Abordagens clássicas e quânticas de Redes Neurais Informadas pela Física para sistemas quânticos

• Processo: 24/15269-0
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de outubro de 2024
• Data de Término da vigência: 30 de setembro de 2026
• Área de conhecimento: Ciências Exatas e da Terra - Física
• Pesquisador responsável: Celso Jorge Villas-Bôas
• Beneficiário: Nicolas Armando Cabrera Carpio
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Vinculado ao auxílio: 22/00209-6 - Tecnologias quânticas de segunda geração, AP.TEM
• Assunto(s): Equações de Schrodinger Computação quântica
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina Quântico | computação de alto desempenho(HPC) | equação de schrodinger | redes neurais informadas pela física(PINN) | computação quântica

Resumo

Tecnologias quânticas estão emergindo como uma das áreas mais promissoras da ciência e engenharia, com aplicações em computação, criptografia, metrologia e simulação de materiais complexos. Baseadas nos princípios da mecânica quântica, essas tecnologias utilizam fenômenos como superposição e entrelaçamento para realizar tarefas além das capacidades das tecnologias clássicas. O avanço de dispositivos quânticos, como computadores e sensores ultrassensíveis, ilustra o potencial transformador dessas inovações.Os sistemas quânticos são descritos por equações diferenciais complexas que determinam a evolução de suas funções de estado. A resolução dessas equações é fundamental para prever comportamentos de sistemas quânticos, mas, na prática, a resolução analítica é frequentemente inviável devido à alta dimensionalidade e complexidade das interações. Métodos numéricos, como diagonalização de matrizes e métodos de Monte Carlo, são usados, mas têm limitações em precisão e escalabilidade.A equação de Schrödinger, que descreve sistemas quânticos, se torna impraticável para computadores clássicos à medida que o número de qubits aumenta, devido ao crescimento exponencial do espaço de estado. Algoritmos de aprendizado de máquina oferecem uma alternativa promissora para aproximar soluções de equações diferenciais. As Redes Neurais Informadas pela Física (PINNs) integram aprendizado de máquina com leis físicas, usando a equação diferencial como função objetivo. PINNs podem ser treinadas de forma não supervisionada ou supervisionada, dependendo da disponibilidade de dados experimentais.No aprendizado de máquina quântico, PINNs podem ser adaptadas para circuitos quânticos, como circuitos variacionais e redes neurais quânticas, oferecendo vantagens potenciais como aceleração de treinamento e melhor generalização. No entanto, essa abordagem ainda é pouco explorada.Este projeto visa aplicar PINNs clássicos e quânticos para resolver a equação de Schrödinger em diferentes contextos quânticos. Além de explorar se os PINNs quânticos oferecem vantagens sobre os clássicos em termos de velocidade de treinamento, generalização e eficiência, o projeto também considerará a implementação em plataformas experimentais de qubits, que enfrentam limitações de escala e ruído. A computação de alto desempenho (HPC) será utilizada para simular sistemas com muitos qubits e para lidar com as demandas computacionais intensivas do treinamento de PINNs em larga escala.Esperamos estabelecer um novo paradigma na simulação quântica, mostrando que PINNs podem resolver problemas quânticos complexos de forma mais eficiente. Os resultados podem abrir novas frentes de pesquisa em física quântica e contribuir para o avanço das tecnologias emergentes em computação quântica, consolidando essas abordagens como ferramentas fundamentais para o progresso científico e tecnológico no campo quântico.