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

EPISTEMOLOGIA

Is the mind a quantum computer?

Claudio Calosi

Published Jan 1, 2014• 0 citations
Publisher

Abstract

The paper provides a critical assessment of Quantum Artificial Intelligence, roughly the view that the human mind can be effectively simulated by a quantum computer. In particular it raises several independent problems for such a view, namely a supervenience problem, a quantum measurement problem, a decoherence problem and an indiscernibility problem. Il lavoro presenta una valutazione critica della Intelligenza Artificiale Quantistica, la tesi secondo cui la mente umana puo essere effettivamente simulata da un computer quantistico. In particolare solleva diversi indipendenti problemi per questa tesi, un problema di sopravvenienza, un problema di misurazione, un problema di decoerenza e un problema di indiscernibilita.

DOI
10.3280/epis2013-002002

Related papers

Ottimizzazione per imitazione: dal calcolo evolutivo al calcolo quantistico

Antonello Rizzi, Massimo Panella, Giovanni Martinelli

G. Martinelli, M. Panella, A. Rizzi Dipartimento INFOCOM Universita di Roma “La Sapienza” Via Eudossiana 18, 00184 Roma La ricerca iniziata recentemente sul ‘quantum processing’ e stata indirizzata verso due tematiche: • l’esistenza di un’analogia tra le procedure per l’ottimizzazione, basate sull’imitazione di fenomeni naturali sia fisici sia biologici, e quelle che possono essere sviluppate sulla base della teoria quantistica. La differenza tra i due casi sta nel livello dei fenomeni presi in considerazione e cioe un livello macroscopico nel primo caso ed un livello microscopico nel secondo caso. In ambedue i casi si imita la natura con lo scopo di avvantaggiarsene per il raggiungimento di procedure efficaci di ottimizzazione. • sviluppo di procedure di ottimizzazione basate sulle proprieta piu caratteristiche del livello microscopico. Le suddette procedure si diversificano in base all’applicazione presa in considerazione. La prima tematica e stata approfondita mettendo in evidenza la possibilita di sviluppare un procedimento di ottimizzazione capace d’individuare la soluzione ottimale di un problema in modo esaustivo. Risultati parziali nell’ambito di questa tematica sono stati riportati in [1]. La possibilita di effettuare una ricerca esaustiva e basate sulle proprieta tipiche della realta microscopica e cioe: • sovrapposizione delle soluzioni, ovvero tutte le soluzioni del problema esistono simultaneamente anche se in un numero enorme; • ‘entanglement’, cioe la possibilita di marcare nella sovrapposizione quelle ottimali con una semplice trasformazione di una opportuna funzione booleana nel dominio quantistico; • operatori quantistici lineari e non lineari, i quali permettono di estrarre la soluzione ottimale dalla sovrapposizione. In particolare, nel caso degli operatori non lineari tale estrazione puo avvenire con un costo computazionale molto ridotto e tale da poter giustificare procedure esaustive anche nel caso di problemi di difficile soluzione. Per quanto riguarda la seconda tematica, i problemi considerati hanno riguardato l’intelligenza artificiale e cioe le reti neurofuzzy, le reti neurali e le memorie associative. In tutti i casi la procedura da seguire e stata quella di rappresentare l’oggetto d’interesse con una stringa di bit. Tale stringa riportata nel dominio quantistico diviene una stringa di qubit ed e in grado di rappresentare simultaneamente tutte le versioni possibili dell’oggetto d’interesse. Tale sovrapposizione non puo essere utilizzata direttamente in quanto i qubit possono essere conosciuti solo attraverso misurazione. Inconvenienti relativi a questa operazione sono: • risultato stocastico della misura, nel senso che non si puo stabilire a priori quale componente della sovrapposizione si ottiene con la misura. Nella sovrapposizione ciascuna componente e associata ad un coefficiente che ne caratterizza la probabilita con cui puo essere estratto. La componente estratta dipende dal suddetto coefficiente e dal meccanismo di misura. Percio dalla misura e possibile ottenere un risultato efficace solo se il coefficiente associato alla soluzione ottimale e molto elevato.

•Jan 1, 2008•0 citations

Quantum artificial intelligence: A survey

Giovanni Acampora, Angela Chiatto, Roberto Schiattarella +1 more

Quantum computing and artificial intelligence are two highly topical fields of research that can benefit from each other’s discoveries by opening a completely new scenario in computation, that of quantum artificial intelligence. Indeed, on the one hand, artificial intelligence algorithms can be made computationally more efficient due to the potential speedup enabled by quantum phenomena; on the other hand, the complex development of quantum computing technologies and methodologies can be properly supported by the use of classical artificial intelligence approaches. The “entanglement” of these two disciplines is opening up completely new directions in computer science research, and this survey aims to provide a systematic and taxonomic overview of the work that has already been done and that which will begin in the near future.

Computer Science Review•Sep 10, 2025•23 citations

Quantum Learning and Shannon theory with bosonic systems and beyond

Francesco Anna Mele

Come si può apprendere uno stato quantistico della luce? Come si può distribuire informazione quantistica attraverso un collegamento ottico? È possibile superare la sfida delle regolarizzazioni nella teoria di Shannon quantistica? Questa tesi affronta tutte e tre queste questioni. La prima parte della tesi studia l’intersezione tra due importanti ambiti di ricerca: la teoria dell’apprendimento quantistico e i sistemi a variabili continue (continuous-variable, CV). La teoria dell’apprendimento quantistico si occupa di come estrarre informazione classica da sistemi quantistici nel modo più efficiente possibile. I sistemi CV sono onnipresenti in natura e nelle tecnologie quantistiche, in quanto modellano sistemi bosonici e piattaforme di ottica quantistica. Questa intersezione solleva numerose domande aperte di grande interesse, alcune delle quali vengono affrontate in questa tesi. Una prima domanda naturale riguarda i limiti ultimi della tomografia per sistemi CV. Rispondiamo a questa domanda dimostrando che: (i) la tomografia di stati non gaussiani è estremamente inefficiente; (ii) la tomografia di stati gaussiani è efficiente; e (iii) la complessità campionaria della tomografia CV cresce esponenzialmente con il grado di non gaussianità dello stato incognito. Altre domande naturali affrontate in lavori successivi correlati includono l’apprendimento efficiente di processi gaussiani e il problema di testare in modo efficiente se uno stato CV incognito sia gaussiano oppure lontano dall’insieme degli stati gaussiani. Come sottoprodotto delle nostre analisi, otteniamo diversi limiti sulla distanza in traccia tra stati CV in funzione delle loro matrici di covarianza, che forniscono un utile insieme di strumenti per la ricerca nella teoria dell’apprendimento quantistico con sistemi CV e potenzialmente anche in altri contesti. La seconda parte della tesi si concentra sulla teoria di Shannon quantistica per sistemi CV. Uno degli obiettivi principali di questa disciplina è comprendere come trasmettere informazione classica o quantistica in modo efficiente attraverso canali quantistici. Iniziamo determinando il massimo livello di rumore compatibile con la distribuzione di chiavi quantistiche e con la distribuzione di entanglement su canali gaussiani bosonici a fase insensibile, che costituiscono modelli standard per fibre ottiche e collegamenti in spazio libero. Raggiungiamo questo obiettivo stabilendo limiti inferiori allo stato dell’arte per la capacità di chiave segreta e per la capacità quantistica a due vie nel regime di alto rumore. Studiamo poi la comunicazione quantistica bosonica sotto diversi vincoli realistici, inclusi l’effetto combinato di perdita di fotoni e decoerenza di fase, nonché la presenza di rumore non markoviano (con memoria); in lavori successivi correlati consideriamo inoltre il regime one-shot di un numero finito di usi del canale e tolleranza di errore non nulla. La parte finale della tesi si sposta sui sistemi a dimensione finita e affronta un ostacolo centrale nella teoria di Shannon quantistica: il problema delle regolarizzazioni, che rende computazionalmente intrattabile ottenere una comprensione quantitativa precisa dell’efficienza ultima di compiti operativi fondamentali quali la manipolazione dell’entanglement. In questo contesto, consideriamo il problema del calcolo del costo asintotico di entanglement per la preparazione esatta di stati quantistici rumorosi sotto operazioni PPT. Basandoci su una precedente caratterizzazione del costo di entanglement PPT in termini di una formula regolarizzata, costruiamo invece una gerarchia di programmi semidefiniti che aggira completamente il problema della regolarizzazione e converge esponenzialmente al vero valore asintotico del costo di entanglement. Per quanto a nostra conoscenza, questa è la prima volta in cui una misura di entanglement asintotica risulta essere computabile in modo efficiente nonostante l’assenza di una formula single-letter in forma chiusa.

•Sep 21, 2026•0 citations

Quantum Artificial Intelligence: A Brief Survey

Matthias Klusch, Jörg Lässig, Daniel Müssig +2 more

Abstract Quantum Artificial Intelligence (QAI) is the intersection of quantum computing and AI, a technological synergy with expected significant benefits for both. In this paper, we provide a brief overview of what has been achieved in QAI so far and point to some open questions for future research. In particular, we summarize some major key findings on the feasability and the potential of using quantum computing for solving computationally hard problems in various subfields of AI, and vice versa, the leveraging of AI methods for building and operating quantum computing devices.

arXiv:2408.10726•Künstliche Intell.•Nov 4, 2024•57 citations

COMPUTER QUANTISTICI: STATUS E PROSPETTIVE

Lorenzo Maccone

A quantum computer is a system that is able to process quantum information. In this presentation I’ll briefly explain what is it and what are the main results of the current research in the field of quantum computation.

Istituto Lombardo - Accademia di Scienze e Lettere - Rendiconti di Scienze•Mar 3, 2020•0 citations

Capacità di un canale di comunicazione: dalla definizione classica alle estensioni quantistiche

Monaldi, Giovanna Mariapia

Nella teoria dell'informazione classica una delle proprietà utilizzate per descrivere un canale di comunicazione è la capacità, ovvero la grandezza che quantifica l'informazione massima che può essere trasmessa efficacemente con un uso del canale. La teoria dell'informazione quantistica nasce dal tentativo di estendere a livello quantistico i risultati della teoria classica, questo avviene anche per il concetto di capacità. Usare un sistema quantistico per trasmettere informazione offre più alternative di quelle disponibili classicamente: si possono estrarre sia informazione classica che informazione quantistica, e la capacità è caratterizzata diversamente nei due casi. L'obiettivo di questa tesi è quello di studiare la natura dei canali quantistici per, nota la definizione operativa della capacità nella teoria dell'informazione classica, ottenere le espressioni della loro capacità classica e della loro capacità quantistica. Per questa trattazione, si parte dalla riformulazione della meccanica quantistica con il formalismo dell'operatore densità, formalismo che permette di modellizzare matematicamente i canali quantistici come mappe completamente positive che conservano la traccia. Successivamente si dimostra il teorema di Shannon, teorema che dà l'espressione operativa della capacità classica e punto di partenza per tutte le generalizzazioni quantistiche. Proseguendo quindi, per la capacità classica di un canale quantistico si affronta la distinzione dovuta alla possibilità di avere in ingresso nel canale stati separabili o stati entangled; per la capacità quantistica si ottiene la formula regolarizzata generale e si presenta una classe di canali per cui non serve la regolarizzazione.

•Oct 31, 2025•0 citations
The paper provides a critical assessment of Quantum Artificial Intelligence, roughly the view that the human mind can be effectively simulated by a quantum computer. In particular it raises several independent problems for such a view, namely a supervenience problem, a quantum measurement problem, a decoherence problem and an indiscernibility problem. Il lavoro presenta una valutazione critica della Intelligenza Artificiale Quantistica, la tesi secondo cui la mente umana puo essere effettivamente simulata da un computer quantistico. In particolare solleva diversi indipendenti problemi per questa tesi, un problema di sopravvenienza, un problema di misurazione, un problema di decoerenza e un problema di indiscernibilita.
G. Martinelli, M. Panella, A. Rizzi Dipartimento INFOCOM Universita di Roma “La Sapienza” Via Eudossiana 18, 00184 Roma La ricerca iniziata recentemente sul ‘quantum processing’ e stata indirizzata verso due tematiche: • l’esistenza di un’analogia tra le procedure per l’ottimizzazione, basate sull’imitazione di fenomeni naturali sia fisici sia biologici, e quelle che possono essere sviluppate sulla base della teoria quantistica. La differenza tra i due casi sta nel livello dei fenomeni presi in considerazione e cioe un livello macroscopico nel primo caso ed un livello microscopico nel secondo caso. In ambedue i casi si imita la natura con lo scopo di avvantaggiarsene per il raggiungimento di procedure efficaci di ottimizzazione. • sviluppo di procedure di ottimizzazione basate sulle proprieta piu caratteristiche del livello microscopico. Le suddette procedure si diversificano in base all’applicazione presa in considerazione. La prima tematica e stata approfondita mettendo in evidenza la possibilita di sviluppare un procedimento di ottimizzazione capace d’individuare la soluzione ottimale di un problema in modo esaustivo. Risultati parziali nell’ambito di questa tematica sono stati riportati in [1]. La possibilita di effettuare una ricerca esaustiva e basate sulle proprieta tipiche della realta microscopica e cioe: • sovrapposizione delle soluzioni, ovvero tutte le soluzioni del problema esistono simultaneamente anche se in un numero enorme; • ‘entanglement’, cioe la possibilita di marcare nella sovrapposizione quelle ottimali con una semplice trasformazione di una opportuna funzione booleana nel dominio quantistico; • operatori quantistici lineari e non lineari, i quali permettono di estrarre la soluzione ottimale dalla sovrapposizione. In particolare, nel caso degli operatori non lineari tale estrazione puo avvenire con un costo computazionale molto ridotto e tale da poter giustificare procedure esaustive anche nel caso di problemi di difficile soluzione. Per quanto riguarda la seconda tematica, i problemi considerati hanno riguardato l’intelligenza artificiale e cioe le reti neurofuzzy, le reti neurali e le memorie associative. In tutti i casi la procedura da seguire e stata quella di rappresentare l’oggetto d’interesse con una stringa di bit. Tale stringa riportata nel dominio quantistico diviene una stringa di qubit ed e in grado di rappresentare simultaneamente tutte le versioni possibili dell’oggetto d’interesse. Tale sovrapposizione non puo essere utilizzata direttamente in quanto i qubit possono essere conosciuti solo attraverso misurazione. Inconvenienti relativi a questa operazione sono: • risultato stocastico della misura, nel senso che non si puo stabilire a priori quale componente della sovrapposizione si ottiene con la misura. Nella sovrapposizione ciascuna componente e associata ad un coefficiente che ne caratterizza la probabilita con cui puo essere estratto. La componente estratta dipende dal suddetto coefficiente e dal meccanismo di misura. Percio dalla misura e possibile ottenere un risultato efficace solo se il coefficiente associato alla soluzione ottimale e molto elevato.
Quantum computing and artificial intelligence are two highly topical fields of research that can benefit from each other’s discoveries by opening a completely new scenario in computation, that of quantum artificial intelligence. Indeed, on the one hand, artificial intelligence algorithms can be made computationally more efficient due to the potential speedup enabled by quantum phenomena; on the other hand, the complex development of quantum computing technologies and methodologies can be properly supported by the use of classical artificial intelligence approaches. The “entanglement” of these two disciplines is opening up completely new directions in computer science research, and this survey aims to provide a systematic and taxonomic overview of the work that has already been done and that which will begin in the near future.
Come si può apprendere uno stato quantistico della luce? Come si può distribuire informazione quantistica attraverso un collegamento ottico? È possibile superare la sfida delle regolarizzazioni nella teoria di Shannon quantistica? Questa tesi affronta tutte e tre queste questioni. La prima parte della tesi studia l’intersezione tra due importanti ambiti di ricerca: la teoria dell’apprendimento quantistico e i sistemi a variabili continue (continuous-variable, CV). La teoria dell’apprendimento quantistico si occupa di come estrarre informazione classica da sistemi quantistici nel modo più efficiente possibile. I sistemi CV sono onnipresenti in natura e nelle tecnologie quantistiche, in quanto modellano sistemi bosonici e piattaforme di ottica quantistica. Questa intersezione solleva numerose domande aperte di grande interesse, alcune delle quali vengono affrontate in questa tesi. Una prima domanda naturale riguarda i limiti ultimi della tomografia per sistemi CV. Rispondiamo a questa domanda dimostrando che: (i) la tomografia di stati non gaussiani è estremamente inefficiente; (ii) la tomografia di stati gaussiani è efficiente; e (iii) la complessità campionaria della tomografia CV cresce esponenzialmente con il grado di non gaussianità dello stato incognito. Altre domande naturali affrontate in lavori successivi correlati includono l’apprendimento efficiente di processi gaussiani e il problema di testare in modo efficiente se uno stato CV incognito sia gaussiano oppure lontano dall’insieme degli stati gaussiani. Come sottoprodotto delle nostre analisi, otteniamo diversi limiti sulla distanza in traccia tra stati CV in funzione delle loro matrici di covarianza, che forniscono un utile insieme di strumenti per la ricerca nella teoria dell’apprendimento quantistico con sistemi CV e potenzialmente anche in altri contesti. La seconda parte della tesi si concentra sulla teoria di Shannon quantistica per sistemi CV. Uno degli obiettivi principali di questa disciplina è comprendere come trasmettere informazione classica o quantistica in modo efficiente attraverso canali quantistici. Iniziamo determinando il massimo livello di rumore compatibile con la distribuzione di chiavi quantistiche e con la distribuzione di entanglement su canali gaussiani bosonici a fase insensibile, che costituiscono modelli standard per fibre ottiche e collegamenti in spazio libero. Raggiungiamo questo obiettivo stabilendo limiti inferiori allo stato dell’arte per la capacità di chiave segreta e per la capacità quantistica a due vie nel regime di alto rumore. Studiamo poi la comunicazione quantistica bosonica sotto diversi vincoli realistici, inclusi l’effetto combinato di perdita di fotoni e decoerenza di fase, nonché la presenza di rumore non markoviano (con memoria); in lavori successivi correlati consideriamo inoltre il regime one-shot di un numero finito di usi del canale e tolleranza di errore non nulla. La parte finale della tesi si sposta sui sistemi a dimensione finita e affronta un ostacolo centrale nella teoria di Shannon quantistica: il problema delle regolarizzazioni, che rende computazionalmente intrattabile ottenere una comprensione quantitativa precisa dell’efficienza ultima di compiti operativi fondamentali quali la manipolazione dell’entanglement. In questo contesto, consideriamo il problema del calcolo del costo asintotico di entanglement per la preparazione esatta di stati quantistici rumorosi sotto operazioni PPT. Basandoci su una precedente caratterizzazione del costo di entanglement PPT in termini di una formula regolarizzata, costruiamo invece una gerarchia di programmi semidefiniti che aggira completamente il problema della regolarizzazione e converge esponenzialmente al vero valore asintotico del costo di entanglement. Per quanto a nostra conoscenza, questa è la prima volta in cui una misura di entanglement asintotica risulta essere computabile in modo efficiente nonostante l’assenza di una formula single-letter in forma chiusa.
Abstract Quantum Artificial Intelligence (QAI) is the intersection of quantum computing and AI, a technological synergy with expected significant benefits for both. In this paper, we provide a brief overview of what has been achieved in QAI so far and point to some open questions for future research. In particular, we summarize some major key findings on the feasability and the potential of using quantum computing for solving computationally hard problems in various subfields of AI, and vice versa, the leveraging of AI methods for building and operating quantum computing devices.
Nella teoria dell'informazione classica una delle proprietà utilizzate per descrivere un canale di comunicazione è la capacità, ovvero la grandezza che quantifica l'informazione massima che può essere trasmessa efficacemente con un uso del canale. La teoria dell'informazione quantistica nasce dal tentativo di estendere a livello quantistico i risultati della teoria classica, questo avviene anche per il concetto di capacità. Usare un sistema quantistico per trasmettere informazione offre più alternative di quelle disponibili classicamente: si possono estrarre sia informazione classica che informazione quantistica, e la capacità è caratterizzata diversamente nei due casi. L'obiettivo di questa tesi è quello di studiare la natura dei canali quantistici per, nota la definizione operativa della capacità nella teoria dell'informazione classica, ottenere le espressioni della loro capacità classica e della loro capacità quantistica. Per questa trattazione, si parte dalla riformulazione della meccanica quantistica con il formalismo dell'operatore densità, formalismo che permette di modellizzare matematicamente i canali quantistici come mappe completamente positive che conservano la traccia. Successivamente si dimostra il teorema di Shannon, teorema che dà l'espressione operativa della capacità classica e punto di partenza per tutte le generalizzazioni quantistiche. Proseguendo quindi, per la capacità classica di un canale quantistico si affronta la distinzione dovuta alla possibilità di avere in ingresso nel canale stati separabili o stati entangled; per la capacità quantistica si ottiene la formula regolarizzata generale e si presenta una classe di canali per cui non serve la regolarizzazione.