Prévia do material em texto
Universidade Federal de Pernambuco (UFPE) Centro de Informática (CIn) CoordenaçãodePós-Graduação emCiência daComputação TemaparaPré-Projeto deMestrado Linha de pesquisa: Inteligência Computacional Título: Sistemas quânticos inteligentes Proponente: Fernando Maciano de Paula Neto Descrição: Sob o ponto de vista de computabilidade, há uma equivalência do que é computável num computador quântico (e seus modelos teóricos, tais como Máquinas de Turing Quânticas ou Circuitos quânticos) com as máquinas de Turing clássicas. A expectativa do diferencial quântico é sobre eficiência. Foi demonstrado recentemente que, para uma tarefa específica, os computadores quânticos são exponencialmente mais eficientes do que os algoritmos clássicos conhecidos para resolver a mesma questão [1]. Isso ocorre, principalmente, devido a sua execução natural de comportamentos da mecânica quântica, como emaranhamento e superposição. A linha de pesquisa em computação quântica inteligente, ou quantum machine learning, envolve o desenvolvimento de algoritmos quânticos capazes de aprender informação de dados [11]. Em um projeto de doutorado, o/a aluno/a poderá seguir em qualquer linha de pesquisa dentro da área de aprendizagem de máquina quântica. Algumas sugestões seguem abaixo: 1) Circuitos variacionais quânticos: a) Aplicação de circuitos variacionais em problemas de classificação (multiclasses), regressão (e/ previsão de séries temporais) ou de memória associativa; b) Treinamento livre de gradiente (gradient-free learning) para circuitos, usando algoritmos genéticos, enxame de partículas, etc; c) Otimização inteligente para circuitos, critérios de definição de templates; d) Função de bases de circuitos e computabilidade de circuitos: técnicas de extração de função de bases em circuitos quânticos, análise de computabilidade e eficiência. e) Hierarquização de circuitos variacionais no aprendizado: hierarquia de Chomsky para aprendizagem de máquina quântica. f) Comitês de circuitos variacionais quânticos. g) Otimizações baseadas em gradiente, combinação de diferentes otimizadores, limitações teóricas e práticas de otimizadores existentes, proposição de novos otimizadores. Universidade Federal de Pernambuco (UFPE) Centro de Informática (CIn) h) Circuitos variacionais generativos. i) Circuitos variacionais profundos. 2) Sistemas quânticos abertos inteligentes: a) É possível analisar o poder computacional dos diferentes modelos de SQA e/ou sua capacidade de aprender a partir de dados, iniciando tal análise por modelos que realizam tarefas de generalização a partir de aprendizado por dados (isto é, modelos inteligentes) [3,4,5,6,7,8,9]. b) Analisar como o acoplamento com ambientes, isto é SQAs, podem afetar a computabilidade de sistemas inteligentes; c) Entender equivalências matemáticas dos circuitos quânticos do ponto de vista da computabilidade, tal como a Hierarquia de Chomsky; d) Analisar a dinâmica de orbitais das funções dos modelos de sistemas quânticos abertos e realizar uma correspondência do comportamento dessa dinâmica com a computabilidade/aprendabilidade desses sistemas; e) Verificar velocidade de aprendizado e generalização de aprendizado de diferentes sistemas quânticos abertos, categorizando-os a partir de seus funcionamentos e parâmetros; f) Propor um sistema quântico aberto inteligente que demonstre poder em aprender a partir de bases de dados. 3) Algoritmos quânticos inteligentes: a) Redes neurais quânticas, redes profundas quânticas, aprendizado profundo quântico; b) Algoritmos quânticos genéticos c) Algoritmos inteligentes baseados em SVM, Árvores de Decisão; d) Algoritmos quânticos para agrupamento/clustering. É esperado que, no mestrado, a/o aluna/o precise realizar um estudo comparativo profundo e detalhado de modelos e/ou proposições de novos modelos/técnicas em sistemas quânticos inteligentes. Em caso de dúvidas, o/a candidato pode procurar o professor Fernando Maciano por e-mail fernando@cin.ufpe.br ReferênciasBibliográficas: [1] Arute, Frank, et al. "Quantum supremacy using a programmable superconducting processor." Nature 574.7779 (2019): 505-510. [2] Breuer, Heinz-Peter, and Francesco Petruccione. The theory of open quantum systems. Oxford University Press on Demand, 2002. [3] Zhang, Junwei, et al. "Interactive quantum classifier inspired by quantum open system theory." 2021 International Joint Conference on Neural Networks (IJCNN). IEEE, 2021. [4] Digital quantum simulation of open quantum systems using quantum imaginary time evolution, Universidade Federal de Pernambuco (UFPE) Centro de Informática (CIn) [5] M. Zwolak, W.H. Zurek, Redundancy of einselected information in quantum Darwinism: the irrelevance of irrelevant environment bits, Phys. Rev. A 95 (2017) 030101. [6] R. Blume-Kohout, W.H. Zurek, A simple example of “quantum Darwinism”: redundant information storage in many-spin environments, Found. Phys. 35 (2005) 1857–1876. [7] Türkpençe, Deniz, Tahir Çetin Akıncı, and Serhat Şeker. "A steady state quantum classifier." Physics Letters A 383.13 (2019): 1410-1418. [8] Türkpençe, Deniz. "Reservoir induced activation of a quantum neuron." Physics Letters A 384.23 (2020): 126442. [9]García-Pérez, Guillermo, Matteo AC Rossi, and Sabrina Maniscalco. "IBM Q Experience as a versatile experimental testbed for simulating open quantum systems." npj Quantum Information 6.1 (2020): 1-10. [10] De Paula Neto, Fernando M.; Ludermir, Teresa B. ; De Oliveira, Wilson R. ; Da Silva, Adenilton J. . Implementing Any Nonlinear Quantum Neuron. IEEE Transactions on Neural Networks and Learning Systems, p. 1-6, 2019. [11]Biamonte, Jacob, et al. "Quantum machine learning." Nature 549.7671 (2017): 195-202.