Aprendizado de Máquina Quântico em Detecção de Anomalias: Benchmarking, Mitigação de Ruído e Aplicações.

• Processo: 24/14934-0
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de julho de 2025
• Data de Término da vigência: 30 de junho de 2028
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Sistemas de Computação
• Pesquisador responsável: Kelton Augusto Pontara da Costa
• Beneficiário: Felipe Rodrigues Perche Mahlow
• Instituição Sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Vinculado ao auxílio: 23/12830-0 - Sistemas Inteligentes Quânticos para Segurança Cibernética, AP.R
• Assunto(s): Detecção de anomalias Otimização Computação quântica
• Palavra(s)-Chave do Pesquisador: Aplicações Quânticas | Aprendizado Quântico | Cibersergurança Quântica | detecção de anomalias | Mitigação de Ruídos | otimização | Computação Quântica

Resumo

A computação quântica e o aprendizado de máquina emergiram como tecnologias promissoras, capazes de transformar diversos setores da sociedade. A fusão dessas disciplinas deu origem ao campo do Quantum Machine Learning (QML), que busca explorar as sinergias entre a teoria quântica e os métodos de aprendizado de máquina para resolver problemas complexos de maneira mais eficiente. Em particular, a detecção de anomalias, essencial em áreas como segurança cibernética, monitoramento industrial, finanças e saúde, enfrenta desafios relacionados à escalabilidade e à complexidade dos dados. Métodos tradicionais de aprendizado de máquina, embora amplamente utilizados, têm suas limitações ao lidar com grandes volumes de dados e alta dimensionalidade. Este projeto de pós-doutorado tem como objetivo investigar e contribuir com o desenvolvimento de algoritmos de QML voltados para a detecção de anomalias em sistemas complexos. A pesquisa se concentrará em avaliar o desempenho de algoritmos quânticos tanto em simuladores quânticos quanto em hardware real, fazendo um extensivo benchmarking em relação aos métodos tradicionais de aprendizado de máquina. Além disso, o projeto buscará explorar técnicas de mitigação de ruído para melhorar a robustez dos algoritmos quânticos, e aplicar essas técnicas em casos de estudo reais, como a detecção de intrusões em redes de computadores. Os resultados obtidos serão disseminados por meio de publicações científicas e apresentações em conferências internacionais, contribuindo para o avanço do conhecimento em QML e sua aplicação prática na detecção de anomalias. (AU)