Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Decodifica di codici LPDC con tecniche di programmazione lineare

Riccardo Maria Pollis

Published Apr 23, 2013• 0 citations
OpenAlex

Abstract

I codici LDPC sono dei codici a correzione d'errore, che raggiungono prestazioni molto vicine al limite di Shannon. Il problema degli algoritmi per la decodifica attualmente usati, risulta essere che la probabilità d'errore tende a saturare per valori di SNR elevati. Si analizzeranno e simuleranno degli algoritmi che considerano la decodifica come un problema di programmazione lineare (PL) e lo risolvono. La decodifica tramite PL, infatti, sembra non soffrire la saturazione

Related papers

Décodage par programmation linéaire des codes LDPC

Imen Debbabi, Bertrand Le Gal, Nadia Khouja +2 more

•Jun 14, 2017•0 citations

Quantum Graph Neural Networks and Sn-based Quantum Inference for particle tracking in High-Energy Physics

Matteo Argenton

La fisica delle alte energie (HEP), studiata con il Large Hadron Collider presso il CERN di Ginevra, sta entrando nell’era High Luminosity (HL-LHC), in cui sia la scala che il combinatorio di un tipico evento di collisione pongono seri limiti alle prestazioni degli algoritmi classici di track reconstruction. In questo regime il numero di interazioni protone-protone per beam crossing è destinato ad aumentare di un fattore 3–5 negli esperimenti general purpose (in media da circa 50 a 140–200 interazioni primarie per collisione), motivando una ricerca di frontiera in nuove tecnologie come risposta al problema del tracking di particelle cariche nei futuri esperimenti. Il quantum computing e i metodi di machine learning si sono dimostrati essere due delle tecnologie informatiche emergenti più promettenti del nostro tempo. Questo lavoro si colloca all’intersezione di questi due campi. In questa tesi sviluppo metodi di Quantum Machine Learning (QML) per fisica delle alte energie lungo due linee di ricerca complementari: un algoritmo variazionale near-term per la classificazione di segmenti di traccia, e un algoritmo beyond-NISQ (Noisy Intermediate-Scale Quantum) che sfrutta la trasformata di Fourier quantisitca per gruppi finiti non-abeliani, applicata al gruppo Simmetrico $S_n$, per modellare come distribuzione di probabilità su permutazioni il problema di identity management che si presenta in modo naturale nel tracking multi-oggetto. Il primo progetto presentato in questa tesi è una Quantum Graph Neural Network (QGNN) ibrida per problemi edge-level. In questo contesto le traiettorie delle particelle sono rappresentate come grafi e una quantum graph neural network viene addestrata per eseguire la classificazione dei segmenti di traccia candidati. Vengono presentati i risultati sulla caratterizzazione dell’architettura originale, con test di scalabilità per valori di pileup crescenti. Si discutono le prestazioni e le criticità di questo approccio, presentando infine un aggiornamento dell’architettura QGNN originale sia nella componente classica sia in quella quantistica. Si forniscono inoltre considerazioni su vari aspetti dello sviluppo del codice in diversi ecosistemi di programmazione quantisitca, sfruttando i moderni acceleratori come emulatori di risorse di quantum computing. Guardando oltre NISQ, viene sviluppato un nuovo approccio di QML per trattare assignment problem legati al tracking, come evoluzione di distribuzioni di probabilità su elementi del gruppo Simmetrico $S_n$. Si sfrutta lo scaling polilogaritmico, ipotizzato per la trasformata quantistica di Fourier non-abeliana nella dimensione del gruppo, per progettare un algoritmo interamente quantistico in grado di risolvere problemi di identity management classicamente inefficienti. Si discute il framework di teoria dei gruppi derivato per il progetto, insieme al primo schema dell’algoritmo. In particolare, si riportano lo sviluppo e l'analisi di complessità della subroutine di diffusione, con una prospettiva sugli studi per lo step di update Bayesiano, attualmente in fase di sviluppo. Complessivamente, questa tesi contribuisce all’avanzamento del quantum machine learning per fisica delle alte energie sia dalla prospettiva empirica dell’era NISQ, con uno studio approfondito sulle architetture QGNN per il tracking ad alta luminosità, sia ponendo le basi per una nuova famiglia di algoritmi per fault tolerant quantum computing, radicata nelle proprietà della teoria dei gruppi non abeliani per $S_n$ applicate a problemi di identity management.

•Apr 9, 2026•0 citations

Décodage des codes LDPC par l'algorithme λ-Min

Frédéric Guilloud, Emmanuel Boutillon, Jean‐Luc Danger

•Jan 1, 2003•1 citation

Tecniche di tensor networks per sistemi a molti corpi: il caso 1D con MPS e DMRG

Zaghini, Alberto

L'approccio al problema a molti corpi è in generale fortemente limitato dallo scaling esponenziale nel numero di componenti dei costi computazionali. Tuttavia, per un'ampia gamma di modelli a bassa dimensionalità vincoli sulla struttura di entanglement degli stati fondamentali rendono possibile uno studio efficiente, tramite algoritmi di rinormalizzazione basati su ansatz che catturano ottimamente tale struttura. Entrambi possono essere formulati naturalmente in un linguaggio diagrammatico, quello dei Tensor Network. In questa trattazione si darà un'introduzione generale e si considererà poi in particolare il caso unidimensionale, introducendo i Matrix Product States e il Density Matrix Renormalization Group ed illustrandone una semplice applicazione.

•Oct 31, 2025•0 citations

Point Interactions in Quantum Mechanics and Acoustics

Claudio Cacciapuoti

È stato studiato un problema di scattering tra due particelle che interagiscono tramite un potenziale puntuale in tre dimensioni nel limite in cui una particella ha massa molto minore dell’altra. I risultati ottenuti hanno permesso di stimare gli effetti di decoerenza dinamicamente indotta su uno stato entangled della particella “pesante” che si ottengono quando la particella “leggera” viene utilizzata come misuratore per la posizione della particella “pesante”. Utilizzando la teoria delle estensioni autoaggiunte è stato modellizzato un sistema in cui una particella quantistica (senza spin) interagisce con uno spin posto in un punto fissato dello spazio mediante un potenziale singolare dipendente dallo spin. È stata discussa la caratterizzazione di tutte le possibili hamiltoniane di interazione ottenibili come perturbazioni puntuali dell’hamiltoniana libera. In alcuni casi particolari è stato possibile ottenere espressioni esplicite per il propagatore. La conoscenza della dinamica esatta del sistema ha permesso di valutare esplicitamente l’attenuazione dei termini di interferenza quantistica in uno stato entangled dello spin, dovuta all’interazione con la particella. È stato studiato un problema di interazione in una dimensione di un numero finito e infinito di sorgenti con il campo acustico. Lo scopo era quello di dimostrare che, in assenza di meccanismi di riflessione delle onde acustiche, il moto delle sorgenti risulta smorzato a causa dell’interazione con il proprio campo. Utilizzando la teoria delle estensioni autoaggiunte di operatori simmetrici è stata realizzata una formulazione del tutto nuova di tale problema. Tale formulazione ha permesso di ottenere risultati molto generali sullo smorzamento delle oscillazioni delle sorgenti.

•Jan 1, 2006•2 citations

Decodificador de códigos LDPC no binarios basado en el algoritmo T-EMS

Lacruz Jucht, Jesús Omar

•Nov 24, 2014•0 citations
I codici LDPC sono dei codici a correzione d'errore, che raggiungono prestazioni molto vicine al limite di Shannon. Il problema degli algoritmi per la decodifica attualmente usati, risulta essere che la probabilità d'errore tende a saturare per valori di SNR elevati. Si analizzeranno e simuleranno degli algoritmi che considerano la decodifica come un problema di programmazione lineare (PL) e lo risolvono. La decodifica tramite PL, infatti, sembra non soffrire la saturazione
La fisica delle alte energie (HEP), studiata con il Large Hadron Collider presso il CERN di Ginevra, sta entrando nell’era High Luminosity (HL-LHC), in cui sia la scala che il combinatorio di un tipico evento di collisione pongono seri limiti alle prestazioni degli algoritmi classici di track reconstruction. In questo regime il numero di interazioni protone-protone per beam crossing è destinato ad aumentare di un fattore 3–5 negli esperimenti general purpose (in media da circa 50 a 140–200 interazioni primarie per collisione), motivando una ricerca di frontiera in nuove tecnologie come risposta al problema del tracking di particelle cariche nei futuri esperimenti. Il quantum computing e i metodi di machine learning si sono dimostrati essere due delle tecnologie informatiche emergenti più promettenti del nostro tempo. Questo lavoro si colloca all’intersezione di questi due campi. In questa tesi sviluppo metodi di Quantum Machine Learning (QML) per fisica delle alte energie lungo due linee di ricerca complementari: un algoritmo variazionale near-term per la classificazione di segmenti di traccia, e un algoritmo beyond-NISQ (Noisy Intermediate-Scale Quantum) che sfrutta la trasformata di Fourier quantisitca per gruppi finiti non-abeliani, applicata al gruppo Simmetrico SnS_nSn​, per modellare come distribuzione di probabilità su permutazioni il problema di identity management che si presenta in modo naturale nel tracking multi-oggetto. Il primo progetto presentato in questa tesi è una Quantum Graph Neural Network (QGNN) ibrida per problemi edge-level. In questo contesto le traiettorie delle particelle sono rappresentate come grafi e una quantum graph neural network viene addestrata per eseguire la classificazione dei segmenti di traccia candidati. Vengono presentati i risultati sulla caratterizzazione dell’architettura originale, con test di scalabilità per valori di pileup crescenti. Si discutono le prestazioni e le criticità di questo approccio, presentando infine un aggiornamento dell’architettura QGNN originale sia nella componente classica sia in quella quantistica. Si forniscono inoltre considerazioni su vari aspetti dello sviluppo del codice in diversi ecosistemi di programmazione quantisitca, sfruttando i moderni acceleratori come emulatori di risorse di quantum computing. Guardando oltre NISQ, viene sviluppato un nuovo approccio di QML per trattare assignment problem legati al tracking, come evoluzione di distribuzioni di probabilità su elementi del gruppo Simmetrico SnS_nSn​. Si sfrutta lo scaling polilogaritmico, ipotizzato per la trasformata quantistica di Fourier non-abeliana nella dimensione del gruppo, per progettare un algoritmo interamente quantistico in grado di risolvere problemi di identity management classicamente inefficienti. Si discute il framework di teoria dei gruppi derivato per il progetto, insieme al primo schema dell’algoritmo. In particolare, si riportano lo sviluppo e l'analisi di complessità della subroutine di diffusione, con una prospettiva sugli studi per lo step di update Bayesiano, attualmente in fase di sviluppo. Complessivamente, questa tesi contribuisce all’avanzamento del quantum machine learning per fisica delle alte energie sia dalla prospettiva empirica dell’era NISQ, con uno studio approfondito sulle architetture QGNN per il tracking ad alta luminosità, sia ponendo le basi per una nuova famiglia di algoritmi per fault tolerant quantum computing, radicata nelle proprietà della teoria dei gruppi non abeliani per SnS_nSn​ applicate a problemi di identity management.
L'approccio al problema a molti corpi è in generale fortemente limitato dallo scaling esponenziale nel numero di componenti dei costi computazionali. Tuttavia, per un'ampia gamma di modelli a bassa dimensionalità vincoli sulla struttura di entanglement degli stati fondamentali rendono possibile uno studio efficiente, tramite algoritmi di rinormalizzazione basati su ansatz che catturano ottimamente tale struttura. Entrambi possono essere formulati naturalmente in un linguaggio diagrammatico, quello dei Tensor Network. In questa trattazione si darà un'introduzione generale e si considererà poi in particolare il caso unidimensionale, introducendo i Matrix Product States e il Density Matrix Renormalization Group ed illustrandone una semplice applicazione.
È stato studiato un problema di scattering tra due particelle che interagiscono tramite un potenziale puntuale in tre dimensioni nel limite in cui una particella ha massa molto minore dell’altra. I risultati ottenuti hanno permesso di stimare gli effetti di decoerenza dinamicamente indotta su uno stato entangled della particella “pesante” che si ottengono quando la particella “leggera” viene utilizzata come misuratore per la posizione della particella “pesante”. Utilizzando la teoria delle estensioni autoaggiunte è stato modellizzato un sistema in cui una particella quantistica (senza spin) interagisce con uno spin posto in un punto fissato dello spazio mediante un potenziale singolare dipendente dallo spin. È stata discussa la caratterizzazione di tutte le possibili hamiltoniane di interazione ottenibili come perturbazioni puntuali dell’hamiltoniana libera. In alcuni casi particolari è stato possibile ottenere espressioni esplicite per il propagatore. La conoscenza della dinamica esatta del sistema ha permesso di valutare esplicitamente l’attenuazione dei termini di interferenza quantistica in uno stato entangled dello spin, dovuta all’interazione con la particella. È stato studiato un problema di interazione in una dimensione di un numero finito e infinito di sorgenti con il campo acustico. Lo scopo era quello di dimostrare che, in assenza di meccanismi di riflessione delle onde acustiche, il moto delle sorgenti risulta smorzato a causa dell’interazione con il proprio campo. Utilizzando la teoria delle estensioni autoaggiunte di operatori simmetrici è stata realizzata una formulazione del tutto nuova di tale problema. Tale formulazione ha permesso di ottenere risultati molto generali sullo smorzamento delle oscillazioni delle sorgenti.