Bologna con una tesi di dottorato dedicata allo sviluppo di algoritmi quantistici per l’intelligenza artificiale

Vantaggi

Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.

Puoi seguire il corso dove e quando vuoi: Deep Learning, infatti, ti offre l’opportunità di accedere alla piattaforma in qualsiasi momento tu abbia voglia e possibilità di studiare. Basta semplicemente un dispositivo elettronico e una connessione internet!
Troverai sempre materiale nuovo e lezioni aggiornate: i nostri professori ti forniranno moltissimo materiale per supportare i tuoi studi e aggiorneranno periodicamente la piattaforma con nuove slides o con nuovi moduli;
Nei nostri corsi troverai sempre una componente interattiva per stimolare l‘apprendimento: giochi, quiz, podcast e tanto altro ti aiuteranno a migliorare e a rendere la tua formazione unica;
Non sarai mai solo! Avrai a disposizione la nostra community per metterti in contatto con altri studenti.
A fine percorso riceverai una certificazione che potrai aggiungere al tuo CV e che ti darà la possibilità di farti notare da grandi aziende del settore;
Se lo vorrai, Deep Learning Italia, ti potrà aiutare a trovare lavoro mettendoti in contatto con le nostre aziende partner.