Quantum machine learning methods for anomaly detection in telecommunication and quantum compiling

This thesis explores the application of emerging technologies, such as artificial intelligence and quantum computing, in industrial telecommunications applications. The primary aim is to identify real-world industrial telecommunications problems more efficiently addressed using currently available quantum computers (QCs) than classical computers. By collaborating with Vista Technology SRL, the main sponsor of the research, we explored two classes of real-world telecommunications problems to determine the most promising areas for detecting a quantum advantage. Since the quantum hardware currently limits the problems that can be tackled, we additionally investigated the use of artificial intelligence, specifically reinforcement learning (RL) techniques, to enhance quantum computation by developing and patenting a method for real-time compilation of quantum circuits and controlling the hardware more effectively. Such an approach aims to allow industrially relevant problems to be addressed sooner, and to gain a deeper understanding of the capabilities and limitations of current quantum hardware. Our research identified anomaly detection and adiabatic computers as the most promising class of problems and quantum hardware for detecting a quantum advantage in real-world telecommunications problems. As a prominent example, we used Quantum Restricted Boltzmann Machines (QRBMs) as Network Intrusion Detection Systems, detecting a quantum speed-up up to 41 times faster than a 128-core CPU, demonstrating that quantum speed-up already emerges in current hardware on real-world problems.

Questa tesi esplora l'applicazione di tecnologie emergenti, come l'intelligenza artificiale e l'informatica quantistica, per applicazioni industriali nel campo delle telecomunicazioni. L'obiettivo principale è identificare i problemi industriali reali di telecomunicazione che possono essere affrontati in modo più efficiente utilizzando i computer quantistici (QC) attualmente disponibili rispetto ai computer classici. In collaborazione con Vista Technology SRL, lo sponsor principale della ricerca, abbiamo esplorato due classi di problemi di telecomunicazioni per determinare le aree più promettenti al fine di individuare un vantaggio quantistico. Poiché oggi l'hardware quantistico limita i problemi che possono essere affrontati, abbiamo studiato anche l'uso dell'intelligenza artificiale, in particolare le tecniche di apprendimento per rinforzo (RL), per migliorare la computazione quantistica, sviluppando e brevettando un metodo per la compilazione in tempo reale di circuiti quantistici, controllando l'hardware in modo più efficace. Questo approccio mira a consentire di affrontare prima problemi di rilevanza industriale e ad acquisire una comprensione più approfondita delle capacità e dei limiti dell'attuale hardware quantistico. La nostra ricerca ha identificato il campo dell'anomaly detection e dei computer adiabatici, rispettivamente com la classe di problemi e l'hardware quantistico più promettenti per rilevare un vantaggio quantistico nei problemi di telecomunicazione del mondo reale. Come esempio di spicco, abbiamo utilizzato le Quantum Restricted Boltzmann Machines (QRBM) come sistemi di rilevamento delle intrusioni di rete, rilevando una velocità quantistica fino a 41 volte superiore a quella di una CPU a 128 core, dimostrando come una quantum speed-up emerga già nell'hardware attuale in problemi reali.