Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 633
Aluno: Nicolas Melo de Oliveira
Orientador: Prof. Adenilton José da Silva
Coorientadora: Profa. Teresa Bernarda Ludermir
Título: Classificadores Quânticos Baseados em Distância para Dispositivos NISQ
Data: 06/08/2024
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Stefan Michael Blawid (UFPE / Centro de Informática)
Prof. Wilson Rosa de Oliveira Junior (UFRPE / DEINFO)
Prof. Israel Ferraz de Araújo (UFPE / Departamento de Eletrônica e Sistemas)
Prof. Renato Portugal (National Laboratory of Scientific Computing – LNCC)
Prof. Rubens Viana Ramos (UFC / Departamento de Engenharia de Teleinformática)
RESUMO:
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 Quântica 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, onde o objetivo é classificar novos dados a partir da observação de outros dados previamente conhecidos. Na computação quântica, essa tarefa tem atraído atenção significativa por ter potencial para aprimorar métodos existentes e sugerir novas abordagens empregando as capacidades quânticas de computar. Nos nossos estudos, limitamos a temática para os classificadores quânticos baseados em distância, visando a execução dos mesmos em dispositivos quânticos ruidosos de escala intermediária (NISQ). Embora algoritmos quânticos anteriores para classificação baseada em distância tenham se mostrado promissores, muitos deles não são compatíveis com os dispositivos quânticos ruidosos atuais e não conseguem lidar adequadamente com problemas envolvendo múltiplas classes. Ainda, os erros existentes no hardware quântico atual e o baixo número de qubits disponíveis tornam necessário o uso de soluções que utilizem menos qubits e menos operações, mitigando tais obstáculos. Isto posto, realizamos um estudo sistemático a respeito de classificadores quânticos que usam a distância como medida de similaridade para entendermos as limitações e lacunas existentes na literatura. O 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, chamado QOCC, é um modelo de classificação elementar baseado no HC. Nosso objetivo com o QOCC é oferecer um classificador que consuma menos recursos computacionais quânticos, estando menos propenso aos erros provenientes dos ruídos presentes nos dispositivos NISQ atuais, 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 quânticas, sendo capaz, portanto, de mitigar erros dos computadores quânticos atuais. Em um segundo momento, 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 literatura da aprendizagem de máquina quântica e na impossibilidade atual de executar, em dispositivos NISQ, algumas rotinas presentes nos classificadores multiclasse existentes na literatura. Com isso, propomos o qVDCC, que faz uso da teoria dos circuitos quânticos variacionais (paramétricos) combinada com o QOCC para, em um esquema híbrido de computação quântica-clássica, realizar a classificação de bases de dados multiclasse. Essa abordagem nos permitiu aliar as capacidades de armazenamento de estados quânticos com 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 um ambiente livre de erros; em seguida, em um ambiente quântico ruidoso que mimetiza um dispositivo quântico real. Novamente, nossos resultados se mostraram promissores e competitivos para com classificadores clássicos.
Palavras-chave: Computação Quântica. Aprendizagem de Máquina Quântica. Classificadores Baseados em Distância.
Comentários desativados