Adolfo AVELLA | COMPUTAZIONE AVANZATA, QUANTISTICA E MACHINE LEARNING

cod. FS22600031

COMPUTAZIONE AVANZATA, QUANTISTICA E MACHINE LEARNING

	FS22600031
	DIPARTIMENTO DI FISICA "E.R. CAIANIELLO"
	CORSO DI LAUREA MAGISTRALE
	FISICA
	2025/2026

PERCORSO COMUNE

	ANNO CORSO 1
	ANNO ORDINAMENTO 2025
	SECONDO SEMESTRE

MODULI

SSD	CFU	ORE	ATTIVITÀ	TIPO DI ATTIVITÁ FORMATIVA
FIS/03	2	16	LEZIONE	AFFINE/INTEGRATIVA
FIS/03	4	48	LABORATORIO	AFFINE/INTEGRATIVA

DOCENTI

	ADOLFO AVELLA T Curriculum
	FEDERICO CORBERI Curriculum

APPELLI

	Appello	Data	Sessione
	APPELLO DI APRILE 2026	23/04/2026 - 15:00	SESSIONE ORDINARIA

	Obiettivi
	L'INSEGNAMENTO HA L'OBIETTIVO DI FORMARE GLI STUDENTI ALL'UTILIZZO DI STRUMENTI COMPUTAZIONALI MODERNI ED AVANZATI (ALGORITMI NUMERICI AVANZATI, COMPUTAZIONE QUANTISTICA E MACHINE LEARNING) NECESSARI PER STUDIARE SISTEMI FISICI, MA ANCHE STATISTICI E BIOLOGICI, DAI PIÙ SEMPLICI AI PIÙ COMPLESSI. CONOSCENZA E CAPACITÀ DI COMPRENSIONE L’INSEGNAMENTO INTENDE FORNIRE ALLO STUDENTE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI FONDAMENTALI PER LA RISOLUZIONE DI DIVERSE TIPOLOGIE DI PROBLEMI IN FISICA E LA CAPACITÀ DI COMPRENDERE/APPRENDERE AUTONOMAMENTE ULTERIORI NOZIONI AVANZATE. IN PARTICOLARE, È PREVISTO LO STUDIO DI ALGORITMI NUMERICI AVANZATI, DI COMPUTAZIONE QUANTISTICA, E PER LO SVILUPPO AUTONOMO E/O TRAMITE PACCHETTI PRE-COMPILATI DI SISTEMI DI INTELLIGENZA ARTIFICIALE E APPRENDIMENTO SUPERVISIONATO ANCHE TRAMITE L’UTILIZZO DI RETI NEURALI DEEP PER LA SIMULAZIONE DI SISTEMI REALI E COMPLESSI. IL CORSO PREVEDE L’IMPIEGO DEL PYTHON E DEL FORTRAN QUALI LINGUAGGI DI PROGRAMMAZIONE EVOLUTI E L’APPRENDIMENTO SIA DELLA SINTASSI DEI LINGUAGGI CHE DEI DIVERSI PARADIGMI DI PROGRAMMAZIONE (PROCEDURALE, MODULARE, FUNZIONALE, ORIENTATA AGLI OGGETTI) CHE ESSI SUPPORTANO, IN MANIERA CHE LO STUDENTE POSSA COMPRENDERE/APPRENDERE AUTONOMAMENTE ALTRI LINGUAGGI EVOLUTI. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE L’INSEGNAMENTO INTENDE CONSOLIDARE LA CAPACITÀ DELLO STUDENTE DI RISOLVERE, A UN LIVELLO PROFESSIONALE, PROBLEMI IN FISICA, MA ANCHE IN ALTRE BRANCHE DELLA SCIENZA, TRAMITE L’UTILIZZO DI METODI NUMERICI E ALGORITMI E DELLA LORO CODIFICA IN TERMINI DI PROGRAMMI PER COMPUTER. IN PARTICOLARE, LO STUDENTE DOVRÀ MATURARE LA CAPACITÀ DI UTILIZZARE ALGORITMI NUMERICI AVANZATI E QUANTISTICI E DI SVILUPPARE E GESTIRE SISTEMI DI INTELLIGENZA ARTIFICIALE PER IL CONTROLLO E LA PREDIZIONE DEL COMPORTAMENTO DI SISTEMI DI INTERESSE FISICO, BIOLOGICO, SOCIALE E IN MOLTI ALTRI CAMPI. DOVRÀ, INOLTRE, ACQUISIRE UNA CONOSCENZA AVANZATA DEI LINGUAGGI PYTHON E FORTRAN PER LA CONCRETA APPLICAZIONE DELLE NOZIONI ACQUISITE.

L'INSEGNAMENTO HA L'OBIETTIVO DI FORMARE GLI STUDENTI ALL'UTILIZZO DI STRUMENTI COMPUTAZIONALI MODERNI ED AVANZATI (ALGORITMI NUMERICI AVANZATI, COMPUTAZIONE QUANTISTICA E MACHINE LEARNING) NECESSARI PER STUDIARE SISTEMI FISICI, MA ANCHE STATISTICI E BIOLOGICI, DAI PIÙ SEMPLICI AI PIÙ COMPLESSI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
L’INSEGNAMENTO INTENDE FORNIRE ALLO STUDENTE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI FONDAMENTALI PER LA RISOLUZIONE DI DIVERSE TIPOLOGIE DI PROBLEMI IN FISICA E LA CAPACITÀ DI COMPRENDERE/APPRENDERE AUTONOMAMENTE ULTERIORI NOZIONI AVANZATE. IN PARTICOLARE, È PREVISTO LO STUDIO DI ALGORITMI NUMERICI AVANZATI, DI COMPUTAZIONE QUANTISTICA, E PER LO SVILUPPO AUTONOMO E/O TRAMITE PACCHETTI PRE-COMPILATI DI SISTEMI DI INTELLIGENZA ARTIFICIALE E APPRENDIMENTO SUPERVISIONATO ANCHE TRAMITE L’UTILIZZO DI RETI NEURALI DEEP PER LA SIMULAZIONE DI SISTEMI REALI E COMPLESSI. IL CORSO PREVEDE L’IMPIEGO DEL PYTHON E DEL FORTRAN QUALI LINGUAGGI DI PROGRAMMAZIONE EVOLUTI E L’APPRENDIMENTO SIA DELLA SINTASSI DEI LINGUAGGI CHE DEI DIVERSI PARADIGMI DI PROGRAMMAZIONE (PROCEDURALE, MODULARE, FUNZIONALE, ORIENTATA AGLI OGGETTI) CHE ESSI SUPPORTANO, IN MANIERA CHE LO STUDENTE POSSA COMPRENDERE/APPRENDERE AUTONOMAMENTE ALTRI LINGUAGGI EVOLUTI.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
L’INSEGNAMENTO INTENDE CONSOLIDARE LA CAPACITÀ DELLO STUDENTE DI RISOLVERE, A UN LIVELLO PROFESSIONALE, PROBLEMI IN FISICA, MA ANCHE IN ALTRE BRANCHE DELLA SCIENZA, TRAMITE L’UTILIZZO DI METODI NUMERICI E ALGORITMI E DELLA LORO CODIFICA IN TERMINI DI PROGRAMMI PER COMPUTER. IN PARTICOLARE, LO STUDENTE DOVRÀ MATURARE LA CAPACITÀ DI UTILIZZARE ALGORITMI NUMERICI AVANZATI E QUANTISTICI E DI SVILUPPARE E GESTIRE SISTEMI DI INTELLIGENZA ARTIFICIALE PER IL CONTROLLO E LA PREDIZIONE DEL COMPORTAMENTO DI SISTEMI DI INTERESSE FISICO, BIOLOGICO, SOCIALE E IN MOLTI ALTRI CAMPI. DOVRÀ, INOLTRE, ACQUISIRE UNA CONOSCENZA AVANZATA DEI LINGUAGGI PYTHON E FORTRAN PER LA CONCRETA APPLICAZIONE DELLE NOZIONI ACQUISITE.

	Prerequisiti
	LA CONOSCENZA DEGLI ARGOMENTI DI BASE DELLA FISICA CLASSICA E MODERNA, DELLA MECCANICA STATISTICA CLASSICA E QUANTISTICA, E DELLA ANALISI E FISICA MATEMATICA.

	Contenuti
	1. COMPUTAZIONE AVANZATA (ORE 14) E LINGUAGGIO PYTHON (ORE 10): ALGORITMI DI FATTORIZZAZIONE, INTEGRAZIONE GAUSSIANA E MONTE CARLO, INTERPOLAZIONE CON SPLINE DI ORDINE GENERICO, MINIMI QUADRATI GENERALIZZATI, ANALISI DIMENSIONALE DEL RANDOM WALKER, MODELLO DI ISING GENERALIZZATO, ALGORITMO LANCZOS PER SISTEMI QUANTISTICI INTERAGENTI E MATRICE DENSITÀ, RAPPRESENTAZIONE E SOLUZIONE NUMERICA DI SISTEMI QUANTISTICI FERMIONICI E BOSONICI. 2. COMPUTAZIONE QUANTISTICA (ORE 20): CONCETTI DI BASE DELLA LOGICA CLASSICA: RAPPRESENTAZIONE ASTRATTA DEI BIT, OPERAZIONI LOGICHE CLASSICHE, OPERAZIONI REVERSIBILI A UN BIT, OPERAZIONI REVERSIBILI A DUE BIT. ELEMENTI DI MECCANICA QUANTISTICA: NOTAZIONE DI DIRAC (IN BREVE), BIT QUANTISTICI: QUBIT, POSTULATI DELLA MECCANICA QUANTISTICA, SISTEMA QUANTISTICO A DUE LIVELLI: ANALISI ESPLICITA, STRUTTURA DELLE TRASFORMAZIONI UNITARIE A 1-QUBIT, STATI QUANTISTICI, OPERATORE DI DENSITÀ E MATRICE DI DENSITÀ, TRACCIA PARZIALE, ENTANGLEMENT DI STATI A DUE QUBIT, MISURE QUANTISTICHE E POVM. LA MECCANICA QUANTISTICA COME COMPUTAZIONE: PORTE LOGICHE QUANTISTICHE, MISURA SUI QUBIT, APPLICAZIONI ED ESEMPI, IL PROCESSO COMPUTAZIONALE STANDARD, IDENTITÀ NEI CIRCUITI, INTRODUZIONE AGLI ALGORITMI QUANTISTICI, LOGICA CLASSICA CON COMPUTER QUANTISTICI, PORTE QUANTISTICHE UNIVERSALI, UNIVERSALITÀ E VANTAGGIO QUANTISTICO. COMPUTER UNIVERSALI E COMPLESSITÀ COMPUTAZIONALE: LA MACCHINA DI TURING, LA MACCHINA DI TURING QUANTISTICA, CLASSI DI COMPLESSITÀ CLASSICHE E QUANTISTICHE IMPORTANTI. TRASFORMATA DI FOURIER QUANTISTICA E ALGORITMO DI FATTORIZZAZIONE DI SHOR: TRASFORMATA DI FOURIER DISCRETA E QFT, PROTOCOLLO DI STIMA DELLA FASE, ALGORITMO DI FATTORIZZAZIONE (ALGORITMO DI SHOR), ALGORITMO RSA. ALGORITMO DI RICERCA QUANTISTICA: RICERCA QUANTISTICA COME PROCESSO COMPUTAZIONALE STANDARD, RICERCA QUANTISTICA: OPERATORE DI GROVER, RICERCA QUANTISTICA ED EVOLUZIONE UNITARIA, ALGORITMO DI GROVER E PASSEGGIATE QUANTISTICHE IN TEMPO CONTINUO. 3. MACHINE LEARNING (ORE 20): NOZIONI DI BASE. ESEMPI BASATI SU REGRESSIONE POLINOIMIALE E SVILUPPO DI CODICI RELATIVI. FUNZIONE COSTO. DECOMPOSIZIONE BIAS-VARIANZA. GRADIENT DESCENT E SUE GENERALIZZAZIONI PER LA RICERCA DEI MINIMI DI UNA FUNZIONE COSTO. CENNI DI INFERENZA BAYESIANA. REGRESSIONE LINEARE E SUA FORMULAZIONE BAYESIANA. REGOLARIZATORI. APPLICAZIONI: RICONOSCIMENTO DELLE COSTANTI DI ACCOPPIAMENTO DI UN MODELLO DI ISING, SVILUPPO DI CODICI RELATIVI. COMPITI DI CLASSIFICAZIONE. PERCEPTRON. REGRESSIONE LOGISTICA. CROSS-ENTROPY E REGRESSIONE SOFTMAX. APPLICAZIONI: RICONOSCIMENTO DELLA FASE DI UN MODELLO DI ISING. SVILUPPO DI CODICI RELATIVI. RETI NEURALI: ARCHITETTURA E TRAINING. FEEDFORWARD ED ALGORITMO DI BACKPROPAGATION. APPLICAZIONI: SVILUPPO DI CODICI RELATIVI AI PROBLEMI DELLA REGRESSIONE POLINOMIALE E DEL MODELLO DI ISING. ESEMPI DI UTILIZZO DI PACCHETTI (MATHLAB) UTILIZZANTI RETI CONVOLUTIVE.

Contenuti

1. COMPUTAZIONE AVANZATA (ORE 14) E LINGUAGGIO PYTHON (ORE 10): ALGORITMI DI FATTORIZZAZIONE, INTEGRAZIONE GAUSSIANA E MONTE CARLO, INTERPOLAZIONE CON SPLINE DI ORDINE GENERICO, MINIMI QUADRATI GENERALIZZATI, ANALISI DIMENSIONALE DEL RANDOM WALKER, MODELLO DI ISING GENERALIZZATO, ALGORITMO LANCZOS PER SISTEMI QUANTISTICI INTERAGENTI E MATRICE DENSITÀ, RAPPRESENTAZIONE E SOLUZIONE NUMERICA DI SISTEMI QUANTISTICI FERMIONICI E BOSONICI.
2. COMPUTAZIONE QUANTISTICA (ORE 20): CONCETTI DI BASE DELLA LOGICA CLASSICA: RAPPRESENTAZIONE ASTRATTA DEI BIT, OPERAZIONI LOGICHE CLASSICHE, OPERAZIONI REVERSIBILI A UN BIT, OPERAZIONI REVERSIBILI A DUE BIT. ELEMENTI DI MECCANICA QUANTISTICA: NOTAZIONE DI DIRAC (IN BREVE), BIT QUANTISTICI: QUBIT, POSTULATI DELLA MECCANICA QUANTISTICA, SISTEMA QUANTISTICO A DUE LIVELLI: ANALISI ESPLICITA, STRUTTURA DELLE TRASFORMAZIONI UNITARIE A 1-QUBIT, STATI QUANTISTICI, OPERATORE DI DENSITÀ E MATRICE DI DENSITÀ, TRACCIA PARZIALE, ENTANGLEMENT DI STATI A DUE QUBIT, MISURE QUANTISTICHE E POVM. LA MECCANICA QUANTISTICA COME COMPUTAZIONE: PORTE LOGICHE QUANTISTICHE, MISURA SUI QUBIT, APPLICAZIONI ED ESEMPI, IL PROCESSO COMPUTAZIONALE STANDARD, IDENTITÀ NEI CIRCUITI, INTRODUZIONE AGLI ALGORITMI QUANTISTICI, LOGICA CLASSICA CON COMPUTER QUANTISTICI, PORTE QUANTISTICHE UNIVERSALI, UNIVERSALITÀ E VANTAGGIO QUANTISTICO. COMPUTER UNIVERSALI E COMPLESSITÀ COMPUTAZIONALE: LA MACCHINA DI TURING, LA MACCHINA DI TURING QUANTISTICA, CLASSI DI COMPLESSITÀ CLASSICHE E QUANTISTICHE IMPORTANTI. TRASFORMATA DI FOURIER QUANTISTICA E ALGORITMO DI FATTORIZZAZIONE DI SHOR: TRASFORMATA DI FOURIER DISCRETA E QFT, PROTOCOLLO DI STIMA DELLA FASE, ALGORITMO DI FATTORIZZAZIONE (ALGORITMO DI SHOR), ALGORITMO RSA. ALGORITMO DI RICERCA QUANTISTICA: RICERCA QUANTISTICA COME PROCESSO COMPUTAZIONALE STANDARD, RICERCA QUANTISTICA: OPERATORE DI GROVER, RICERCA QUANTISTICA ED EVOLUZIONE UNITARIA, ALGORITMO DI GROVER E PASSEGGIATE QUANTISTICHE IN TEMPO CONTINUO.
3. MACHINE LEARNING (ORE 20): NOZIONI DI BASE. ESEMPI BASATI SU REGRESSIONE POLINOIMIALE E SVILUPPO DI CODICI RELATIVI. FUNZIONE COSTO. DECOMPOSIZIONE BIAS-VARIANZA. GRADIENT DESCENT E SUE GENERALIZZAZIONI PER LA RICERCA DEI MINIMI DI UNA FUNZIONE COSTO. CENNI DI INFERENZA BAYESIANA. REGRESSIONE LINEARE E SUA FORMULAZIONE BAYESIANA. REGOLARIZATORI. APPLICAZIONI: RICONOSCIMENTO DELLE COSTANTI DI ACCOPPIAMENTO DI UN MODELLO DI ISING, SVILUPPO DI CODICI RELATIVI. COMPITI DI CLASSIFICAZIONE. PERCEPTRON. REGRESSIONE LOGISTICA. CROSS-ENTROPY E REGRESSIONE SOFTMAX. APPLICAZIONI: RICONOSCIMENTO DELLA FASE DI UN MODELLO DI ISING. SVILUPPO DI CODICI RELATIVI. RETI NEURALI: ARCHITETTURA E TRAINING. FEEDFORWARD ED ALGORITMO DI BACKPROPAGATION. APPLICAZIONI: SVILUPPO DI CODICI RELATIVI AI PROBLEMI DELLA REGRESSIONE POLINOMIALE E DEL MODELLO DI ISING. ESEMPI DI UTILIZZO DI PACCHETTI (MATHLAB) UTILIZZANTI RETI CONVOLUTIVE.

	Metodi Didattici
	IL CORSO PREVEDE 16 ORE DI LEZIONI FRONTALI IN AULA FINALIZZATE ALL’APPRENDIMENTO DELLE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI E LA PROGRAMMAZIONE E 48 ORE DI LEZIONI DI TIPO ESERCITATIVO IN LABORATORIO INCENTRATE SULL’ILLUSTRAZIONE PRATICA DEL PROCESSO DI MODELLIZZAZIONE DEL PROBLEMA FISICO IN ESAME, SELEZIONE/ELABORAZIONE DEI METODI NUMERICI ED ALGORITMI NECESSARI ALLA SUA SOLUZIONE NUMERICA, DESIGN DEL CODICE A SECONDA DEL PARADIGMA DI PROGRAMMAZIONE SCELTO, REDAZIONE CONCRETA DEL CODICE IN FORTRAN E PYTHON (SINTASSI DEL LINGUAGGIO), SUA COMPILAZIONE, ESECUZIONE E RELATIVA RACCOLTA E RAPPRESENTAZIONE GRAFICA DEI RISULTATI. LA FREQUENZA DEL CORSO PUR NON ESSENDO OBBLIGATORIA È FORTEMENTE CONSIGLIATA.

Metodi Didattici

IL CORSO PREVEDE 16 ORE DI LEZIONI FRONTALI IN AULA FINALIZZATE ALL’APPRENDIMENTO DELLE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI E LA PROGRAMMAZIONE E 48 ORE DI LEZIONI DI TIPO ESERCITATIVO IN LABORATORIO INCENTRATE SULL’ILLUSTRAZIONE PRATICA DEL PROCESSO DI MODELLIZZAZIONE DEL PROBLEMA FISICO IN ESAME, SELEZIONE/ELABORAZIONE DEI METODI NUMERICI ED ALGORITMI NECESSARI ALLA SUA SOLUZIONE NUMERICA, DESIGN DEL CODICE A SECONDA DEL PARADIGMA DI PROGRAMMAZIONE SCELTO, REDAZIONE CONCRETA DEL CODICE IN FORTRAN E PYTHON (SINTASSI DEL LINGUAGGIO), SUA COMPILAZIONE, ESECUZIONE E RELATIVA RACCOLTA E RAPPRESENTAZIONE GRAFICA DEI RISULTATI. LA FREQUENZA DEL CORSO PUR NON ESSENDO OBBLIGATORIA È FORTEMENTE CONSIGLIATA.

	Verifica dell'apprendimento
	LA VERIFICA E LA VALUTAZIONE DEL LIVELLO DI APPRENDIMENTO DELLO STUDENTE AVVERRANNO TRAMITE UNA PROVA FINALE CHE CONSISTERÀ NELLA DISCUSSIONE ORALE DI UN PROGETTO DI RICERCA, ASSEGNATO A FINE CORSO A UN GRUPPO DI DUE/TRE STUDENTI, RIGUARDANTE LA SOLUZIONE DI UN PROBLEMA FISICO NON MENZIONATO AL CORSO, MA RISOLVIBILE TRAMITE I METODI NUMERICI TRATTATI DURANTE IL CORSO. LA DISCUSSIONE ORALE È TESA A VALUTARE IL LIVELLO DELLE CONOSCENZE TEORICHE, L’AUTONOMIA DI ANALISI E GIUDIZIO, NONCHÉ LE CAPACITÀ ESPOSITIVE DELL’ALLIEVO. LA PROVA ORALE, DELLA DURATA MEDIA DI 45 MINUTI, VIENE EFFETTUATA AL TERMINE DELL'INSEGNAMENTO NELLE DATE STABILITE DAL CONSIGLIO DI DIDATTICO. IL LIVELLO DI VALUTAZIONE È ATTRIBUITO TENENDO CONTO DELL’EFFICIENZA DEI METODI UTILIZZATI, DELLA COMPLETEZZA ED ESATTEZZA DELLE RISPOSTE, NONCHÉ DELLA CHIAREZZA NELLA PRESENTAZIONE. IL LIVELLO DI VALUTAZIONE MINIMO (18) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UN'APPENA SUFFICIENTE CAPACITÀ DI APPLICAZIONE DEI METODI NUMERICI E DI NDIVIDUAZIONE DELLE METODICHE ATTE A CONTROLLARE L'ERRORE NUMERICO, E HA UNA LIMITATA CONOSCENZA DEI PRINCIPALI ALGORITMI. IL LIVELLO MASSIMO (30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEI METODI NUMERICI E DEGLI ALGORITMI E MOSTRA UNA NOTEVOLE CAPACITÀ DI INDIVIDUARE E GESTIRE LE SORGENTI DI ERRORE NUMERICO PRESENTI NELLO SPECIFICO PROBLEMA CHE HA SCELTO DI AFFRONTARE. LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE.

Verifica dell'apprendimento

LA VERIFICA E LA VALUTAZIONE DEL LIVELLO DI APPRENDIMENTO DELLO STUDENTE AVVERRANNO TRAMITE UNA PROVA FINALE CHE CONSISTERÀ NELLA DISCUSSIONE ORALE DI UN PROGETTO DI RICERCA, ASSEGNATO A FINE CORSO A UN GRUPPO DI DUE/TRE STUDENTI, RIGUARDANTE LA SOLUZIONE DI UN PROBLEMA FISICO NON MENZIONATO AL CORSO, MA RISOLVIBILE TRAMITE I METODI NUMERICI TRATTATI DURANTE IL CORSO. LA DISCUSSIONE ORALE È TESA A VALUTARE IL LIVELLO DELLE CONOSCENZE TEORICHE, L’AUTONOMIA DI ANALISI E GIUDIZIO, NONCHÉ LE CAPACITÀ ESPOSITIVE DELL’ALLIEVO. LA PROVA ORALE, DELLA DURATA MEDIA DI 45 MINUTI, VIENE EFFETTUATA AL TERMINE DELL'INSEGNAMENTO NELLE DATE STABILITE DAL CONSIGLIO DI DIDATTICO.

IL LIVELLO DI VALUTAZIONE È ATTRIBUITO TENENDO CONTO DELL’EFFICIENZA DEI METODI UTILIZZATI, DELLA COMPLETEZZA ED ESATTEZZA DELLE RISPOSTE, NONCHÉ DELLA CHIAREZZA NELLA PRESENTAZIONE.

IL LIVELLO DI VALUTAZIONE MINIMO (18) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UN'APPENA SUFFICIENTE CAPACITÀ DI APPLICAZIONE DEI METODI NUMERICI E DI NDIVIDUAZIONE DELLE METODICHE ATTE A CONTROLLARE L'ERRORE NUMERICO, E HA UNA LIMITATA CONOSCENZA DEI PRINCIPALI ALGORITMI.

IL LIVELLO MASSIMO (30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEI METODI NUMERICI E DEGLI ALGORITMI E MOSTRA UNA NOTEVOLE CAPACITÀ DI INDIVIDUARE E GESTIRE LE SORGENTI DI ERRORE NUMERICO PRESENTI NELLO SPECIFICO PROBLEMA CHE HA SCELTO DI AFFRONTARE.

LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE.

	Testi
	COMPUTATIONAL PHYSICS: T. PANG; AN INTRODUCTION TO COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 2ND ED. (2006), CODICI IN FORTRAN 90: 1ST ED. (1997). N.J. GIORDANO; COMPUTATIONAL PHYSICS; BENJAMIN CUMMINGS; 2ND ED. (2005). J. THIJSSEN; COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2007). R.H. LANDAU, J. PAEZ, C.C. BORDEIANU; A SURVEY OF COMPUTATIONAL PHYSICS: INTRODUCTORY COMPUTATIONAL SCIENCE; PRINCETON UNIVERSITY PRESS (2008). P.L. DEVRIES , J.E. HASBUN; A FIRST COURSE IN COMPUTATIONAL PHYSICS; JONES & BARTLETT PUBLISHERS; 2ND ED. (2010). A. KLEIN; INTRODUCTORY COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2010). R. FITZPATRICK; COMPUTATIONAL PHYSICS; LECTURE NOTES. MATHEMATICAL METHODS: K.F. RILEY, M.P. HOBSON, AND S.J. BENCE; MATHEMATICAL METHODS FOR PHYSICS AND ENGINEERING; CAMBRIDGE UNIVERSITY PRESS; 3RD ED. (2006). S. HASSANI; MATHEMATICAL METHODS FOR STUDENTS OF PHYSICS AND RELATED FIELDS; SPRINGER SCIENCE+BUSINESS MEDIA, LLC; 2ND ED. (2009). H. SHIMA, AND T. NAKAYAMA; HIGHER MATHEMATICS FOR PHYSICS AND ENGINEERING; SPRINGER-VERLAG (2010). NUMERICAL METHODS AND ALGORITHMS: W.H. PRESS, S.A. TEUKOLSKY, H.A. BETHE, W.T. VETTERLING, AND B.P. FLANNERY; NUMERICAL RECIPES - THE ART OF SCIENTIFIC COMPUTING; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 3RD ED. (2007). A HIGH-BIAS,LOW-VARIANCE INTRODUCTION TO MACHINE LEARNING FOR PHYSICISTS: P.METHA, M. BUKOV, C-H. WANG, A.G.R. DAY, C. RICHARDSON, C.K. FISHER, D.J. SCHWAB (HTTPS://ARXIV.ORG/ABS/1803.08823). A STUDENT’S GUIDE TO QUANTUM COMPUTING (2025), STEFANO OLIVARES, LECTURE NOTES IN PHYSICS, SPRINGER CHAM, HTTPS://DOI.ORG/10.1007/978-3-031-83361-8 DISPENSE DEL DOCENTE SU MACHINE LEARNING.

Testi

COMPUTATIONAL PHYSICS: T. PANG; AN INTRODUCTION TO COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 2ND ED. (2006), CODICI IN FORTRAN 90: 1ST ED. (1997). N.J. GIORDANO; COMPUTATIONAL PHYSICS; BENJAMIN CUMMINGS; 2ND ED. (2005). J. THIJSSEN; COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2007). R.H. LANDAU, J. PAEZ, C.C. BORDEIANU; A SURVEY OF COMPUTATIONAL PHYSICS: INTRODUCTORY COMPUTATIONAL SCIENCE; PRINCETON UNIVERSITY PRESS (2008). P.L. DEVRIES , J.E. HASBUN; A FIRST COURSE IN COMPUTATIONAL PHYSICS; JONES & BARTLETT PUBLISHERS; 2ND ED. (2010). A. KLEIN; INTRODUCTORY COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2010). R. FITZPATRICK; COMPUTATIONAL PHYSICS; LECTURE NOTES.
MATHEMATICAL METHODS: K.F. RILEY, M.P. HOBSON, AND S.J. BENCE; MATHEMATICAL METHODS FOR PHYSICS AND ENGINEERING; CAMBRIDGE UNIVERSITY PRESS; 3RD ED. (2006). S. HASSANI; MATHEMATICAL METHODS FOR STUDENTS OF PHYSICS AND RELATED FIELDS; SPRINGER SCIENCE+BUSINESS MEDIA, LLC; 2ND ED. (2009). H. SHIMA, AND T. NAKAYAMA; HIGHER MATHEMATICS FOR PHYSICS AND ENGINEERING; SPRINGER-VERLAG (2010).
NUMERICAL METHODS AND ALGORITHMS: W.H. PRESS, S.A. TEUKOLSKY, H.A. BETHE, W.T. VETTERLING, AND B.P. FLANNERY; NUMERICAL RECIPES - THE ART OF SCIENTIFIC COMPUTING; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 3RD ED. (2007). A HIGH-BIAS,LOW-VARIANCE INTRODUCTION TO MACHINE LEARNING FOR PHYSICISTS: P.METHA, M. BUKOV, C-H. WANG, A.G.R. DAY, C. RICHARDSON, C.K. FISHER, D.J. SCHWAB (HTTPS://ARXIV.ORG/ABS/1803.08823).
A STUDENT’S GUIDE TO QUANTUM COMPUTING (2025), STEFANO OLIVARES, LECTURE NOTES IN PHYSICS, SPRINGER CHAM, HTTPS://DOI.ORG/10.1007/978-3-031-83361-8
DISPENSE DEL DOCENTE SU MACHINE LEARNING.

	Altre Informazioni
	LA FREQUENZA DEL CORSO, PUR NON ESSENDO OBBLIGATORIA, È FORTEMENTE CONSIGLIATA. PER UNA PREPARAZIONE SODDISFACENTE SONO RICHIESTE, IN MEDIA, DUE ORE DI STUDIO PER CIASCUNA ORA DI LEZIONE SIA FRONTALE CHE DI LABORATORIO.

Orari Lezioni

BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2026-04-10]

Adolfo AVELLA | COMPUTAZIONE AVANZATA, QUANTISTICA E MACHINE LEARNING