Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Scienze
PHYSICS OF DATA
Insegnamento
INFORMATION THEORY AND COMPUTATION
SCP8082709, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
PHYSICS OF DATA
SC2443, ordinamento 2018/19, A.A. 2019/20
N0
porta questa
pagina con te
Crediti formativi 6.0
Tipo di valutazione Voto
Denominazione inglese INFORMATION THEORY AND COMPUTATION
Sito della struttura didattica http://physicsofdata.scienze.unipd.it/2019/laurea_magistrale
Dipartimento di riferimento Dipartimento di Fisica e Astronomia "Galileo Galilei"
Sito E-Learning https://elearning.unipd.it/dfa/course/view.php?idnumber=2019-SC2443-000ZZ-2018-SCP8082709-N0
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile SIMONE MONTANGERO FIS/03

Mutuazioni
Codice Insegnamento Responsabile Corso di studio
SCP7081801 QUANTUM INFORMATION SIMONE MONTANGERO SC2382

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
AFFINE/INTEGRATIVA Attività formative affini o integrative FIS/03 6.0

Organizzazione dell'insegnamento
Periodo di erogazione Primo semestre
Anno di corso II Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 6.0 48 102.0

Calendario
Inizio attività didattiche 30/09/2019
Fine attività didattiche 18/01/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2018

Commissioni d'esame
Nessuna commissione d'esame definita

Syllabus
Prerequisiti: Quantum mechanics and elements of programming.
Conoscenze e abilita' da acquisire: The course aims to introduce the students to tensor network methods, one of the most versatile simulation approach exploited in quantum science.
It will provide a hands-on introduction to these methods and will present a panoramic overview of some of tensor network methods most successful and promising applications. Indeed, they are routinely used to characterize low-dimensional equilibrium and out-of-equilibrium quantum processes to guide and support the development of quantum science and quantum technologies. Recently, it has also been put forward their possible exploitation in computer science applications such as classification and deep learning algorithms.
Modalita' di esame: The exam will be a final project composed of programming, data acquisition, and analysis, which will be discussed orally.
Criteri di valutazione: The student will be evaluated in terms of:

- The knowledge of the course content;
- The programming skill and the quality of the written code;
- The data analysis and presentation;
- The physical analysis and global understanding of the treated problem.
Contenuti: Basics in computational physics
1. Large matrix diagonalization
2. Numerical integration, optimizations, and solutions of PDE
3. Elements of Gnuplot, modern FORTRAN, python
4. Elements of object-oriented programming
5. Schrödinger equation (exact diagonalization, Split operator method, Suzuki-trotter
decomposition, ...)

Basics of quantum information:
1. Density matrices and Liouville operators
2. Many-body Hamiltonians and states (Tensor products, Liouville representation, ...)
3. Entanglement measures
4. Entanglement in many-body quantum systems

Theory:
1. Numerical Renormalization Group
2. Density Matrix Renormalization group
3. Introduction to tensor networks
4. Tensor network properties
5. Symmetric tensor networks
6. Algorithms for tensor networks optimization
7. Exact solutions of benchmarking models

Applications:
1. Critical systems
2. Topological order and its characterization
3. Adiabatic quantum computation
4. Quantum annealing of classical hard problems
5. Kibble-Zurek mechanism
6. Optimal control of many-body quantum systems
7. Open quantum systems (quantum trajectories, MPDO, LPTN, ...)
8. Tensor networks for classical problems: regressions, classifications, and deep learning.
Attivita' di apprendimento previste e metodologie di insegnamento: The course will be composed of lessons in class and programming labs.
Eventuali indicazioni sui materiali di studio: The course will be based on lecture notes and other electronic and hard copy didactical material (Ph.D. thesis, documentation etc.)
Testi di riferimento:
  • Montangero, Simone, Introduction to tensor network methodsnumerical simulations of low-dimensional many-body quantum systemsSimone Montangero. Cham: Springer, 2018. Cerca nel catalogo

Didattica innovativa: Strategie di insegnamento e apprendimento previste
  • Lecturing
  • Laboratory
  • Problem based learning
  • Case study
  • Interactive lecturing
  • Working in group
  • Questioning
  • Problem solving

Didattica innovativa: Software o applicazioni utilizzati
  • Moodle (files, quiz, workshop, ...)
  • Latex