Redes Neurais Quânticas com Variáveis Contínuas

• Processo: 25/03962-5
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de junho de 2025
• Data de Término da vigência: 31 de maio de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Física - Física Geral
• Pesquisador responsável: Celso Jorge Villas-Bôas
• Beneficiário: Amanda Gabriela Valério
• 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): Computação quântica Tecnologia quântica
• Palavra(s)-Chave do Pesquisador: computação quântica | Computação Quântica com Variáveis Contínuas | Redes Neurais Quânticas | Tecnologias Quânticas

Resumo

As Redes Neurais Quânticas com Variáveis Contínuas (CV-QNNs) são algoritmos de Aprendizado de Máquina Quânticos que aproveitam de algoritmos variacionais para aprender a partir de dados e atingir objetivos específicos. Elas funcionam de forma similar às redes neurais clássicas, mas aproveitam características quânticas como superposição e entrelaçamento para realizar cálculos com o potencial de alcançar resultados superiores.Essas redes podem ser executadas em computadores quânticos que utilizam qumodes, que são análogos contínuos dos qubits, proporcionando uma representação de informações mais eficiente e com menos recursos. Apesar de nativos em alguns paradigmas de computadores quânticos, a escalabilidade ainda é um obstáculo principalmente devido ao ruído, o que torna difícil a exploração de algoritmos quânticos. Embora seja possível simular circuitos quânticos em computadores clássicos, isso acarreta custos em termos de tempo e memória.As portas lógicas quânticas usadas para construir os CV-QNNs dependem de operações de multiplicação de matrizes, que são mais eficientes em GPUs quando lidam com matrizes grandes. O tamanho da dimensão da matriz define o número máximo de estados possíveis na base computacional. Logo, quanto maior a dimensão, melhor é o desempenho e a precisão da rede, além de representar mais fielmente a natureza contínua dos sistemas quânticos. Simulações prévias (realizadas em nosso grupo) em um único qumode demonstraram destaque no desempenho de GPUs em relação ao uso de CPUs. Em uma dimensão (D) do espaço de Hilbert acima de D = 64, o uso de GPUs já demonstra um desempenho superior, chegando a ser 8 vezes mais rápido, o que evidencia sua capacidade de lidar com grandes cargas computacionais. Além disso, dimensões de corte maiores não só aumentam o desempenho computacional, mas também melhoram a precisão das simulações quânticas, o que é particularmente relevante em áreas como química quântica e otimização quântica, onde é essencial ter representações precisas dos estados quânticos.Devido à característica das redes neurais em geral de funcionarem como bons aproximadores de funções, essa estratégia tem sido escolhida para simular o comportamento de sistemas físicos complexos e apresenta resultados promissores na literatura. Utilizando do poder computacional do uso de GPUs pela computação de alto desempenho (HPC), essa pesquisa visa simular Redes Neurais com Variáveis Contínuas para a resolução de sistemas físicos, como por exemplo simulação da dinâmica de moléculas.