Este projeto apresenta o protocolo de uma revisão de escopo dedicada a mapear o estado da arte das aplicações de Quantum Machine Learning (QML) no suporte à decisão clínica. O objetivo central é identificar e caracterizar as arquiteturas de algoritmos quânticos como VQC, QSVM, QNN e os métodos de codificação de dados utilizados para a detecção precoce e predição de diversas patologias.
Este projeto apresenta o protocolo de uma revisão de escopo dedicada a mapear o estado da arte das aplicações de Quantum Machine Learning (QML) no suporte à decisão clínica. O objetivo central é identificar e caracterizar as arquiteturas de algoritmos quânticos como VQC, QSVM, QNN e os métodos de codificação de dados utilizados para a detecção precoce e predição de diversas patologias.
Identificar, mapear, caracterizar e avaliar criticamente os algoritmos de Quantum Machine Learning, quânticos ou híbridos quântico-clássicos, aplicados em estudos primários com dados humanos reais de saúde para classificação diagnóstica ou predição clínica/prognóstica de doenças humanas, descrevendo os tipos de dados e as doenças avaliadas, as arquiteturas e formas de implementação, as estratégias de validação, as métricas de desempenho e a comparação com modelos clássicos quando disponíveis, além do risco de viés, da reprodutibilidade e do nível de maturidade clínica.
A energia eólica desempenha um papel fundamental na transição energética e na descarbonização global do setor energético. Para fortalecer sua eficiência, os parques eólicos demandam a implementação de estratégias de redução de custos, inovações na gestão da operação e manutenção, e monitoramento contínuo da condição das turbinas eólicas. Na literatura, são exploradas diversas metodologias no setor da energia eólica, abrangendo métodos de previsão da velocidade do vento, estimativa da potência gerada, diagnóstico e prognóstico de falhas. Uma estratégia essencial para auxiliar na tomada de decisão com base nos dados é a detecção de falhas, que identifica desvios do comportamento padrão dos componentes, evitando tempo de inatividade das turbinas eólicas e prevenindo danos colaterais em outros componentes. Nesse contexto, este estudo propõe a implementação de modelos para detecção de falhas de rolamentos, utilizando dados reais de vibração de um parque eólico localizado no Brasil. A abordagem adotada utiliza o Quantum Machine Learning (QML), um campo ainda pouco explorado na área de turbinas eólicas, que utiliza dos fenômenos da mecânica quântica como a superposição e emaranhamento para construção dos modelos. Para a detecção de falham foram considerados três tipos de modelos híbridos quântico-clássicos: Quantum support vector machine (QSVM), agrupamento espectral quântico (AEQ) e classificador quântico variacional. Os modelos foram treinados com atributos extraídos do sinal de vibração nos domínios do tempo, frequência e mecânico. Os resultados mostraram que o modelo de QSVM PauliFeatureMap-X apresentou desempenho igual ou superior aos modelos clássicos, com o valor de acurácia balanceada de 96,9%, 94,6% e 92,5% para os casos do rolamento da extremidade sem acionamento do gerador, rolamento principal e do rolamento do eixo de alta velocidade da caixa de engrenagens, respectivamente. Além disso, para o problema de agrupamento, os modelos de AEQ demonstraram uma performance superior em comparação aos modelos clássicos pela métrica da informação mútua normalizada. Os resultados demostram o potencial do QML para auxiliar na operação e manutenção de turbinas eólicas.
Quantum machine learning (QML) is a computational paradigm that seeks to apply quantum-mechanical resources to solve learning problems. As such, the goal of this framework is to leverage quantum processors to tackle optimization, supervised, unsupervised and reinforcement learning, and generative modeling-among other tasks-more efficiently than classical models. Here we offer a high level overview of QML, focusing on settings where the quantum device is the primary learning or data generating unit. We outline the field's tensions between practicality and guarantees, access models and speedups, and classical baselines and claimed quantum advantages-flagging where evidence is strong, where it is conditional or still lacking, and where open questions remain. By shedding light on these nuances and debates, we aim to provide a friendly map of the QML landscape so that the reader can judge when-and under what assumptions-quantum approaches may offer real benefits.
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.
Este estudo propõe uma revisão sistemática que analisa as aplicações e as perspectivas futuras da integração de redes neurais com computação quântica, com um foco especial no uso de um dos frameworks mais utilizados na literatura, o Qiskit. Ao explorar como o Qiskit é utilizado para potencializar essas integrações, esperamos proporcionar uma compreensão mais detalhada das capacidades emergentes e dos desafios enfrentados pelos pesquisadores na área. O estudo destaca resultados importantes para identificar os avanços atuais e futuros nestes campos.