Cerca

Quantum Computing

COME UTILIZZARE IL QUANTUM COMPUTING?

USE CASE REPLY IN VIA DI SVILUPPO

Reply approfondisce le potenzialità dei Quantum Computers e dei Quantum Algorithms per trovare soluzioni a problemi prima irrisolvibili.

OTTIMIZZAZIONE DELLA LINEA DI PRODUZIONE
con il Quantum Computing

L’utilizzo dell’Accelerated Computing consente di gestire e risolvere in near real time le problematiche legate a vincoli e priorità di lavorazione su complesse linee di produzione.


SCENARIO

Nell’industria manifatturiera le linee produttive sono composte da diverse macchine, ognuna delle quali assolve un particolare e specifico task.

Un prodotto in lavorazione completa il suo ciclo produttivo soltanto quando ha attraversato, con un ordine ben definito, le macchine della linea di produzione. Il setup delle macchine può variare a seconda della lavorazione di prodotti differenti.

Ciascun prodotto ha un diverso tempo di lavorazione e ordine di ingresso in ogni singola macchina. Oltre a queste variabili, eventi esterni e problematiche legate alla linea di produzione possono richiedere una modifica del piano di lavoro.

Per ottimizzare l’intera catena di produzione in termini di priorità e tempi è indispensabile trovare il giusto ordine per la lavorazione dei diversi prodotti e poter gestire in tempo reale eventuali criticità.

SFIDA E SOLUZIONE

La complessità delle diverse linee produttive, la quantità di setup, le priorità di produzione e i vincoli legati alle singole lavorazioni costituiscono un’enorme quantità di variabili nella modellizzazione del problema, rendendo la risoluzione molto complessa, soprattutto da un punto di vista computazionale. Si rende necessario l’uso di specifici ‘solver’ di ottimizzazione in grado di risolvere problemi con alta dimensionalità in brevissimo tempo.

Questo tipo di ottimizzazione viene modellizzato come Job Scheduling Problem (JSP).

BENEFICI DEL QUANTUM

L’uso del Quantum permette di gestire complesse linee produttive nel rispetto dei vincoli di lavorazione e priorità, senza impattare sul tempo di risoluzione del problema.

Le tecnologie quantistiche permettono di riprogrammare in ‘near real time’ il planning di lavoro di un’intera linea di produzione, gestendo in contemporanea le diverse macchine.

GESTIONE DEL PORTAFOGLIO
con Algoritmi Quantistici

La tecnologia quantistica abilita una nuova modalità di selezione del miglior portfolio scegliendo da una lista di possibili stock e rispettando le regole definite dal cliente.


SCENARIO

In ambito finanziario uno dei problemi ricorrenti è la massimizzazione del profitto ottenibile da ogni portafoglio con regole e obiettivi forniti dal cliente.

Uno dei modi per ottenere questo risultato consiste nella diversificazione di un portafoglio di titoli, riducendo così la rischio del suo rendimento. Il rischio è legato alla presenza di più attività finanziarie i cui rendimenti non sono perfettamente correlati, all’interno del portafoglio stesso.

Per diversificare un portafoglio si deve cercare, dato un insieme di titoli, il più grande sottoinsieme di titoli che non siano correlati tra di loro. Per risolvere tale problema si utilizzano delle operazioni di selezione binaria che permettono di individuare la soluzione ottimale.

SFIDA E SOLUZIONE

All’aumentare della dimensione del portafoglio cresce anche la complessità del problema, portando ad un eccessivo aumento dei tempi di elaborazione da parte dei computer tradizionali.

L'algoritmo di ottimizzazione quantistica di diversificazione del portfolio è modellizzato attraverso il WMIS (Weighted Maximum Independent Set).

BENEFICI DEL QUANTUM

Le tecnologie quantistiche forniscono una notevole accelerazione al processo di scelta delle giuste opzioni di portfolio e grazie alla combinazione di tecniche esistenti, è possibile eseguire rapidamente calcoli che richiederebbero lunghi tempi di elaborazione.

RILEVAMENTO DEL GUASTO
con il Quantum Computing

Un Deep Neural Network ‘allenato’ con uno stadio computazionale Quantistico è in grado di individuare le anomalie sui prodotti provenienti da una linea di produzione.


SCENARIO

Rilevare difetti e anomalie all’interno delle linee di produzione è spesso fondamentale per prevenire l'insoddisfazione dei clienti e perfino danni alle linee stesse.

Per garantire un elevato standard qualitativo si effettua quindi un monitoraggio costante dei processi. In passato questo lavoro era svolto manualmente mentre oggi può avvienire in modo automatizzato grazie a strumenti di elaborazione immagini e algoritmi di Machine Learning.

Il passaggio dai controlli manuali a quelli automatizzati consente di ridurre tempi e costi: mentre un addetto può eseguire le ispezioni solo ad una determinata velocità, con l’ausilio di tecniche di Machine Learning i controlli sono eseguiti in maniera molto più rapida.

Le tecniche di elaborazione immagini e di Machine Learning che permettono di automatizzare il controllo qualità richiedono un’altissima precisione di classificazione.

SFIDA E SOLUZIONE

Una classificazione errata potrebbe permettere a un prodotto non idoneo di proseguire nel processo di lavorazione portando a un prodotto finale scadente o addirittura a danni alla linea di produzione stessa.

Gli algoritmi utilizzati ai fini della classificazione sono di tipo Deep Learning e, per ottenere risultati soddisfacenti, necessitano di lunghi tempi di ‘allenamento’.

Le reti neurali costruite con algoritmi quantistici, denominate Quantum Neural Network (QNN), sono estremamente più veloci.

BENEFICI DEL QUANTUM

Le tecnologie quantistiche vengono utilizzate per accelerare la formazione di reti neurali profonde, che solitamente rappresentano un collo di bottiglia a causa del tempo di elaborazione richiesto dai computer classici.

Un Deep Neural Network ‘allenato’ con uno stadio computazionale quantistico è in grado di individuare le anomalie sui prodotti provenienti da una linea di produzione.

OTTIMIZZARE LO SCHEDULING DEI TRASPORTI
per le Ferrovie

La pianificazione del traffico ferroviario all’interno delle stazioni è una tematica di interesse per i gestori delle infrastrutture ferroviarie.


SCENARIO

La pianificazione del traffico ferroviario all’interno delle stazioni è una tematica di interesse per i gestori delle infrastrutture ferroviarie.

I numerosi treni in transito, in arrivo e in partenza, l’insieme dei binari disponibili per la fermata dei convogli e l’ingente numero di passeggeri coinvolti quotidianamente, sono variabili che comportano una situazione complessa da gestire.

L’ottimizzazione del processo di scheduling dei trasporti ha il duplice fine sia di aiutare i passeggeri nel transito all’interno della stazione, sia di ottimizzare le risorse che la stazione mette a disposizione per la preparazione e manutenzione dei treni.

SFIDA E SOLUZIONE

La natura combinatoria del problema e il numero di attori e variabili di cui tener conto rendono la risoluzione del modello complessa dal punto di vista computazionale. E’ necessario trovare una soluzione ottimizzata su tutte le stazioni della rete.

Questo tipo di ottimizzazione viene modellizzato come Train Platforming Problem (TPP).

BENEFICI DEL QUANTUM

L’uso di tecnologie quantistiche apporta un beneficio notevole: i processori quantistici possono gestire un numero di variabili combinatorie estremamente alto e con tempi di elaborazione decisamente ridotti, ben al di là delle possibilità dei computer attuali. Questo permette di ottimizzare l’intera rete di stazioni ferroviarie riducendo significativamente l’impatto dei ritardi sulla qualità del servizio.

L’effetto network dell’intera infrastruttura ferroviaria è massimizzato e si abbattono i ritardi sui convogli in coincidenza oraria.