A área de visão computacional impacta diretamente diversas atividades cotidianas como reconhecimento facial e detecção de objetos. A Computação Quântica trouxe avanços em áreas como criptografia, contudo, as vantagens de sua utilização não são claras em outros contextos. Embora haja evidências que modelos quânticos necessitem de um menor número de parâmetros e treinamento para alcançarem desempenho similar aos modelos clássicos, poucos trabalhos na literatura mostram sua aplicação em conjuntos de dados mais complexos. Apresenta-se um modelo híbrido com, aproximadamente, 94% de acurácia no conjunto de dados MNIST.
A área de visão computacional impacta diretamente diversas atividades cotidianas como reconhecimento facial e detecção de objetos. A Computação Quântica trouxe avanços em áreas como criptografia, contudo, as vantagens de sua utilização não são claras em outros contextos. Embora haja evidências que modelos quânticos necessitem de um menor número de parâmetros e treinamento para alcançarem desempenho similar aos modelos clássicos, poucos trabalhos na literatura mostram sua aplicação em conjuntos de dados mais complexos. Apresenta-se um modelo híbrido com, aproximadamente, 94% de acurácia no conjunto de dados MNIST.
A computação quântica é considerada uma possível substituta da computação clássica em certas tarefas e problemas, e isso leva a proposição de versões quânticas de algoritmos e métodos convencionais, e isso é algo que ainda requer muita pesquisa. Neste contexto, este trabalho tem como principal objetivo verificar a acurácia de um Support Vector Machine (SVM) quântico de classificação binária e comparar com sua contraparte clássica, a fim de explorar seu funcionamento, verificando suas limitações e possíveis parâmetros a serem modificados. Para tal finalidade, gerou-se conjuntos de dados artificiais de estruturas únicas e valores de diferentes tipos em termos de qualidade, por exemplo. Aplicou-se o SVM clássico nestes conjuntos para extrair os dados acerca de seu funcionamento e resultados. Montou-se posteriormente o SVM quântico, implementado em forma de circuito quântico, e empregou-se o algoritmo para classificação dos mesmos conjuntos de dados, de forma simulada e mais tarde, num processador quântico real. Extraiu-se os dados de funcionamento e resultados de ambas execuções, para que se comparasse com os dados do SVM clássico, estes resultados numéricos foram o F1-Score, Recall Score, Curva ROC e teste de McNemar. Após análise e conclusão prévia, indagou-se a estrutura do circuito e código do SVM quântico, a fim de pontuar não só os conjuntos de dados mais compatíveis com sua estrutura, como também possíveis hiperparâmetros a serem ajustados, ou estruturas a serem removidas, adicionadas ou modificadas.
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.
A Computação Quântica é um tópico relativamente recente e pouco conhecido, principalmente no meio da Computação.Seu estudo surgiu na tentativa de físicos simularem sistemas regidos pela Mecânica Quântica por computadores clássicos, o que se conjecturou inviável.Portanto, um novo modelo computacional que utiliza a estrutura quântica da matéria para computar foi teorizado para suprir estas deficiências.Este trabalho tem como objetivo principal estudar as influências da Computação Quântica na Teoria da Computação.Para atingir tal objetivo, primeiramente são expostos os conhecimentos básicos da Mecânica Quântica através de uma linguagem voltada para Teóricos de Computação sem conhecimento prévio na área, de forma a remover a barreira inicial sobre o tema.Em seguida, serão apresentadas inovações na área da Teoria de Computação oriundas da Computação Quântica.Começaremos com os principais Algoritmos Quânticos desenvolvidos até hoje, que foram os primeiros passos para demonstrar a possível superioridade computacional do novo modelo.Dentre estes algoritmos, apresentaremos o famoso Algoritmo de Shor, que fatora números em tempo polinomial.Adicionalmente, neste trabalho foram estudados tópicos mais avançados e atuais em Computabilidade e Complexidade Quânticas.Sobre Autômatos Quânticos, foram estudados aspectos de um modelo que mistura estados clássicos e quânticos, focando na comparação do poder computacional em relação aos Autômatos Finitos Clássicos.Do ponto de vista de Classes de Complexidade, será abordada a questão se em linguagens da classe QMA, o análogo quântico da classe NP, consegue-se atingir probabilidade de erro nulo na aceitação de instâncias positivas.
Introdução: A computação quântica representa uma mudança fundamental em relação à computação clássica, ao utilizar princípios da mecânica quântica como superposição, emaranhamento e interferência. Desde as propostas iniciais de Feynman e Deutsch, a área tem avançado significativamente, embora ainda enfrente grandes desafios técnicos e conceituais para sua consolidação. Objetivo: analisar os principais desafios envolvidos no desenvolvimento da computação quântica e suas aplicações práticas potenciais, com destaque para os campos da criptografia, otimização, simulação de sistemas físicos e aprendizado de máquina. Metodologia: Consistiu-se na utilização de bases de dados eletrônicas mediante a realização de uma revisão integrativa da literatura e de um estudo descritivo com enfoque qualitativo. Tal processo foi conduzido a partir da seleção de artigos disponíveis na Scientific Electronic Library (SciELO), seguindo critérios de inclusão que priorizaram publicações dos últimos quatro anos, voltadas especificamente para estudos relacionados à computação quântica, com foco em avanços tecnológicos, gargalos técnicos e perspectivas futuras. Resultados e Discussão: Percebeu-se que a computação quântica tem avançado, mas ainda enfrenta desafios significativos. Na simulação de sistemas físicos e químicos, ela pode modelar moléculas complexas com grande precisão, beneficiando áreas como a farmacologia e a engenharia de materiais. Em otimização e logística, a computação quântica pode oferecer soluções mais rápidas para problemas de alocação e roteamento. Já na inteligência artificial, estudos sugerem que técnicas quânticas podem acelerar o processamento de dados e o treinamento de modelos, potencializando o desempenho de sistemas de aprendizado. Considerações: Apesar de ainda estar em estágio experimental, a computação quântica avança rapidamente e apresenta um enorme potencial disruptivo. No entanto, para que isso se concretize, será necessário superar desafios tecnológicos consideráveis por meio da colaboração entre universidades, empresas e governos.
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.
Inspiradas pelas Convolutional Neural Networks, as Quantum Convolutional Neural Networks exploram a aplicação de computação quântica em problemas de aprendizado de máquina visando alcançar melhor desempenho de classificação e convergência mais rápida. Considerando a escalabilidade limitada de circuitos quânticos, propõe-se um modelo híbrido para a classificação de imagens coloridas utilizando menor número de qubits e de circuitos em relação a outros modelos da literatura. O modelo proposto apresenta métricas de desempenho competitivas com modelos clássicos e menor variabilidade em seu treinamento, produzindo evidências de possíveis benefícios no uso da computação quântica na área de aprendizado de máquina.