Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.275
Aluno: Matheus Hopper Jansen Costa
Orientador: Fernando Maciano de Paula Neto
Título: Algoritmos Genéticos Como Forma de Otimização Para Classificadores
Quânticos
Data: 25/02/2026
Hora/Local: 11h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Fernando Maciano de Paula Neto (UFPE / Centro de Informática)
Prof. Rodrigo Cesar Lira da Silva (IFPE / Campus Paulista)
Prof. Pamela Thays Lins Bezerra (CESAR School)
RESUMO:
Circuitos Quânticos Variacionais (VQCs) são promissores para aprendizado de máquina no regime NISQ, porém a otimização de seus parâmetros ainda é um gargalo prático. Esta dissertação investiga Algoritmos Genéticos (AGs) como estratégia de otimização livre de gradiente para treinar classificadores quânticos variacionais, mantendo o AG como eixo central e avaliando, de forma controlada, o impacto de escolhas arquiteturais do circuito. Os experimentos consideram tarefas de classificação binária (Sonar, Breast Cancer Diagnostic e Banknote Authentication), com validação cruzada em 10 dobras, e comparam o AG a otimizadores por gradiente (Adam e Momentum de Nesterov). No estudo base, utiliza-se Amplitude Encoding para codificação dos dados; como extensão, incorpora-se uma análise comparativa com o ZZ Feature Map, visando quantificar sua influência na treinabilidade quando o esquema de otimização por AG é mantido fixo. Os resultados do estudo base indicam desempenho competitivo do AG e redução do número de iterações até a convergência em relação aos métodos por gradiente.
Palavras-chave: Computação Quântica. Aprendizado de máquina quântico. Otimização. Algoritmos Genéticos. Circuitos Quânticos Variacionais. Computação Evolutiva.
Comentários desativados