COMPUTAÇÃO QUÂNTICA E MACHINE LEARNING - ALGORITMO DE K-MEAN QUÂNTICO POR MEIO DA ABORDAGEM DE OVERLAPPING

Bruno Dantas de Paiva; Guilherme Goldman da Silva; Franklin Marquezino

Todos os Trabalhos

Trabalho

Título do Trabalho

COMPUTAÇÃO QUÂNTICA E MACHINE LEARNING - ALGORITMO DE K-MEAN QUÂNTICO POR MEIO DA ABORDAGEM DE OVERLAPPING

Autores

Bruno Dantas de Paiva
Guilherme Goldman da Silva
Franklin Marquezino

Modalidade

Resumo apresentação oral curta

Área temática

Centro de Tecnologia (CT)/Ciência da Computação

Data de Publicação

22/03/2021

País da Publicação

Brasil

Idioma da Publicação

Português

Página do Trabalho

https://www.even3.com.br/anais/jgmictac/314588-computacao-quantica-e-machine-learning---algoritmo-de-k-mean-quantico-por-meio-da-abordagem-de-overlapping

ISBN

978-65-5941-128-3

Palavras-Chave

computação quântica, machine learning, k-mean, overlapping

Resumo

O objetivo da pesquisa é implementar o algoritmo de machine learning quântico K-Mean clustering e analisar seus resultados. Para isso foi utilizado a linguagem de programação python, no ambiente de desenvolvimento Qiskit, com o auxílio do IBM quantum experience. Essa plataforma da IBM é o ambiente de execução de máquinas quânticas reais e simulação que permite que programas quânticos sejam escritos e depois compilados para execução em hardware. A área de machine learning tem crescido nos últimos anos, devido a sua ampla aplicação em diversos mercados em que a tecnologia mostra uma ampla solução para problemas de decisão e previsibilidade de modelos reais. Com isso, aliado a grandes volumes de dados, surge a necessidade de se utilizarem algoritmos de aprendizado de maquina que sejam cada vez mais rápidos e otimizados (Kopczyk, 2018). Paralelamente, a computação quântica tem contribuido nesse aspecto de oferecer novas abordagens de algoritmos clássicos que na teoria são mais custosos em um computador comum, porém, quando transformados em algoritmos quanticos exploram as propriedades físicas de modo que a informação consegue ser processada em um tempo de execução menor (Schuld E Petruccione, 2018). O método utilizado para executar o K-Mean (Khan, Awan e Vall-Llosera, 2019) primeiro passa pela codificação quântica de vetores para obter melhorias no desempenho do algoritmo, pois a complexidade de sua versão clássica é O(NMK), onde N é o número de entrada do vetor, M o número de vetores e K o número de clusters. Com isso, a versão quântica do algoritmo K-Mean consegue explorar questões como superposição, paralelismo e codificação para obter melhorias na complexidade quando comparados com sua versão clássica, pois ao codificarmos as entradas nas amplitudes dos estados dos qubits, conseguimos obter a complexidade O(lg(N)MK). Uma das possíveis aplicações desse algoritmo é a classificação de doenças por clusters desconhecidos, ou até padrões de comportamento social, podendo também ser usado na composição de algoritmos de sugestões para clientes baseados em dados de preferência. Por fim, será implementado a abordagem "overlapping" desse algoritmo utilizando como meio de calcular a distância entre pontos de conjunto de dados. Esse circuito é feito através do teste de swap com a porta quântica de swap controlada, ou seja, através da projeção de um vetor em outro podemos estimar o quão próximo eles estão e assim inferir probabilisticamente sua distância. Quando comparado à outros métodos de medição de distância quântica, esta abordagem apresenta algumas deficiências nos valores da acurácia, o que pode levar a erros e resultados não tão exatos, com isso é possível avaliar o quão próximo esse método nos retorna. A partir disso, a implementação a ser feita foi executada no computador e simulador quântico da IBM, podendo assim, avaliar a acurácia e outras métricas das execuções do algoritmo quântico proposto quando executados em máquinas reais e simuladores. REFERÊNCIAS BIBLIOGRÁFICAS Sumsam Ullah Khan, Ahsan Javed Awan, and Gemma Vall-Llosera. K-means clustering on noisy intermediate scale quantum computers, 2019. Dawid Kopczyk. Quantum machine learning for data scientists, 2018. M. Schuld and F. Petruccione.Supervised Learning with Quantum Computers. Quantum Science and Technology. Springer International Publishing, 2018.

Título do Evento: XLII Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural (JICTAC 2020 - Edição Especial) - Evento UFRJ
Título dos Anais do Evento: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural
Nome da Editora: Even3
Meio de Divulgação: Meio Digital

Como citar

PAIVA, Bruno Dantas de; SILVA, Guilherme Goldman da; MARQUEZINO, Franklin. COMPUTAÇÃO QUÂNTICA E MACHINE LEARNING - ALGORITMO DE K-MEAN QUÂNTICO POR MEIO DA ABORDAGEM DE OVERLAPPING.. In: Anais da Jornada Giulio Massarani de Iniciação Científica, Tecnológica, Artística e Cultural. Anais...Rio de Janeiro(RJ) UFRJ, 2021. Disponível em: https//www.even3.com.br/anais/jgmictac/314588-COMPUTACAO-QUANTICA-E-MACHINE-LEARNING---ALGORITMO-DE-K-MEAN-QUANTICO-POR-MEIO-DA-ABORDAGEM-DE-OVERLAPPING. Acesso em: 20/07/2025