Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.036
Aluno: Jonathan Henrique Andrade de Carvalho
Orientador: Prof. Fernando Maciano de Paula Neto
Título: Parametrized Constant-Depth Quantum Neuron
Data: 11/08/2022
Hora/Local: 15h – Centro de Informática – Anfiteatro
Banca Examinadora:
Prof. Paulo Salgado Gomes de Mattos Neto (UFPE / Centro de Informática)
Prof. Tiago Alessandro Espinola Ferreira (UFRPE / Departamento de Estatística e Informática)
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)
RESUMO:
A computação quântica vem revolucionando o desenvolvimento de algoritmos, o que inclui notáveis avanços em redes neurais artificiais. A exploração de fenômenos inerentemente quânticos traz a promessa de transcender a computação clássica. No entanto, apenas dispositivos quânticos de escala intermediária e ruidosos estão disponíveis atualmente. Para demonstrar vantagens nesta era quântica, o desenvolvimento de algoritmos quânticos precisa satisfazer diversos requisitos de software devido à insuficiência de recursos computacionais quânticos. Nesta pesquisa, nós propomos uma estrutura que constrói neurônios quânticos baseados em máquinas de kernel. Esta estrutura generalizada não apenas contempla neurônios quânticos existentes como também abre espaço para definir inúmeros outros, incluindo neurônios quânticos que atendam às atuais restrições de hardware. Por exemplo, nós propomos aqui um neurônio quântico que é implementado por um circuito de profundidade constante com um número linear de portas elementares de um único bit quântico. Neurônios quânticos existentes são implementados por circuitos exponencialmente custosos, mesmo usando portas complexas de múltiplos bits quânticos. Nós melhoramos o neurônio quântico proposto através de uma parametrização que consegue mudar a forma da sua função de ativação a fim de se ajustar a padrões subjacentes que neurônios quânticos existentes não conseguem se ajustar. Como uma demonstração inicial, nós mostramos o neurônio quântico proposto produzindo soluções ótimas para seis problemas de classificação que um neurônio quântico existente consegue resolver apenas dois deles. A superioridade do neurônio quântico proposto é realmente confirmada aqui por um benchmark entre neurônios quânticos e clássicos em diversos problemas de classificação. Na maioria dos casos, o neurônio quântico proposto é o melhor entre todos os neurônios. A parametrização definitivamente fornece flexibilidade para não apenas se ajustar a uma ampla variedade de problemas mas também para otimizar a margem entre classes, pelo menos melhor que os neurônios clássicos e os neurônios quânticos existentes. Portanto, esta pesquisa abre o caminho para desenvolver redes neurais quânticas que podem demonstrar uma vantagem quântica prática já na era quântica atual.
Palavras-chave: computação quântica; neurônio quântico; kernel quântico; circuito quântico de profundidade constante; função de ativação parametrizada.
Comentários desativados