Esta tese explora as interseções entre Aprendizado de Máquina e Informação Quântica, investigando como ferramentas de inteligência artificial podem ser aplicadas para resolver problemas fundamentais em sistemas quânticos complexos. O trabalho foca em dois desafios principais: a classificação de fases quânticas e a predição de sincronização quântica. Na classificação de fases quânticas, apresentamos três abordagens complementares. A primeira explora a independência de modelo, demonstrando como é possível treinar um classificador em dados provenientes de um modelo de Hamiltoniano e utilizá-lo para classificar fases em um modelo distinto. A segunda abordagem emprega algoritmos de Aprendizado de Máquina Quântico (QML) com seleção de atributos baseada na técnica SHAP (Shapley Additive Explanations), otimizando a escolha de features relevantes para melhorar a precisão dos classificadores. Por fim, introduzimos o uso de redes generativas adversárias (GANs) para criar dados sintéticos, permitindo ampliar e diversificar os conjuntos de dados e, assim, aumentar a eficiência e a precisão das classificações. No segundo desafio, a predição de sincronização quântica, aplicamos um algoritmo de aprendizado supervisionado para prever a ocorrência de sincronização ou antissincronização em sistemas quânticos. Baseando-nos em dados iniciais da evolução temporal do sistema, demonstramos como identificar padrões que indicam a dinâmica futura desses fenômenos com alta confiabilidade. Esta tese contribui apresentando soluções inovadoras e um conjunto abrangente de ferramentas que conectam inteligência artificial à compreensão de sistemas quânticos. Os resultados obtidos oferecem insights valiosos para a compreensão e manipulação desses sistemas.
Esta tese explora as interseções entre Aprendizado de Máquina e Informação Quântica, investigando como ferramentas de inteligência artificial podem ser aplicadas para resolver problemas fundamentais em sistemas quânticos complexos. O trabalho foca em dois desafios principais: a classificação de fases quânticas e a predição de sincronização quântica. Na classificação de fases quânticas, apresentamos três abordagens complementares. A primeira explora a independência de modelo, demonstrando como é possível treinar um classificador em dados provenientes de um modelo de Hamiltoniano e utilizá-lo para classificar fases em um modelo distinto. A segunda abordagem emprega algoritmos de Aprendizado de Máquina Quântico (QML) com seleção de atributos baseada na técnica SHAP (Shapley Additive Explanations), otimizando a escolha de features relevantes para melhorar a precisão dos classificadores. Por fim, introduzimos o uso de redes generativas adversárias (GANs) para criar dados sintéticos, permitindo ampliar e diversificar os conjuntos de dados e, assim, aumentar a eficiência e a precisão das classificações. No segundo desafio, a predição de sincronização quântica, aplicamos um algoritmo de aprendizado supervisionado para prever a ocorrência de sincronização ou antissincronização em sistemas quânticos. Baseando-nos em dados iniciais da evolução temporal do sistema, demonstramos como identificar padrões que indicam a dinâmica futura desses fenômenos com alta confiabilidade. Esta tese contribui apresentando soluções inovadoras e um conjunto abrangente de ferramentas que conectam inteligência artificial à compreensão de sistemas quânticos. Os resultados obtidos oferecem insights valiosos para a compreensão e manipulação desses sistemas.
A aprendizagem de máquina quântica é um campo em rápido crescimento e tem surgido como uma alternativa à aprendizagem de máquina clássica para impulsionar a busca por soluções eficientes para certos problemas. Além disso, o avanço da tecnologia em Computação Quân- tica trouxe possibilidades para a execução de algoritmos em dispositivos quânticos reais. Aqui, centramos nossa pesquisa no estudo de uma das tarefas mais comuns dentro da aprendizagem de máquina, a classificação supervisionada. Nos nossos estudos, limitamos a temática para os classificadores quânticos baseados em distância, visando a execução dos mesmos em disposi- tivos quânticos ruidosos de escala intermediária (Noisy Intermediate-Scale Quantum (NISQ)). Embora algoritmos quânticos anteriores para classificação baseada em distância tenham se mostrado promissores, muitos deles não são adequados com os dispositivos NISQ e não con- seguem lidar com problemas envolvendo múltiplas classes. O Hadamard Classifier (HC) é um modelo quântico de aprendizagem de máquina baseado em distância para reconhecimento de padrões. A partir dele, desenvolvemos dois classificadores quânticos baseados em distância para execução em dispositivos NISQ: o primeiro deles, Quantum One-Class Classifier (QOCC), é um modelo de classificação elementar. Nosso objetivo com o QOCC é oferecer um classi- ficador que consuma menos recursos computacionais quânticos, estando menos propenso aos erros provenientes de ruídos, ao mesmo tempo em que possui desempenho competitivo quando comparado a análogos clássicos. Os resultados obtidos nos experimentos com o QOCC foram promissores e confirmaram um desempenho equiparável tanto contra classificadores clássicos quanto contra o HC, mesmo usando menos qubits (bits quânticos) e menos operações quânti- cas. Em seguida, focamos nossos esforços em utilizar o QOCC como base para um classificador multiclasse. Nossa motivação para isso consistiu na carência desse tipo de classificador na li- teratura da aprendizagem de máquina quântica e na impossibilidade atual de executar, em dispositivos NISQ, algumas rotinas presentes nos classificadores multiclasse existentes. Propo- mos o quantum Variational Distance-based Centroid Classifier (qVDCC), que faz uso da teoria dos circuitos quânticos variacionais para, em um esquema híbrido de computação quântica- clássica, realizar a classificação de bases de dados multiclasse. Essa abordagem nos permitiu utilizar o maquinário bem-estabelecido da aprendizagem de máquina clássica para encontrar e otimizar centroides artificiais para as bases de dados que minimizassem suas distâncias para os demais dados da respectiva classe. Simulamos o funcionamento do qVDCC em dois ambientes distintos: primeiramente em uma simulação ideal (livre de erros); em seguida, em um uma simulação ruidosa que mimetiza um dispositivo NISQ. Mais uma vez, nossos resultados se mostraram promissores e competitivos em relação aos classificadores clássicos.
Dentre as frentes de desenvolvimento de tecnologias quânticas, está a exploração de novos materiais para se obter vantagens operacionais. Um primeiro passo para isso é a investi gação dos diagramas de fases de um modelo simplificado do material. Neste trabalho, aplicamos ferramentas de aprendizado de máquina supervisionado para classificar fases quânticas de três modelos de Hamiltonianos unidimensionais de spin1: a cadeia XXZ com anisotropia de íon único, a cadeia XXZ de ligação alternada e a cadeia bilinear biquadrática. Especificamente, consideramos os classificadores k-Nearest Neighbors e Random Forest, e os treinamos com dados de correlações de spins no estado fundamental de dois modelos de spin1 para classificar as fases do terceiro. Para todos os modelos, nos resultados obtidos para cadeias de 12 spins por diagonalização exata, ambos os métodos mostraram acurácias acima de 50% na classificação de fases presentes no treino. Nossos resultados sugerem que algoritmos de aprendizado de máquina podem ser ferramentas convenientes para construir uma rápida intuição sobre as transições e diagramas de fases de novos modelos.
A teoria dos algoritmos quânticos promete benefícios sem precedentes ao utilizar as leis da mecânica quântica para resolver certos problemas computacionais. Entretanto, alguns desafios impedem que tais vantagens se apliquem a todos os algoritmos quânticos. Entre esses desafios está o desenvolvimento de uma codificação eficiente de dados clássicos em um estado quântico. Em aplicações práticas, o custo para carregar a informação clássica em um dispositivo quân- tico pode dominar o custo computacional assintótico do algoritmo. Foram propostos diversos métodos baseados em circuitos para codificar dados clássicos nas amplitudes de probabilidade de um estado quântico. Entretanto, esses métodos produzem circuitos com complexidade que cresce linearmente com o tamanho do dado, anulando o benefício da aplicação quântica. O objetivo principal deste trabalho é reduzir a complexidade computacional dos circuitos para a inicialização de estados quânticos. As duas estratégias utilizadas para alcançar tal objetivo exploram a troca de complexidade temporal por espacial ou a transferência de complexidade computacional para um computador clássico. A primeira estratégia reinterpreta métodos al- gébricos para a decomposição de estados quânticos como caminhadas ao longo de árvores binárias. A segunda investiga o grau de emaranhamento de bipartições do estado quântico através da decomposição de Schmidt. Os métodos baseados em árvore alcançam uma redução exponencial na profundidade dos circuitos, em comparação às abordagens existentes. Os base- ados na decomposição de Schmidt produzem circuitos de complexidade variável, proporcional ao emaranhamento do estado. A perspectiva é que o resultado desta tese auxilie os profissionais da computação quântica durante a era dos dispositivos ruidosos de escala intermediária.
A computação quântica é uma área de pesquisa recente que engloba três áreas conhecidas: matemática, física e computação. Com as pesquisas na área de algoritmos\nquânticos veio a necessidade de entender e expressar tais algoritmos do ponto de vista de programação. Diversas linguagens e modelos para programação quântica de alto nível têm sido propostas nos últimos anos. A Mecânica Quântica (MQ) é um conjunto de regras matemáticas que servem para a construção de teorias físicas, desde a sua criação até os dias de hoje ela tem sido aplicada em diversos ramos. Neste contexto se desenvolveu a Computação Quântica, talvez a mais espetacular proposta de aplicação prática da MQ. A dificuldade de se desenvolver algoritmos quânticos propicia o uso de técnicas alternativas à solução de problemas puramente algorítmica, como por exemplo o aprendizado de máquinas e algoritmos genéticos. Carlo Trugenberger propõe um modelo de memória\nquântica associativa onde os padrões binários de n bits são armazenados em superposição com um subconjunto apropriado da base computacional de n qubits. Este modelo resolve o problema de escassez de capacidade bem conhecida da memória clássica associativa,provendo uma melhoria grande em capacidade. A distribuição proposta por Trugenberger usa a distância de Hamming, em que as amplitudes tem um pico nos padrões armazenados, que tem menor distância em relação à entrada. A precisão do reconhecimento de padrões pode ser ajustado por um parâmetro b, isto é, aumentando b aumenta a probabilidade\nde reconhecimento. Este trabalho analisa a diversidade genética das abelhas sem ferrão Melipona quinquefasciata, obtidas de várias colônias silvestres, em localidades distintas\nda Chapada do Araripe-CE, Chapada da Ibiapaba-CE, cidade do Canto do Buriti-PI e Luziânia-GO. As sequências de DNA foram transformados substituindo A por 00, G por 01, C por 10 e T por 11. Os resultados mostram que essa probabilidade é muito eficiente para reconhecer os padrões de sequências de DNA das abelhas sem ferrão Melipona quinquefasciata\ndas regiões 18S e ITS1 parcial. O algoritmo não é computacionalmente eficiente em um computador clássico, mas será extremamente eficiente em um computador quântico. Concluiu-se que este método de reconhecimento quântico de padrões é melhor que o método clássico utilizado por Pereira.
Redes Neurais Artificiais (RNA) têm sido utilizadas como modelos computacionais que aprendem a partir de um conjunto de dados e são capazes de extrapolar esse conhecimento a partir das generalizações inerentes ao seu processo de decisão. Com o crescimento da computação quântica como novo paradigma de processamento de informação, modelos quânticos de redes neurais têm sido propostos para coadunar os benefícios da computação quântica com os benefícios das RNAs. Os modelos quânticos de RNA existentes assumem a dificuldade de implementar a não-linearidade intrínseca dos neurônios que compõem a RNA, uma vez que tradicionalmente a computação quântica possui apenas operadores unitários. Há algumas propostas na literatura de modelos de neurônios que simulam essa não-linearidade, mas elas aparecem simulando alguma função não-linear específica, como a função de limiar ou arco-tangente. Há ainda as RNAs que possuem comportamento de memória associativa, fazendo a recuperação de informação a partir de uma entrada igual ou parecida com seus padrões armazenados. A implementação desses modelos envolve duas etapas, o processo de armazenamento e a recuperação de informação. Os modelos quânticos de memória associativa têm utilizado a superposição quântica para armazenamento e alguns modelos foram propostos para recuperação de informação. Nesse trabalho estendemos o funcionamento não-linear do Perceptron, permitindo que um neurônio quântico execute qualquer função não-linear discreta. O modelo proposto permite que o neurônio possa simular o comportamento dos neurônios clássicos assim como utilizar dos recursos intrínsecos da computação quântica como superposição e emaranhamento. Há também a proposição de um neurônio que possui memória interna e que pode armazenar informações de iterações anteriores a medida que ele é executado. Esse modelo permite incorporar informações espaço-temporais em seu modelo. Em termos de memórias associativas, propusemos a utilização de dois modelos de recuperação probabilística de informação, um não linear e outro linear, utilizando os algoritmos quânticos de Grover e transformada inversa de Fourier. Esse modelo de memória permite reconhecer informações óximas ou iguais ao conteúdo que está na memória e possui custo linear de operação.
Neste artigo, abordamos o campo emergente do aprendizado de máquina quântico (AMQ) e suas aplicações inovadoras. Exploramos uma visão geral das bases da mecânica quântica relevantes para o aprendizado de máquina, destacando como os princípios quânticos podem ser utilizados para processar informações de maneira mais eficiente em comparação às abordagens clássicas. Discutimos o passo a passo de um exemplo de algoritmo quântico utilizando Qiskit, comparando-o com seu análogo clássico. Abordamos as vantagens do AMQ, incluindo o potencial de aceleração em problemas de grande escala e a capacidade de lidar com dados altamente dimensionais. Por fim, são discutidos os desafios atuais e as perspectivas futuras do campo, enfatizando seu papel na transformação de diversos setores tecnológicos. Este artigo serve como uma introdução abrangente para aqueles interessados em explorar a interseção entre aprendizado de máquina e mecânica quântica, destacando as promissoras oportunidades que essa combinação oferece.