Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.135
Aluno: Eduardo Barreto Brito
Orientador: Prof. Fernando Maciano de Paula Neto
Coorientadora: Profa. Nadja Kolb Bernardes (UFPE/ Departamento de Física)
Título: Analysis and proposal of a quantum classifier based on open quantum
systems with amplitude information loading
Data: 26/03/2024
Hora/Local: 09:30 – Virtual
Banca Examinadora:
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)
Prof. Wilson Rosa de Oliveira Junior (UFRPE/Departamento de Estatística e Informática)
Prof. Daniel Jost Brod (UFF) / Instituto de Física)
RESUMO:
Apesar dos progresso no estudo de algorítmos quânticos, ainda se faz
necessário o ampliamento da investigação de sistemas quânticos abertos.
Nesse trabalho é apresentado o uso de sistemas quânticos abertos para
implementar um algorítmo de classificador quântico. Zhang et al. propõem um
sistema de 1 QuBit que interagem com o ambiente através de um operador que
vem do Hamiltoniano do sistema. Na nossa proposta, os dados de entrada são
carregados na amplitude do sistema ao invés de estarem presentes no
operador unitário. Essa mudança trouxe um impacto positivo na performance
do modelo em diferentes bancos de dados testados e também no comportamento
do emaranhamento. Os modelos foram testados em quatro bancos de dados
reais: Iris Dataset, Wine Dataset, Caesarian Section Classification Dataset
e Pima Indians Diabetes Dataset, além de outros 7 bancos de dados
artificiais, e os resultados são avaliados considerando a acurácia e o
F1-Score. Além da análise de resultados, ainda foi feita uma análise mais
profunda em relação ao Iris Dataset, checando melhores parâmetros para o
modelo e como o mesmo se comporta em relação à negatividade. Os resultados
mostram que, apesar de ter uma área de decisão mais simples que o modelo de
Zhang et al., o neurônio proposto performou melhor que o modelo de Zhang et
al. Entretanto, nenhum padrão foi observado em relação ao emaranhamento.
Devido à uma perfomance abaixo do esperado para um problema linearmente
separável, um kernel exponencial foi adicionado a ambos modelos. Essa
adição trouxe um impacto positivo na acurácia de ambos os classificadores.
Palavras-chave: Neurônio Artificial Quântico. Inteligência Artificial Quântica. Computação Quântica. Sistemas Quânticos Abertos. Aprendizagem de Máquina.
Comentários desativados