Estudo sobre aplicação de computação quântica adiabática em aprendizado de máquina

• Processo: 24/18269-0
• Modalidade de apoio: Bolsas no Brasil - Programa Estímulo a Vocações Científicas
• Data de Início da vigência: 03 de março de 2025
• Data de Término da vigência: 10 de abril de 2025
• Área de conhecimento: Engenharias - Engenharia Elétrica - Telecomunicações
• Pesquisador responsável: Leonardo Tomazeli Duarte
• Beneficiário: Pedro Faria Albuquerque
• Instituição Sede: Faculdade de Ciências Aplicadas (FCA). Universidade Estadual de Campinas (UNICAMP). Limeira , SP, Brasil
• Assunto(s): Aprendizado computacional Computação quântica
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Aprendizado Supervisionado | computação quântica | Aprendizado de máquina, computação quântica

Resumo

Um tema que vem ganhando destaque na literatura científica é o desenvolvimento de algoritmos de inteligência artificial (IA) - especialmente de aprendizado de máquina - adaptados para execução em computadores quânticos, com vistas a se beneficiar de potenciais ganhos de desempenho computacional proporcionados pela computação quântica. Um dos desafios centrais nessa frente é que os paradigmas quântico e clássico de computação são deveras distintos em termos de representação e processamento da informação, o que exige uma processo de reformulação dos algoritmos existentes em IA. Além disso, como mais uma desafio, há mais de um paradigma quântico de computação, e cada um deles se baseia em estruturas de processamento e representação da informação que não necessariamente são similares.No presente projeto, realizaremos um estudo sobre a formulação de métodos de aprendizado de máquina adaptados ao paradigma de computação quântica adiabática. Tal paradigma, que se apoia no chamado teorema adiabático, pode ser entendido como um computador de instrução única que está associada à resolução de um problema de otimização binária quadrática e sem restrições (QUBO). Assim sendo, a formulação de algoritmos de aprendizado de máquina para execução em computadores adiabáticos requer a adaptação do problema de otimização associado a uma dada tarefa de aprendizado para uma formulação QUBO. Em nossa pesquisa, essa tarefa será investigada no contexto de dois problemas clássicos no contexto de aprendizado supervisionado: regressão e classificação. O projeto consistirá de um estudo bibliográfico, seguido de implementação em Python e realização de experimentos numéricos para verificar o desempenho da formulação QUBO no contexto de classificação.