Lo studente acquisirà le conoscenze di base su come è strutturata la costruzione di un esperimento di fisica nucleare in base alla raccolta dei dati dal rivelatore, al controllo dell'apparecchiatura e dell'esperimento, e alla qualità dei dati acquisiti. Verrà introdotta la simulazione di semplici componenti hardware in sessioni di laboratorio.
Curriculum
scheda docente materiale didattico
La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Programma
Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Prerequisiti
Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni. Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.Testi Adottati
Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Modalità Frequenza
la frequenza non è obbligatoria ma sempre fortemente consigliataModalità Valutazione
La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove. scheda docente materiale didattico
La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Programma
Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Prerequisiti
Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni. Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.Testi Adottati
Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Modalità Frequenza
la frequenza non è obbligatoria ma sempre fortemente consigliataModalità Valutazione
La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove. scheda docente materiale didattico
La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Mutuazione: 20401070 ACQUISIZIONE DATI E CONTROLLO DI ESPERIMENTI in Fisica LM-17 R Branchini Paolo
Programma
Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Prerequisiti
Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni. Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.Testi Adottati
Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Modalità Frequenza
la frequenza non è obbligatoria ma sempre fortemente consigliataModalità Valutazione
La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove. scheda docente materiale didattico
La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Mutuazione: 20401070 ACQUISIZIONE DATI E CONTROLLO DI ESPERIMENTI in Fisica LM-17 R Branchini Paolo
Programma
Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Prerequisiti
Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni. Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.Testi Adottati
Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Modalità Frequenza
la frequenza non è obbligatoria ma sempre fortemente consigliataModalità Valutazione
La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove. scheda docente materiale didattico
La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Programma
Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Prerequisiti
Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni. Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.Testi Adottati
Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Modalità Frequenza
la frequenza non è obbligatoria ma sempre fortemente consigliataModalità Valutazione
La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove. scheda docente materiale didattico
La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Mutuazione: 20401070 ACQUISIZIONE DATI E CONTROLLO DI ESPERIMENTI in Fisica LM-17 R Branchini Paolo
Programma
Il corso introduce i principali sistemi di acquisizione dati e i fondamenti dell'elettronica digitale, partendo dall'algebra di Boole e dalle porte logiche fino ad arrivare a memorie e processori. Verranno inoltre presentati i concetti di base del calcolo quantistico e delle porte logiche quantistiche.La seconda parte del corso sarà dedicata alla programmazione scientifica in Python, con esercitazioni di laboratorio finalizzate all'acquisizione e all'elaborazione dei dati e al controllo di un braccio robotico.
Saranno quindi introdotti i principi del machine learning, partendo dai modelli di Ising, utilizzati anche in applicazioni di trigger e selezione degli eventi negli esperimenti di fisica. Le esercitazioni pratiche riguarderanno problemi di classificazione e l'addestramento di modelli di apprendimento automatico.
Il corso si concluderà con un'introduzione al quantum computing attraverso l'utilizzo del simulatore IBM Quantum e di sistemi quantistici reali, mostrando le basi del quantum machine learning e le sue applicazioni elementari alla classificazione dei dati.
Risultati di apprendimento attesi: al termine del corso lo studente avrà acquisito competenze di base sui sistemi di acquisizione dati, sull'elettronica digitale, sulla programmazione in Python, sulle tecniche fondamentali di machine learning e sui principi del calcolo e dell'apprendimento automatico quantistico.
Prerequisiti
Il corso richiede una preparazione di base nelle discipline scientifiche, in particolare conoscenze elementari di matematica (algebra, funzioni e concetti introduttivi di probabilità) e di fisica. È inoltre richiesta una familiarità di base con l'utilizzo del computer e degli strumenti informatici più comuni. Non sono richieste conoscenze pregresse di programmazione, elettronica digitale, machine learning o calcolo quantistico, in quanto tali argomenti saranno introdotti e sviluppati durante il corso.Testi Adottati
Per gli argomenti relativi all'elettronica digitale, ai sistemi di acquisizione dati (DAQ) e trigger, nonché all'introduzione al calcolo quantistico, il docente fornirà dispense e materiale didattico integrativo.Come testi di riferimento e approfondimento si consigliano:
a) M. A. Nielsen, I. L. Chuang, Quantum Computation and Quantum Information, Cambridge University Press.
b) J. Watrous, Understanding Quantum Information and Computation, Cambridge University Press.
c) Dispense del corso di Elettronica Digitale.
d) Appunti e materiale didattico del corso sui sistemi di Data Acquisition (DAQ) e Trigger.
Il materiale fornito dal docente sarà comunque sufficiente per la preparazione dell'esame e per lo svolgimento delle attività di laboratorio.
Modalità Frequenza
la frequenza non è obbligatoria ma sempre fortemente consigliataModalità Valutazione
La verifica dell'apprendimento consisterà in una prova pratica e in una prova orale, che si svolgeranno nella medesima giornata. La prova pratica sarà finalizzata a valutare le competenze acquisite nell'ambito della programmazione, dell'analisi dei dati e delle attività di laboratorio svolte durante il corso. La prova orale verterà sugli argomenti teorici trattati, con particolare riferimento ai sistemi di acquisizione dati, all'elettronica digitale, al machine learning e ai fondamenti del calcolo quantistico. La valutazione finale terrà conto dell'esito complessivo di entrambe le prove.