Nos sistemas de comunicação quântica, ataques do tipo Black Hole Repeater (BHR) consistem em repetidores maliciosos que introduzem erros ou falsificam métricas, degradando a eficiência quântica enquanto permanecem indetectáveis por métodos convencionais. Propõe-se um Sistema de Detecção de Intrusão baseado em Random Forest, validado sobre um dataset de 3.000 amostras simulando cenários normais, falhas de infraestrutura e ataques BHR sob agressividade dinâmica. Sob validação cruzada estratificada (10-Fold), o modelo obteve acurácia de 0,95±0,01 e revocação de 0,93 ± 0,02. A comparação estatística pareada de Wilcoxon indicou que arquiteturas complexas (Random Forest, SVM, XGBoost e MLP) possuem desempenho equivalente e satisfatório (p > 0,05), ao passo que a Regressão Logística falhou integralmente na mitigação. Esse fracasso absoluto da abordagem linear comprova matematicamente que a assinatura do BHR é estritamente não-linear, exigindo modelos heurísticos capazes de correlacionar ineficiência operacional furtiva com a exaustão de recursos logísticos (consumo anômalo de pares EPR).
Nos sistemas de comunicação quântica, ataques do tipo Black Hole Repeater (BHR) consistem em repetidores maliciosos que introduzem erros ou falsificam métricas, degradando a eficiência quântica enquanto permanecem indetectáveis por métodos convencionais. Propõe-se um Sistema de Detecção de Intrusão baseado em Random Forest, validado sobre um dataset de 3.000 amostras simulando cenários normais, falhas de infraestrutura e ataques BHR sob agressividade dinâmica. Sob validação cruzada estratificada (10-Fold), o modelo obteve acurácia de 0,95±0,01 e revocação de 0,93 ± 0,02. A comparação estatística pareada de Wilcoxon indicou que arquiteturas complexas (Random Forest, SVM, XGBoost e MLP) possuem desempenho equivalente e satisfatório (p > 0,05), ao passo que a Regressão Logística falhou integralmente na mitigação. Esse fracasso absoluto da abordagem linear comprova matematicamente que a assinatura do BHR é estritamente não-linear, exigindo modelos heurísticos capazes de correlacionar ineficiência operacional furtiva com a exaustão de recursos logísticos (consumo anômalo de pares EPR).
As redes quânticas oferecem uma segurança sem precedentes ao utilizarem protocolos baseados em entrelaçamento e repetidores quânticos confiáveis para viabilizar aplicações como distribuição de chaves quânticas e computação quântica distribuída. Contudo, à medida que essas redes evoluem, novas vulnerabilidades operacionais e de controle emergem, podendo ser exploradas por adversários. Entre essas vulnerabilidades, destacam-se ataques sutis ao processo de troca de entrelaçamento e a manipulação de métricas de desempenho, que representam desafios significativos para a integridade e a eficiência das redes. Este estudo explora uma classe relativamente pouco investigada de ameaças: os ataques Black Hole Repeater. Esses ataques envolvem nós maliciosos que deliberadamente introduzem erros ou falsificam métricas, comprometendo a taxa de sucesso das operações quânticas e gerando ineficiências no uso de recursos, ao mesmo tempo que permanecem indetectáveis por técnicas tradicionais de monitoramento, como a tomografia quântica. Por meio de simulações realizadas em diversas topologias de rede, demonstra-se o impacto potencial desses ataques em métricas-chave de desempenho, destacando a necessidade de soluções adaptativas de monitoramento e arquiteturas resilientes para aprimorar a segurança das redes quânticas.
As redes de entrelaçamento quântico representam tecnologias de ponta com aplicações críticas em comunicação segura. No entanto, sua dependência da confiança incondicional nos repetidores quânticos introduz vulnerabilidades potenciais a ataques de terceiros. Notavelmente, o Ataque de Sequestro Quântico (Quantum Hijacking Attack) e o Ataque do Buraco Negro Quântico (Quantum Black Hole Attack) têm ganhado destaque por explorarem essa fragilidade baseada na confiança. Este estudo analisa os mecanismos por trás desses ataques, com ênfase especial no Ataque do Buraco Negro Quântico, e destaca as limitações dos métodos atuais baseados em tomografia na detecção eficaz dessas ameaças.
[pt] A superioridade de desempenho dos algoritmos quânticos, em alguns problemas específicos, reside no uso direto de fenômenos da mecânica quântica para realizar operações com dados em computadores quânticos. Esta característica fez surgir uma nova abordagem, denominada Computação com Inspiração Quântica, cujo objetivo é criar algoritmos clássicos (executados em computadores clássicos) que tirem proveito de princípios da mecânica quântica para melhorar seu desempenho. Neste sentido, alguns algoritmos evolutivos com inspiração quântica tem sido propostos e aplicados com sucesso em problemas de otimização combinatória e numérica, apresentando desempenho superior àquele dos algoritmos evolutivos convencionais, quanto à melhoria da qualidade das soluções e à redução do número de avaliações necessárias para alcançá-las. Até o presente momento, no entanto, este novo paradigma de inspiração quântica ainda não havia sido aplicado à Programação Genética (PG), uma classe de algoritmos evolutivos que visa à síntese automática de programas de computador. Esta tese propõe, desenvolve e testa um novo modelo de algoritmo evolutivo com inspiração quântica, denominado Programação Genética Linear com Inspiração Quântica (PGLIQ), para a evolução de programas em código de máquina. A Programação Genética Linear é assim denominada porque cada um dos seus indivíduos é representado por uma lista de instruções (estruturas lineares), as quais são executadas sequencialmente. As contribuições deste trabalho são o estudo e a formulação inédita do uso do paradigma da inspiração quântica na síntese evolutiva de programas de computador. Uma das motivações para a opção pela evolução de programas em código de máquina é que esta é a abordagem de PG que, por oferecer a maior velocidade de execução, viabiliza experimentos em larga escala. O modelo proposto é inspirado em sistemas quânticos multiníveis e utiliza o qudit como unidade básica de informação quântica, o qual representa a superposição dos estados de um sistema deste tipo. O funcionamento do modelo se baseia em indivíduos quânticos, que representam a superposição de todos os programas do espaço de busca, cuja observação gera indivíduos clássicos e os programas (soluções). Nos testes são utilizados problemas de regressão simbólica e de classificação binária para se avaliar o desempenho da PGLIQ e compará-lo com o do modelo AIMGP (Automatic Induction of Machine Code by Genetic Programming), considerado atualmente o modelo de PG mais eficiente na evolução de código de máquina, conforme citado em inúmeras referências bibliográficas na área. Os resultados mostram que a Programação Genética Linear com Inspiração Quântica (PGLIQ) apresenta desempenho geral superior nestas classes de problemas, ao encontrar melhores soluções (menores erros) a partir de um número menor de avaliações, com a vantagem adicional de utilizar um número menor de parâmetros e operadores que o modelo de referência. Nos testes comparativos, o modelo mostra desempenho médio superior ao do modelo de referência para todos os estudos de caso, obtendo erros de 3 a 31% menores nos problemas de regressão simbólica, e de 36 a 39% nos problemas de classificação binária. Esta pesquisa conclui que o paradigma da inspiração quântica pode ser uma abordagem competitiva para se evoluir programas eficientemente, encorajando o aprimoramento e a extensão do modelo aqui apresentado, assim como a criação de outros modelos de programação genética com inspiração quântica.
Neste trabalho investigamos a confiabilidade de métodos aproximados na detecção de transições de fase quânticas em sistemas unidimensionais descritos pelo modelo de Hubbard. Realizamos uma comparação entre o Grupo de Renormalização da Matriz Densidade (DMRG), praticamente exato mas de alto custo computacional, e a Teoria do Funcional da Densidade (DFT), de menor custo e elevada escalabilidade. Para o modelo homogêneo mostramos que a DFT apresenta maior precisão para a entropia média de emaranhamento do que para a energia do estado fundamental, que por sua vez supera a performance para o perfil de densidade, e que todos os desvios diminuem com o aumento do tamanho da cadeia. Em cadeias finitas, as discrepâncias mais relevantes surgem próximas ao semipreenchimento devido às oscilações de Friedel, enquanto sob confinamento harmônico a DFT descreve bem fases metálicas, mas falha em fases isolantes, ao passo que a média do emaranhamento evidencia de forma mais clara as transições de fase. Na sequência avaliamos medidas alternativas de emaranhamento, constatando que a entropia linear é inadequada em baixas densidades, podendo levar a diagnósticos incorretos de máximos e mínimos, enquanto a entropia típica se mostrou sensível à perda coletiva de correlações, mas tende a antecipar mínimos críticos e subestimar correlações residuais, sugerindo um papel complementar em relação à entropia média. Por fim, otimizamos os expoentes do funcional da densidade FVC para a energia do modelo de Hubbard para melhorar simultaneamente a energia e sua segunda derivada em relação à magnetização, associada à susceptibilidade magnética. Embora a otimização tenha reduzido o erro médio relativo da energia, os desvios da segunda derivada permaneceram elevados, revelando limitações estruturais do funcional e indicando a necessidade de novas formulações capazes de descrever de forma robusta a susceptibilidade magnética em sistemas unidimensionais.
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.
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.