Quantum computing is attracting growing interest in the research community due to its potential to accelerate the solution of computationally demanding problems. In this thesis, we investigate the use of Quantum Neural Networks (QNNs) as nonlinear approximators within the Wave Digital Filter (WDF) framework for virtual analog audio modeling, i.e., the practice of digitally emulating analog audio gear. In fact, the nonlinearities characterizing audio circuits often lead to complex input–output relationships that may represent a computational bottleneck in real-time implementations. To tackle such a problem, with a view toward the future availability of quantum hardware for digital audio effects, we propose to model the nonlinear scattering relation of a nonlinear WDF element with a trainable QNN operating directly in the wave domain. The approach is validated through the emulation of the Fulltone OCD overdrive pedal, and compared to state-of-the-art methodologies employing Multi-Layer Perceptrons (MLPs) as nonlinear regressors. The results demonstrate that a compact QNN can accurately reproduce the nonlinear wave-domain characteristic and can be successfully integrated into a complete WDF framework, yielding output waveforms and spectra in close agreement with a Simscape reference model. However, no practical computational advantage over the considered MLP baseline is observed for the low-dimensional regression task addressed in this work due to the time needed to simulate the behavior of a variational quantum circuit on standard hardware. These findings demonstrate the feasibility of employing Quantum Neural Networks within Wave Digital Filters for nonlinear circuit emulation and provide a foundation for future investigations of quantum machine learning techniques in virtual analog audio modeling.

Il calcolo quantistico sta suscitando un interesse crescente nella comunità scientifica grazie al suo potenziale nel velocizzare la risoluzione di problemi computazionalmente complessi. In questa tesi viene investigato l'impiego delle Quantum Neural Networks (QNN) come approssimatori di elementi non lineari all'interno del framework delle Wave Digital Filters (WDF) per il virtual analog audio modeling, ossia la pratica di emulare digitalmente dispositivi audio analogici. Le non linearità presenti nei circuiti audio danno infatti origine a relazioni ingresso–uscita complesse, che possono rappresentare un collo di bottiglia computazionale nelle implementazioni in tempo reale. Per affrontare questo problema, e in prospettiva di una futura maggiore disponibilità dell'hardware quantistico nell'ambito dell'elaborazione audio digitale, viene proposta una metodologia che consiste nel modellare la relazione di scattering di un elemento non lineare WDF mediante una QNN addestrabile operante direttamente nel dominio delle onde. L'approccio viene validato attraverso l'emulazione del pedale overdrive Fulltone OCD e confrontato con metodologie allo stato dell'arte basate sull'impiego di Multi-Layer Perceptrons (MLP) come regressori non lineari. I risultati mostrano che una QNN compatta è in grado di riprodurre accuratamente la caratteristica non lineare nel dominio delle onde e di essere integrata con successo all'interno di una struttura WDF completa, generando forme d'onda e contenuti spettrali in buon accordo con un modello di riferimento realizzato in Simscape. Tuttavia, per il problema di regressione a bassa dimensionalità considerato in questo lavoro, non emergono vantaggi computazionali pratici rispetto al modello MLP utilizzato come termine di confronto, principalmente a causa del costo computazionale richiesto dalla simulazione del comportamento di un circuito quantistico variazionale su hardware classico. Nel complesso, il lavoro dimostra la fattibilità dell'integrazione di Quantum Neural Networks all'interno del framework delle Wave Digital Filters per l'emulazione di circuiti non lineari e pone le basi per future ricerche sull'applicazione delle tecniche di quantum machine learning al virtual analog audio modeling.

A preliminary study on quantum neural networks for virtual analog modeling

MACRI', CARLO
2025/2026

Abstract

Quantum computing is attracting growing interest in the research community due to its potential to accelerate the solution of computationally demanding problems. In this thesis, we investigate the use of Quantum Neural Networks (QNNs) as nonlinear approximators within the Wave Digital Filter (WDF) framework for virtual analog audio modeling, i.e., the practice of digitally emulating analog audio gear. In fact, the nonlinearities characterizing audio circuits often lead to complex input–output relationships that may represent a computational bottleneck in real-time implementations. To tackle such a problem, with a view toward the future availability of quantum hardware for digital audio effects, we propose to model the nonlinear scattering relation of a nonlinear WDF element with a trainable QNN operating directly in the wave domain. The approach is validated through the emulation of the Fulltone OCD overdrive pedal, and compared to state-of-the-art methodologies employing Multi-Layer Perceptrons (MLPs) as nonlinear regressors. The results demonstrate that a compact QNN can accurately reproduce the nonlinear wave-domain characteristic and can be successfully integrated into a complete WDF framework, yielding output waveforms and spectra in close agreement with a Simscape reference model. However, no practical computational advantage over the considered MLP baseline is observed for the low-dimensional regression task addressed in this work due to the time needed to simulate the behavior of a variational quantum circuit on standard hardware. These findings demonstrate the feasibility of employing Quantum Neural Networks within Wave Digital Filters for nonlinear circuit emulation and provide a foundation for future investigations of quantum machine learning techniques in virtual analog audio modeling.
ING - Scuola di Ingegneria Industriale e dell'Informazione
21-lug-2026
2025/2026
Il calcolo quantistico sta suscitando un interesse crescente nella comunità scientifica grazie al suo potenziale nel velocizzare la risoluzione di problemi computazionalmente complessi. In questa tesi viene investigato l'impiego delle Quantum Neural Networks (QNN) come approssimatori di elementi non lineari all'interno del framework delle Wave Digital Filters (WDF) per il virtual analog audio modeling, ossia la pratica di emulare digitalmente dispositivi audio analogici. Le non linearità presenti nei circuiti audio danno infatti origine a relazioni ingresso–uscita complesse, che possono rappresentare un collo di bottiglia computazionale nelle implementazioni in tempo reale. Per affrontare questo problema, e in prospettiva di una futura maggiore disponibilità dell'hardware quantistico nell'ambito dell'elaborazione audio digitale, viene proposta una metodologia che consiste nel modellare la relazione di scattering di un elemento non lineare WDF mediante una QNN addestrabile operante direttamente nel dominio delle onde. L'approccio viene validato attraverso l'emulazione del pedale overdrive Fulltone OCD e confrontato con metodologie allo stato dell'arte basate sull'impiego di Multi-Layer Perceptrons (MLP) come regressori non lineari. I risultati mostrano che una QNN compatta è in grado di riprodurre accuratamente la caratteristica non lineare nel dominio delle onde e di essere integrata con successo all'interno di una struttura WDF completa, generando forme d'onda e contenuti spettrali in buon accordo con un modello di riferimento realizzato in Simscape. Tuttavia, per il problema di regressione a bassa dimensionalità considerato in questo lavoro, non emergono vantaggi computazionali pratici rispetto al modello MLP utilizzato come termine di confronto, principalmente a causa del costo computazionale richiesto dalla simulazione del comportamento di un circuito quantistico variazionale su hardware classico. Nel complesso, il lavoro dimostra la fattibilità dell'integrazione di Quantum Neural Networks all'interno del framework delle Wave Digital Filters per l'emulazione di circuiti non lineari e pone le basi per future ricerche sull'applicazione delle tecniche di quantum machine learning al virtual analog audio modeling.
File allegati
File Dimensione Formato  
2026_07_Macrì_Tesi.pdf

non accessibile

Descrizione: Tesi
Dimensione 3.96 MB
Formato Adobe PDF
3.96 MB Adobe PDF   Visualizza/Apri
2026_07_Macrì_ExecutiveSummary.pdf

non accessibile

Descrizione: Executive Summary
Dimensione 1.4 MB
Formato Adobe PDF
1.4 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261162