EO_508

Gli esperti in soluzioni HMI Industriali In qualità di esperti di tecnologie per la visualizzazione industriale, “touch-screens” ed “embedded”, offriamo ai nostri clienti soluzioni personalizzate ed efficienti per la comunicazione tra uomo e macchina. › Portafoglio costituito dai principali produttori di display › Soluzioni HW e SW totalmente personalizzate › Disponibilità dimensioni dei display inferiori al 1” fino ad arrivare a 110” › Disponibilità a lungo termine › Gestione del ciclo di vita › Soluzioni OEM DATA MODUL Italia S.r.l. | Viale Cooperazione, 15 | 20095 Cusano Milanino - MI - Tel. +39 02 664 098 68 | italy@data-modul.com | www.data-modul.com LEADING DISPLAY TECHNOLOGY PARTNER IN-HOUSE OPTICAL BONDING IN-HOUSE EMBEDDED DEVELOPMENT IN-HOUSE DESIGN & MANUFACTURING tico per caratterizzare uno stato quantistico generato da dati di input in un ambiente combinato quantistico-classico. L’approccio ibrido quantistico-classico è particolarmente utile per i dispositivi quantistici a breve termine perché la parte quantistica può concentrarsi su calcoli non trattabili con il metodo classico, mentre la parte classica gestisce il resto del calcolo, inclusa, ad esempio, l’ottimizzazione del modello di apprendimento. L’apprendimento automatico classico è ampiamente utilizzato nell’analisi dei dati speri- mentali nel campo dell’HEP (High Energy Physics, tradotto: Fisica delle alte energie). La crescita significativa del volu- me di dati prevedibile per l’era HL-LHC motiva ulterior- mente l’apprendimento automatico potenziato dai quanti nel flusso di lavoro dei futuri esperimenti HEP. Sono state esplorate numerose applicazioni sperimentali del QML nell’analisi dei dati e nella ricostruzione di eventi in esperimenti HEP rappresentativi. Sono classificati in due approcci basati sulla ricottura quan- tistica (QA) e sui modelli di circuiti quantistici, ciascuno con i propri vantaggi e svantaggi in termini di maturità e ap- plicabilità. La maggior parte delle applicazioni QML in am- biente HEP appartengono all’apprendimento automatico supervisionato, ma diverse applicazioni utilizzano tecniche di apprendimento non supervisionato. La simulazione basata sulla teoria quantistica dei cam- pi (QFT) con computer quantistici è altamente incentivata perché i computer quantistici universali possono eseguire tale simulazione con risorse di calcolo esponenzialmente inferiori rispetto ai computer classici. Tuttavia, la simula- zione QFT richiedemolti più qubit fisici di quelli attualmen- te disponibili. Gli algoritmi di riconoscimento dei modelli sono tra gli al- goritmi più impegnativi dal punto di vista computazionale per ambienti HEP. Numerosi studi si sono concentrati su al- goritmi globali che utilizzano la ricottura quantistica (QA). Si tratta in genere di algoritmi ibridi quanto-classici con pre e post-elaborazione eseguiti su computer classici e che tro- vano la soluzione su una ricottura quantistica. L’apprendimento automatico quantistico è una prometten- te prima applicazione nell’era quantistica intermedia, non solo per l’HEP ma anche per altri settori scientifici. Negli ultimi anni sono stati compiuti progressi significativi in aspetti quali la codifica dei dati, la progettazione, l’adde- strabilità e l’architettura di apprendimento. L’informatica quantistica ha recentemente registrato pro- gressi enormi epotrebbe avere il potenzialeper fornire solu- zioni alle sfide informatiche nel campo della fisica delle alte energie. Esistono molte potenziali applicazioni e algoritmi per la simulazione quantistica, il riconoscimento di modelli quantistici e l’apprendimento automatico quantistico. TECH INSIGHT QUANTUM COMPUTING