Sistemas quânticos inteligentes

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.