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.
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.
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.
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.
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.