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
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.
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.
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.
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.
Introdução: A computação quântica tem se destacado como uma tecnologia emergente com alto potencial de impacto na área da saúde. Ao utilizar qubits em vez de bits clássicos, os processadores quânticos operam com base nos princípios da superposição e do entrelaçamento, que permitem resolver problemas de elevada complexidade computacional. Na medicina, esses avanços podem transformar desde o desenvolvimento de fármacos até o diagnóstico e tratamento de doenças complexas. Objetivo: Este trabalho tem como objetivo analisar as principais aplicações dos processadores quânticos na medicina moderna e destacar seu potencial em áreas como diagnóstico, terapias personalizadas, simulação molecular e otimização de sistemas de saúde. Metodologia: Foi realizada uma pesquisa descritiva bibliográfica, com análise e revisão da literatura científica recente, sendo a busca realizada em bases de dados como PubMed, IEEE Xplore e Scopus. A seleção considerou publicações dos últimos cinco anos, com foco em estudos que abordam a aplicação direta ou potencial da computação quântica no campo médico. Resultados: Os estudos analisados indicam que a computação quântica pode revolucionar a medicina em múltiplas frentes. Entre as aplicações mais relevantes, destacam-se a modelagem molecular precisa para descoberta de novos medicamentos, algoritmos quânticos para diagnóstico precoce com base em big data, análise genômica para medicina personalizada e otimização de rotinas clínicas em hospitais. Apesar dos avanços, desafios como a estabilidade dos qubits e a necessidade de infraestrutura altamente especializada ainda limitam a aplicação prática em larga escala. Conclusão: A computação quântica representa uma fronteira promissora na medicina, com potencial para redefinir paradigmas de diagnóstico, tratamento e gestão em saúde. Investimentos em pesquisa e integração multidisciplinar serão essenciais para sua consolidação no setor médico.
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.