Questo lavoro esplora l'intersezione tra il quantum computing e il machine learning, con particolare enfasi sull'indagine delle potenzialità degli algoritmi ibridi quantistico-classici in problemi di modellazione generativa. Il lavoro fornisce in prima battuta una panoramica dello stato attuale dei dispositivi quantistici Noisy Intermediate-Scale Quantum (NISQ), considerando le difficoltà ingegneristiche relative al rumore degli attuali dispositivi quantistici e al numero limitato di qubit disponibili. Successivamente, viene stabilita una solida base matematica dei principi del calcolo quantistico, coprendo concetti fondamentali come qubit, sovrapposizione, entanglement e quantum gates. Sulla base di questa comprensione, lo studio indaga la struttura e i metodi di training dei Circuiti Quantistici Parametrizzati (PQCs), evidenziando la loro versatilità nei campi del machine learning e dell'ottimizzazione.