Skip to content

Analisi delle prestazioni di un VQC sul Wine Dataset confrontando varie configurazioni di encoding, ansatz e ottimizzatori.

Notifications You must be signed in to change notification settings

ananaaspelirroja/Quantum_Classification_on_Wine_dataset

 
 

Repository files navigation

Quantum Classification on Wine Dataset

Variational Quantum Circuits on the UCI Wine dataset

🗺️ Che cosa troverai qui

Obiettivo del progetto
Costruire, addestrare e analizzare Variational Quantum Circuits (VQC) per la classificazione del Wine Dataset e confrontare l’intero flusso di lavoro con i migliori algoritmi di Machine Learning classici.
Il focus è metodologico: come progettare pipeline ibride (classico + quantum), come gestire la fase di ottimizzazione parametrica, come valutare la robustezza ai rumori hardware.

Step principali

  1. Data pipeline
    • Caricamento e pulizia del Wine dataset da UCI ML Repository.
    • Feature scaling e PCA per ridurre il numero di qubit necessari.
  2. Encoding quantistico
    • Mappe di feature (ZFeatureMap, ZZFeatureMap, ecc.) per trasformare i vettori reali in stati quantistici.
  3. Progettazione dell’ansatz
    • Vari schemi (EfficientSU2, TwoLocal, ecc.) modulati da reps e entanglement pattern.
  4. Ottimizzazione dei parametri
    • Confronto fra ottimizzatori derivative-free (COBYLA, Nelder–Mead, Powell) e gradient-based (L-BFGS-B, SLSQP).
  5. Back-end di esecuzione
    • Simulatore ideale AerSimulator.
    • Noise model realistico (IBM FakeVigoV2) per studiare l’impatto dei gate error e della decoerenza.
  6. Baseline classiche
    • SVM, Random Forest, K-NN, Naïve Bayes, Gradient Boosting, Logistic Regression.

📂 Struttura della repo

Path Contenuto
PROGETTO_QC_MARTUCCI_271316_ZAPPIA_268784.ipynb Notebook “main”: preprocessing, design dei circuiti, training e valutazione
OTTIMIZZATORI_NON_QUANTISTICI.ipynb Esperimenti sugli ottimizzatori classici per i parametri del VQC
SIMULAZIONI_CON_RUMORE_1_E_2_REPS.ipynb Studio della robustezza dei circuiti su noise model IBM
Relazione_progetto_Quantum_Computing.pdf Report analitico con dettagli teorici e diagrammi
requirements.txt Dipendenze principali (Qiskit, scikit-learn, ecc.)
README.md Questa descrizione

👥 Autori

  • Anastasia Martucci
  • Giuseppe Zappia

📌 Note finali

Il progetto è stato sviluppato nell’ambito del corso di Quantum Computing (A.A. 2024/2025), all’interno del corso di laurea magistrale in Ingegneria Informatica presso l’Università della Calabria.

About

Analisi delle prestazioni di un VQC sul Wine Dataset confrontando varie configurazioni di encoding, ansatz e ottimizzatori.

Resources

Stars

Watchers

Forks

Releases

No releases published

Packages

No packages published

Languages

  • Jupyter Notebook 100.0%