Modelos de difusão para supressão de erros quânticos

• Processo: 25/27502-3
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado
• Data de Início da vigência: 23 de março de 2026
• Data de Término da vigência: 22 de março de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Física
• Pesquisador responsável: Celso Jorge Villas-Bôas
• Beneficiário: Tiago de Souza Farias
• Supervisor: Thomas Monz
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Instituição Anfitriã: University of Innsbruck, Áustria
• Vinculado à bolsa: 23/15739-3 - Algoritmos Quânticos para Resolução de Problemas Complexos e Aplicações Comerciais, BP.PD
• Assunto(s): Aprendizado computacional Computação quântica
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | computação quântica | correção de erros | Mitigaçao de erros | modelos de difusão | Computação Quântica

Resumo

A computação quântica apresenta a capacidade transformadora de executar algoritmos em velocidades muito superiores às dos computadores clássicos atuais, permitindo a solução de problemas que são computacionalmente proibitivos ou até mesmo inviáveis por meio de abordagens clássicas. No entanto, um dos principais obstáculos para sua implementação prática reside na presença onipresente de ruído, introduzido de forma inerente por fenômenos físicos como interações quânticas indesejadas e flutuações térmicas. Essas fontes de ruído impõem desafios consideráveis para a expansão efetiva dos computadores quânticos e atualmente limitam sua utilidade prática.O aprendizado de máquina engloba algoritmos capazes de aprender a partir de dados e ser treinados para realizar tarefas ou atingir objetivos específicos. Dentro desse campo, os modelos de difusão, que constituem uma subclasse de algoritmos de aprendizado de máquina, têm demonstrado notável capacidade em remover perturbações na forma de ruído, possibilitando a geração de dados estatisticamente consistentes com a distribuição de treinamento. Esse processo de remoção de ruído é geralmente realizado por meio de métodos de Monte Carlo, que fornecem aproximações numéricas de distribuições de probabilidade.Este projeto de pesquisa propõe uma abordagem que integra conceitos de aprendizado de máquina e computação quântica. Especificamente, busca investigar o potencial de modelos de difusão para suprimir perturbações e mitigar ruídos em sistemas quânticos. Tal abordagem possui a capacidade de aprimorar substancialmente a confiabilidade e a qualidade dos resultados computacionais quânticos, reduzindo taxas de erro e avançando a computação quântica em direção à concretização de seu potencial teórico. (AU)