Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

Algoritmos de Quantum Machine Learning em dados humanos reais de saúde para classificação diagnóstica e predição clínica/prognóstica: revisão sistemática de aplicações, validação, desempenho e comparação com modelos clássicos

José Uitelo Menezes Gomes, Thiago Queiroz da Silva, John Hebert da Silva Félix

Published Jul 21, 2026• 0 citations
Publisher

Abstract

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.

DOI
10.17605/osf.io/4cv3d

Related papers

Algoritmos de Quantum Machine Learning em dados humanos reais de saúde para classificação diagnóstica e predição clínica/prognóstica: revisão sistemática de aplicações, validação, desempenho e comparação com modelos clássicos

José Uitelo Menezes Gomes

Este projeto apresenta o protocolo de uma revisão sistemática 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.

•Jul 21, 2026•0 citations

Quantum Machine Learning Aplicado à Detecção e Predição de Doenças: Uma Revisão de Escopo

José Uitelo Menezes Gomes, Thiago Queiroz da Silva, Achilles Nina Santos Ferreira +1 more

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.

•Jan 1, 2026•0 citations

Applications of classical and quantum machine learning in quantum information

Felipe Rodrigues Perche Mahlow

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.

•Feb 25, 2025•0 citations

Quantum Machine Learning aplicado à detecção de falhas em turbinas eólicas

Samuel Bezerra da Gama Neto

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.

•Aug 9, 2024•0 citations

ANÁLISE DE COMPORTAMENTO DO SVM QUÂNTICO

Eduardo Pioli do Amaral, Diego Saqui

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.

Revista Eixos Tech•Jun 24, 2024•0 citations

Algorithms based on quantum Markov chains

Raqueline A. M. Santos

As cadeias de Markov quânticas ou passeios quânticos tem desempenhado um papel importante no desenvolvimento de algoritmos quânticos eficientes. Dessa forma, estudar suas propriedades, analisar o seu comportamento em diferentes topologias, e ver o impacto da descoerência sob esses passeios e seus algoritmos e fundamental para o desenvolvimento da area. Nesse contexto, contribuímos com a analise das seguintes questões. Para o passeio quântico de Szegedy, estudamos analiticamente o seu comportamento no ciclo; descrevemos como calcular a distribuição limite apresentando exemplos para a malha bidimensional, grafo completo e ciclo; estudamos um modelo de descoerência inspirado em percolação, em que definimos o tempo de alcance quântico descoerente e estabelecemos um intervalo da intensidade de descoerência em que o tempo de alcance quântico descoerente e quadraticamente menor que o clássico; o algoritmo de detecção sob ação da descoerência continua com ganho quadrático para o mesmo intervalo. Para o passeio quântico com moeda, presentamos simulações do algoritmo para avaliar fórmulas booleanas, também considerando um modelo de oráculo defeituoso.

•Mar 14, 2014•0 citations
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.
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 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.
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.
As cadeias de Markov quânticas ou passeios quânticos tem desempenhado um papel importante no desenvolvimento de algoritmos quânticos eficientes. Dessa forma, estudar suas propriedades, analisar o seu comportamento em diferentes topologias, e ver o impacto da descoerência sob esses passeios e seus algoritmos e fundamental para o desenvolvimento da area. Nesse contexto, contribuímos com a analise das seguintes questões. Para o passeio quântico de Szegedy, estudamos analiticamente o seu comportamento no ciclo; descrevemos como calcular a distribuição limite apresentando exemplos para a malha bidimensional, grafo completo e ciclo; estudamos um modelo de descoerência inspirado em percolação, em que definimos o tempo de alcance quântico descoerente e estabelecemos um intervalo da intensidade de descoerência em que o tempo de alcance quântico descoerente e quadraticamente menor que o clássico; o algoritmo de detecção sob ação da descoerência continua com ganho quadrático para o mesmo intervalo. Para o passeio quântico com moeda, presentamos simulações do algoritmo para avaliar fórmulas booleanas, também considerando um modelo de oráculo defeituoso.