Utente:Erostrato/Giuseppe Carleo
Giuseppe Carleo (nato nel 1984 ) è un fisico italiano. È professore di fisica computazionale all'EPFL (Politecnico Federale di Losanna) e direttore del Laboratorio CQSL (Computational Quantum Science Laboratory). [1] [2]
Carriera
modificaCarleo ha studiato fisica all'Università La Sapienza di Roma e nel 2011 ha conseguito il dottorato di ricerca in fisica teorica presso la Scuola Internazionale di Studi Avanzati sotto la supervisione di Stefano Baroni. La sua tesi su "Proprietà spettrali e dinamiche di sistemi fortemente correlati" è stata dedicata a nuove tecniche di simulazione numerica per lo studio di sistemi di materia condensata, come il Monte Carlo variazionale dipendente dal tempo. [3]
Come Marie Curie Fellow è entrato a far parte dell'École supérieure d'optique per lavorare nel laboratorio diretto dal premio Nobel Alain Aspect su modelli teorici e simulazioni di sistemi atomici ultra-freddi. [4] Nel 2015 è andato a lavorare con il gruppo di Matthias Troyer all'ETH di Zurigo dove in seguito è diventato docente di fisica quantistica computazionale. [5] [6] Qui ha studiato l'idea di rappresentare sistemi quantistici complessi utilizzando reti neurali artificiali e tecniche di apprendimento automatico, sviluppando una famiglia di stati variazionali noti come stati quantistici di reti neurali . Nel 2018, come ricercatore e capo progetto, è entrato a far parte del Center for Computational Quantum Physics presso il Flatiron Institute della Simons Foundation di New York City . [7] Qui è diventato membro di un team di ricercatori che sviluppano metodi numerici all'intersezione tra apprendimento automatico e scienza quantistica. [8] [9] Dal 2018 guida il progetto open source NetKet. [10]
Dal 2020 è professore assistente di ruolo di informatica quantistica presso l' EPFL e capo del Laboratorio di scienze quantistiche computazionali presso la Scuola di scienze di base dell'EPFL. [1] [2] [11]
Ricerca
modificaL'obiettivo principale di Carleo è lo sviluppo di metodi nella scienza computazionale per studiare problemi impegnativi che coinvolgono sistemi quantistici fortemente interagenti e calcolo quantistico .
Nel 2016, ha introdotto una rappresentazione di funzioni d'onda quantistiche a molte particelle basate su reti neurali artificiali . Questo approccio è noto come stati quantistici neuronali [12] e costituisce una delle prime applicazioni delle tecniche di apprendimento automatico nella moderna fisica quantistica a molti corpi. Un'applicazione di questa rappresentazione [13] è ad esempio utilizzata per la tomografia quantistica di atomi di Rydberg interagenti. [14]
Nel 2011, ha anche co-sviluppato il metodo Monte Carlo variazionale dipendente dal tempo [15] una tecnica per simulare la dinamica dei sistemi quantistici utilizzando il metodo Monte Carlo variazionale . Questo approccio viene utilizzato ad esempio per simulare la dinamica di modelli quantistici interagenti bidimensionali. [16] [17]
Carleo ha anche contribuito allo sviluppo di algoritmi quantistici, specialmente nel contesto della simulazione quantistica variazionale. [18]
La sua ricerca è stata pubblicata su testate giornalistiche come Repubblica[19], New Scientist, [20] Ars Technica, [21] Physics World, [22] Chemistry World, [23] e Vice . [24] Alcune delle sue lezioni sono disponibili anche su YouTube. [25]
Distinzioni
modificaÈ un accademico della ELLIS Society (dal 2020) [26] e membro del comitato editoriale di Machine Learning Science and Technology (dal 2019). [27]
Opere selezionate
modifica- (EN) Solving the quantum many-body problem with artificial neural networks, vol. 355, DOI:10.1126/science.aag2302.
- (EN) Neural-network quantum state tomography, vol. 14, DOI:10.1038/s41567-018-0048-5.
- (EN) Machine learning and the physical sciences, vol. 91, DOI:10.1103/RevModPhys.91.045002.
- (EN) Localization and Glassy Dynamics Of Many-Body Quantum Systems, vol. 2, DOI:10.1038/srep00243.
- (EN) Quantum Natural Gradient, vol. 4, DOI:10.22331/q-2020-05-25-269.
- Neural-Network Approach to Dissipative Quantum Many-Body Dynamics, vol. 122, DOI:10.1103/PhysRevLett.122.250502.
- Constructing exact representations of quantum many-body systems with deep neural networks, vol. 9, DOI:10.1038/s41467-018-07520-3.
- Restricted Boltzmann machines in quantum physics, vol. 15, DOI:10.1038/s41567-019-0545-1.
- Fermionic neural-network states for ab-initio electronic structure, vol. 11, DOI:10.1038/s41467-020-15724-9.
Riferimenti
modifica
- ^ a b (EN) www.epfl.ch, https://www.epfl.ch/labs/cqsl/people/. URL consultato il 9 aprile 2021.
- ^ a b www.ethrat.ch, https://www.ethrat.ch/en/media/releases/appointments-may20. URL consultato il 9 aprile 2021.
- ^ iris.sissa.it, https://iris.sissa.it/handle/20.500.11767/4289. URL consultato il 9 aprile 2021.
- ^ cordis.europa.eu, https://cordis.europa.eu/project/id/327143.
- ^ vvz.ethz.ch, http://www.vvz.ethz.ch/Vorlesungsverzeichnis/lerneinheit.view?lerneinheitId=113081&semkez=2017S&lang=en.
- ^ (DE) www.spektrum.de, https://www.spektrum.de/news/neuronale-netze-als-quantensimulator/1437914. URL consultato il 17 maggio 2021.
- ^ simonsfoundation.org, https://www.simonsfoundation.org/people/giuseppe-carleo/.
- ^ DOI:10.1146/knowable-082720-1, https://oadoi.org/10.1146/knowable-082720-1.
- ^ vol. 91, DOI:10.1103/RevModPhys.91.045002, https://oadoi.org/10.1103/RevModPhys.91.045002.
- ^ www.netket.org, https://www.netket.org/. URL consultato il 9 aprile 2021.
- ^ Inside IT, https://www.inside-it.ch/de/post/das-kommen-und-gehen-von-it-profs-an-den-eths-20200514. URL consultato il 17 maggio 2021.
- ^ (EN) Solving the quantum many-body problem with artificial neural networks, in Science, vol. 355, n. 6325, 10 febbraio 2017, pp. 602–606, DOI:10.1126/science.aag2302.
- ^ Neural-network quantum state tomography, in Nature Physics, vol. 14, n. 5, 1º maggio 2018, pp. 447–450, DOI:10.1038/s41567-018-0048-5.
- ^ Integrating Neural Networks with a Quantum Simulator for State Reconstruction, in Physical Review Letters, vol. 123, n. 23, 6 dicembre 2019, p. 230504, DOI:10.1103/PhysRevLett.123.230504.
- ^ vol. 2, DOI:10.1038/srep00243, https://oadoi.org/10.1038/srep00243.
- ^ vol. 125, DOI:10.1103/PhysRevLett.125.100503, https://oadoi.org/10.1103/PhysRevLett.125.100503.
- ^ vol. 6, DOI:10.1038/srep38185, https://oadoi.org/10.1038/srep38185.
- ^ vol. 4, DOI:10.22331/q-2020-05-25-269, https://oadoi.org/10.22331/q-2020-05-25-269.
- ^ La meccanica quantistica è troppo difficile per l'intelligenza umana. Ora arriva quella artificiale, su repubblica.it.
- ^ (EN) New Scientist, https://www.newscientist.com/article/2120856-ai-learns-to-solve-quantum-state-of-many-particles-at-once/. URL consultato il 9 aprile 2021.
- ^ (EN) Ars Technica, https://arstechnica.com/science/2017/02/neural-network-trained-to-solve-quantum-mechanical-problems/. URL consultato il 9 aprile 2021.
- ^ (EN) Physics World, https://physicsworld.com/a/a-machine-learning-revolution/. URL consultato il 9 aprile 2021.
- ^ (EN) Chemistry World, https://www.chemistryworld.com/news/quantum-chemistry-simulations-offers-beguiling-possibility-of-solving-chemistry/4011541.article. URL consultato il 9 aprile 2021.
- ^ (EN) www.vice.com, https://www.vice.com/en/article/vvxgja/machine-learning-quantum-physics-perimeter-institute-roger-melko. URL consultato il 9 aprile 2021.
- ^ (EN) https://www.youtube.com/watch?v=dTmh7t0rFwk.
- ^ (EN) European Lab for Learning & Intelligent Systems, http://ellis.eu/fellows. URL consultato il 9 aprile 2021.
- ^ iopscience.iop.org, https://iopscience.iop.org/journal/2632-2153/page/editorial-board. URL consultato il 9 aprile 2021.
Link esterni
modifica- Pubblicazioni di Giuseppe Carleo indicizzate da Google Scholar
- Sito web del Laboratorio di scienze quantistiche computazionali