Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Log inSign up
Challenges
Datasets
Workspaces
Papers
Discussions
Leaderboard
Blog
Job Board
Q3AS

© 2026 Aqora Quantum S.A.S.

TermsPrivacyLegal Notice

A machine learning approach to quantum spin chains

L. F. C. de Moraes

Published Oct 4, 2019• 0 citations
Publisher

Abstract

O objetivo deste trabalho é apresentar um método computacional para determinar propriedades físicas de sistemas quânticos de muitos corpos. A abordagem proposta foi um método de Aprendizado de Máquina para lidar com imagens, onde a entrada é o Hamiltoniano do sistema desejado. Nós treinamos uma Rede Neural Convolucional VGG-16 para prever a energia do estado fundamental e o emaranhamento entre pares de partículas, tal como medido pela negatividade, para o Hamiltonianano de um sistema quântico de spins-1/2. Os resultados preveem com boa precisão os valores da energia e o emaranhamento entre pares. Particularmente, podemos reduzir a dimensão do Hamiltoniano antes que ele passe pela rede. O método pode ser generalizado para propriedades físicas arbitrárias

DOI
10.22409/ppgf.2019.m.40097380814

Related papers

Abordagem de "deep learning" para sistemas quânticos de muitos corpos

William Freitas e Silva

Resumo: Dentro do contexto da mecânica quântica, a descrição de estados quânticos é fundamental para explicar e prever o comportamento de sistemas finitos. Uma estratégia para realizar isso é por meio do método variacional, onde os estados quânticos são descritos por funções de onda tentativa. Além disso, a semelhança impressionante entre algoritmos de aprendizado profundo e o método variacional sugere que funções tentativa podem ser representadas por redes neurais artificiais. De fato, essa representação foi empregada neste trabalho para analisar sistemas compostos de bósons, como aglomerados de hélio-4, e férmions, como pontos quânticos. Ao usar a integração de Monte Carlo para calcular as integrais relevantes e treinar a rede neural para encontrar a energia do estado fundamental desses sistemas, os resultados obtidos atingiram uma precisão sem precedentes em comparação com os métodos quânticos de Monte Carlo. Embora estes métodos produzam valores estatísticos robustos para a energia de sistemas bosônicos, eles exigem extrapolação para quantidades que não comutam com o hamiltoniano, potencialmente introduzindo viés. Portanto, com o objetivo de contornar extrapolações, a representação do estado fundamental através de redes neurais foi empregada para calcular várias propriedades, como perfis de densidade, funções de distribuição de pares e funções densidade de pares. Além disso, correlações de curto alcance no contexto de universalidade fraca para aglomerados de hélio foram investigadas. Também, para tentar entender o sucesso de redes neurais descrevendo sistemas quânticos, propriedades de escala do tamanho da rede e a estrutura nodal das funções tentativa otimizadas foram analisadas para pontos quânticos

•Aug 30, 2024•0 citations

Applications of classical and quantum machine learning in quantum information

Felipe Rodrigues Perche Mahlow

Esta tese explora as interseções entre Aprendizado de Máquina e Informação Quântica, investigando como ferramentas de inteligência artificial podem ser aplicadas para resolver problemas fundamentais em sistemas quânticos complexos. O trabalho foca em dois desafios principais: a classificação de fases quânticas e a predição de sincronização quântica. Na classificação de fases quânticas, apresentamos três abordagens complementares. A primeira explora a independência de modelo, demonstrando como é possível treinar um classificador em dados provenientes de um modelo de Hamiltoniano e utilizá-lo para classificar fases em um modelo distinto. A segunda abordagem emprega algoritmos de Aprendizado de Máquina Quântico (QML) com seleção de atributos baseada na técnica SHAP (Shapley Additive Explanations), otimizando a escolha de features relevantes para melhorar a precisão dos classificadores. Por fim, introduzimos o uso de redes generativas adversárias (GANs) para criar dados sintéticos, permitindo ampliar e diversificar os conjuntos de dados e, assim, aumentar a eficiência e a precisão das classificações. No segundo desafio, a predição de sincronização quântica, aplicamos um algoritmo de aprendizado supervisionado para prever a ocorrência de sincronização ou antissincronização em sistemas quânticos. Baseando-nos em dados iniciais da evolução temporal do sistema, demonstramos como identificar padrões que indicam a dinâmica futura desses fenômenos com alta confiabilidade. Esta tese contribui apresentando soluções inovadoras e um conjunto abrangente de ferramentas que conectam inteligência artificial à compreensão de sistemas quânticos. Os resultados obtidos oferecem insights valiosos para a compreensão e manipulação desses sistemas.

•Feb 25, 2025•0 citations

Exploration of phase behavior of classical spin systems using machine learning

Danilo Rodrigues de Assis Elias

Resumo: Nós aplicamos um conjunto de técnicas de aprendizado de máquina para a exploração global de diagramas de fase de dois modelos de Ising frustrados com competição entre interações. Baseado em configurações puras geradas por Monte Carlo com parametros aleatórios do sistema nós aplicamos Análise de componente principal (PCA) e auto-encoders para atingir redução de dimensionalidade, seguido de clusterização utilizando o método DBSCAN e uma máquina de vetores suporte como classificador para gerar as linhas de transição entre as fases distintas em ambos os modelos. Os resultados concordam com soluções analíticas disponíveis, com o autoencoder levando a melhores estimativas quantitativas, mesmo para um conjunto de dados consistindo de apens 1400 configurações de spin. Além disso, os resultados sugerem a existência de uma relação entre a estrutura do espaço latente otimizado do auto-encoder e características físicas dos sistemas. Isso indica que a abordagem utilizada pode ser útil para descobrir propriedades fundamentais do sistema em contextos em que entendimento teórico se enontra indisponível

•Mar 24, 2023•0 citations

Algoritmos quânticos variacionais e sistemas de muitos corpos

Alexandre Drinko

Os algoritmos quânticos variacionais têm se destacado como uma maneira de obter vantagem quântica no atual estado da arte da computação quântica, a chamada era NISQ (escala quântica intermediária com ruídos). A estrutura destes algoritmos consiste em estrategicamente combinar processamento quântico (circuito parametrizado) com otimização clássica, conectados por meio de uma função custo que norteia a otimização dos parâmetros. Neste trabalho damos principal enfoque nos circuitos parametrizados inicialmente na tarefa de detecção de emaranhamento em cadeias de spin-1/2 descritas pelo Hamiltoniano de Heisenberg com interações de primeiros vizinhos e ausência de campo externo, via testemunha de emaranhamento, em que dois circuitos são utilizados em conjunto nesta tarefa, sendo um totalmente separável, enquanto outros com capacidade de gerar emaranhamento. Utilizando estes mesmos circuitos, buscamos obter o conjunto de parâmetros ideais para preparar o estado fundamental destes mesmos Hamiltonianos, os quais consideramos de 2 a 15 q-bits. Outro resultado consiste em uma proposta de extração de trabalho em baterias quânticas descritas como uma cadeia de spin-1/2 com interações de primeiros vizinhos, considerando várias configurações dos termos de anisotropia. Utilizamos circuitos parametrizados com diferentes topologias (conexão entre os q-bits definida por portas de 2 q-bits) para obter a ergotropia nestes sistemas. Neste resultado da ergotropia, consideramos sistemas com 2 a 8 q-bits.

•Nov 12, 2024•0 citations

Aprendizado de Máquina para o Estudo de Fases Magnéticas a Partir de Dados Obtidos de Simulações de Modelos Magnéticos

Luccas Amorim Rocha

Este trabalho investiga o uso de métodos de aprendizado de máquina, tanto supervisionado quanto não supervisionado (Análise de Componentes Principais), para o estudo de fases magnéticas em simulações de modelos do tipo Ising. Uma rede neural foi treinada para determinar a probabilidade de uma configuração de spins, em uma rede quadrada de dimensão LxL, estar em uma fase paramagnética ou ferromagnética, visando identificar a temperatura crítica de transição entre essas fases. Gerando dados de treinamento e teste via método de Monte Carlo em uma rede a duas temperaturas distintas, o método supervisionado foi aplicado inicialmente, onde os resultados indicaram um ponto de cruzamento nas curvas de probabilidade das fases, evidenciando um comportamento quase simétrico entre as fases em relação à temperatura e determinando a temperatura crítica nesse ponto de cruzamento. Posteriormente, no método de Análise de Componentes Principais, desenvolveu-se o modelo Ising com parâmetro de ordem constante, isto é, a magnetização é constante à medida que a temperatura varia, a rede quadrada de spins foi submetida a Dinâmica de Kawasaki e com isso foi obtido resultados satisfatórios para temperatura crítica. Concluiu-se que o método supervisionado de aprendizado de máquina, que consistiu em treinar uma rede neural a fim de identificar configurações de spins obtidas através de simulações de Monte Carlo do modelo de Ising, demonstrou eficácia na detecção da temperatura crítica do modelo, apresentando resultados ligeiramente superiores ao valor exato de 2.269. Essa discrepância é atribuída ao fato de a temperatura crítica exata ser válida para redes de tamanho infinito, enquanto redes de tamanho finito tendem a exibir uma temperatura crítica ligeiramente mais elevada. Por outro lado, foi utilizado uma ferramenta de aprendizado não supervisionado chamada método PCA (Análise de Componentes Principais) a fim de classificar as diferentes fases e a região de criticidade do Modelo de Ising COP. Este modelo difere do Ising tradicional pois apresenta a magnetização constante para toda temperatura. Portanto, a técnica PCA foi adequada para estudar este modelo, uma vez que não é possível construir um parâmetro de ordem que possa identificar a transição entre a fase ordenada e desordenada. Por conseguinte, os gráficos da distribuição dos dados transformados conseguiram identificar os dados que correspondem a fase ordenada, desordenada e a região de transição ou criticidade.

•Jan 1, 2025•0 citations

Studies of strongly disordered quantum systems

Victor L. Quito

Resumo: Sistemas unidimensionais desordenados destacam-se por apresentar fenômenos sem análogos nos casos sem desordem ou em dimensões maiores. Fenômenos inerentes a sistemas com desordem incluem fases antiferromagnéticas de sistemas de spins, onde o estado fundamental é formado por coleções de singletos de pares de spins, e localização de Anderson, onde a função de onda apresenta decaimento exponencial. Nesta Tese, estudamos alguns casos onde a física de baixas energias é dramaticamente alterada quando o sistema é desordenado, incluindo os exemplos citados anteriormente. Além de sistemas que apresentam as propriedades físicas anteriores, elucidamos ainda um mecanismo genérico que leva ao aumento de simetria de baixas energias em sistemas de spins desordenados, um tema não explorado previamente. Investigamos os efeitos de desordem em cadeias de spin genéricos em uma dimensão, sendo as interações invariantes por rotação do sistema de coordenadas e por reversão temporal. Para tanto, consideramos todos os termos possíveis que preservam estas simetrias. Tais termos vão além do habitual termo de Heisenberg, em cadeias de spin S>1/2. Em cadeias de spin 1, encontramos distintas fases antiferromagnéticas onde o estado fundamental é composto de uma coleção de singletos de spins cujas posições são aleatórias. Em baixas energias, a desordem efetiva nestas fases cresce sem limites; tais fases são chamadas, portanto, de "fases de desordem infinita". Mais surpreendentemente, verificamos que nas fases antiferromagnéticas a simetria de baixas energias é aumentada, de SU(2) para SU(3). Tal verificação é feita a partir do mapeamento de operadores de spin monopolares, dipolares e quadrupolares para geradores de representações de SU(3), e a posterior constatação de que a física de baixas energias é invariante por rotações com tal grupo de geradores. Em analogia com a física de partículas, uma das fases é do tipo "bariônica", onde o estado fundamental é composto de singletos de coleções de três spins (ou quarks formando um singleto de cor, pela analogia com altas energias), enquanto outra fase é do tipo "mesônica", sendo o estado fundamental uma sopa de pares de spins (ou pares quark-antiquark, pela analogia). Além das fases antiferromagnéticas, mapeamos o diagrama de fases completo da cadeia de spin 1 bilinear e biquadrática (nos operadores de spin) no regime de desordem finita, incluindo fases ferromagnéticas e fases de spin alto. Nestas, o ferromagnetismo e o antiferomagnetismo competem, o que se reflete no crescimento de spin efetivos, que são os graus de liberdade efetivos em baixas energias, ser mais lento que no caso ferromagnético. Ao contrário das fases antiferromagnéticas, nestas fases de spin alto, a desordem efetiva satura em um valor finito. Estendemos o estudo para spins S>1 através do uso de tensores esféricos irredutíveis, que se mostram a linguagem natural para construção das regras de dizimação e análise do fluxo do grupo de renormalização para desordem forte. Novamente, incluímos todos os termos possíveis que respeitam invariância por rotação SU(2) e reversão temporal. Descobrimos que há também simetria aumentada nas fases antiferromagnéticas em baixas energias, agora para o grupo SU(2S+1), simetria esta herdada de um ponto no espaço de parâmetros onde o mapeamento para SU(2S+1) é exato em todas as escalas de energia. Esta é uma generalização da fase "mesônica" SU(3) de cadeias de spin 1. Nós também discutimos o porquê da fase "bariônica" ser muito mais restritiva e, portanto, especial da cadeia de spins 1. Outro objeto de nosso estudo foram sistemas de férmions não-interagentes em uma dimensão. Os "hoppings" de longo alcance são escolhidos tendo um desvio padrão com decaimento em função da distância entre sítios, em forma de lei de potência. Para tal estudo, estendemos o método de Equações de Fluxo, pioneiramente proposto por Wegner, para sistemas desordenados. Acoplado a esta extensão do método, propusemos uma técnica de grupo de renormalização. A combinação do uso direto das Equações de Fluxo, mais o método de grupo de renormalização, permitiu o mapeamento completo do diagrama de fases, com uma fase estendida (não-localizada) para expoentes de decaimento menores que um, e uma fase localizada para expoentes maiores que um. O caráter localizado ou delocalizado de determinada fase é determinado tanto pela evolução da distribuição de acoplamentos, quanto pelos autovalores do Hamiltoniano, através da medida de sua repulsão mútua entre níveis

•Jan 1, 2016•0 citations
O objetivo deste trabalho é apresentar um método computacional para determinar propriedades físicas de sistemas quânticos de muitos corpos. A abordagem proposta foi um método de Aprendizado de Máquina para lidar com imagens, onde a entrada é o Hamiltoniano do sistema desejado. Nós treinamos uma Rede Neural Convolucional VGG-16 para prever a energia do estado fundamental e o emaranhamento entre pares de partículas, tal como medido pela negatividade, para o Hamiltonianano de um sistema quântico de spins-1/2. Os resultados preveem com boa precisão os valores da energia e o emaranhamento entre pares. Particularmente, podemos reduzir a dimensão do Hamiltoniano antes que ele passe pela rede. O método pode ser generalizado para propriedades físicas arbitrárias
Resumo: Dentro do contexto da mecânica quântica, a descrição de estados quânticos é fundamental para explicar e prever o comportamento de sistemas finitos. Uma estratégia para realizar isso é por meio do método variacional, onde os estados quânticos são descritos por funções de onda tentativa. Além disso, a semelhança impressionante entre algoritmos de aprendizado profundo e o método variacional sugere que funções tentativa podem ser representadas por redes neurais artificiais. De fato, essa representação foi empregada neste trabalho para analisar sistemas compostos de bósons, como aglomerados de hélio-4, e férmions, como pontos quânticos. Ao usar a integração de Monte Carlo para calcular as integrais relevantes e treinar a rede neural para encontrar a energia do estado fundamental desses sistemas, os resultados obtidos atingiram uma precisão sem precedentes em comparação com os métodos quânticos de Monte Carlo. Embora estes métodos produzam valores estatísticos robustos para a energia de sistemas bosônicos, eles exigem extrapolação para quantidades que não comutam com o hamiltoniano, potencialmente introduzindo viés. Portanto, com o objetivo de contornar extrapolações, a representação do estado fundamental através de redes neurais foi empregada para calcular várias propriedades, como perfis de densidade, funções de distribuição de pares e funções densidade de pares. Além disso, correlações de curto alcance no contexto de universalidade fraca para aglomerados de hélio foram investigadas. Também, para tentar entender o sucesso de redes neurais descrevendo sistemas quânticos, propriedades de escala do tamanho da rede e a estrutura nodal das funções tentativa otimizadas foram analisadas para pontos quânticos
Esta tese explora as interseções entre Aprendizado de Máquina e Informação Quântica, investigando como ferramentas de inteligência artificial podem ser aplicadas para resolver problemas fundamentais em sistemas quânticos complexos. O trabalho foca em dois desafios principais: a classificação de fases quânticas e a predição de sincronização quântica. Na classificação de fases quânticas, apresentamos três abordagens complementares. A primeira explora a independência de modelo, demonstrando como é possível treinar um classificador em dados provenientes de um modelo de Hamiltoniano e utilizá-lo para classificar fases em um modelo distinto. A segunda abordagem emprega algoritmos de Aprendizado de Máquina Quântico (QML) com seleção de atributos baseada na técnica SHAP (Shapley Additive Explanations), otimizando a escolha de features relevantes para melhorar a precisão dos classificadores. Por fim, introduzimos o uso de redes generativas adversárias (GANs) para criar dados sintéticos, permitindo ampliar e diversificar os conjuntos de dados e, assim, aumentar a eficiência e a precisão das classificações. No segundo desafio, a predição de sincronização quântica, aplicamos um algoritmo de aprendizado supervisionado para prever a ocorrência de sincronização ou antissincronização em sistemas quânticos. Baseando-nos em dados iniciais da evolução temporal do sistema, demonstramos como identificar padrões que indicam a dinâmica futura desses fenômenos com alta confiabilidade. Esta tese contribui apresentando soluções inovadoras e um conjunto abrangente de ferramentas que conectam inteligência artificial à compreensão de sistemas quânticos. Os resultados obtidos oferecem insights valiosos para a compreensão e manipulação desses sistemas.
Resumo: Nós aplicamos um conjunto de técnicas de aprendizado de máquina para a exploração global de diagramas de fase de dois modelos de Ising frustrados com competição entre interações. Baseado em configurações puras geradas por Monte Carlo com parametros aleatórios do sistema nós aplicamos Análise de componente principal (PCA) e auto-encoders para atingir redução de dimensionalidade, seguido de clusterização utilizando o método DBSCAN e uma máquina de vetores suporte como classificador para gerar as linhas de transição entre as fases distintas em ambos os modelos. Os resultados concordam com soluções analíticas disponíveis, com o autoencoder levando a melhores estimativas quantitativas, mesmo para um conjunto de dados consistindo de apens 1400 configurações de spin. Além disso, os resultados sugerem a existência de uma relação entre a estrutura do espaço latente otimizado do auto-encoder e características físicas dos sistemas. Isso indica que a abordagem utilizada pode ser útil para descobrir propriedades fundamentais do sistema em contextos em que entendimento teórico se enontra indisponível
Os algoritmos quânticos variacionais têm se destacado como uma maneira de obter vantagem quântica no atual estado da arte da computação quântica, a chamada era NISQ (escala quântica intermediária com ruídos). A estrutura destes algoritmos consiste em estrategicamente combinar processamento quântico (circuito parametrizado) com otimização clássica, conectados por meio de uma função custo que norteia a otimização dos parâmetros. Neste trabalho damos principal enfoque nos circuitos parametrizados inicialmente na tarefa de detecção de emaranhamento em cadeias de spin-1/2 descritas pelo Hamiltoniano de Heisenberg com interações de primeiros vizinhos e ausência de campo externo, via testemunha de emaranhamento, em que dois circuitos são utilizados em conjunto nesta tarefa, sendo um totalmente separável, enquanto outros com capacidade de gerar emaranhamento. Utilizando estes mesmos circuitos, buscamos obter o conjunto de parâmetros ideais para preparar o estado fundamental destes mesmos Hamiltonianos, os quais consideramos de 2 a 15 q-bits. Outro resultado consiste em uma proposta de extração de trabalho em baterias quânticas descritas como uma cadeia de spin-1/2 com interações de primeiros vizinhos, considerando várias configurações dos termos de anisotropia. Utilizamos circuitos parametrizados com diferentes topologias (conexão entre os q-bits definida por portas de 2 q-bits) para obter a ergotropia nestes sistemas. Neste resultado da ergotropia, consideramos sistemas com 2 a 8 q-bits.
Este trabalho investiga o uso de métodos de aprendizado de máquina, tanto supervisionado quanto não supervisionado (Análise de Componentes Principais), para o estudo de fases magnéticas em simulações de modelos do tipo Ising. Uma rede neural foi treinada para determinar a probabilidade de uma configuração de spins, em uma rede quadrada de dimensão LxL, estar em uma fase paramagnética ou ferromagnética, visando identificar a temperatura crítica de transição entre essas fases. Gerando dados de treinamento e teste via método de Monte Carlo em uma rede a duas temperaturas distintas, o método supervisionado foi aplicado inicialmente, onde os resultados indicaram um ponto de cruzamento nas curvas de probabilidade das fases, evidenciando um comportamento quase simétrico entre as fases em relação à temperatura e determinando a temperatura crítica nesse ponto de cruzamento. Posteriormente, no método de Análise de Componentes Principais, desenvolveu-se o modelo Ising com parâmetro de ordem constante, isto é, a magnetização é constante à medida que a temperatura varia, a rede quadrada de spins foi submetida a Dinâmica de Kawasaki e com isso foi obtido resultados satisfatórios para temperatura crítica. Concluiu-se que o método supervisionado de aprendizado de máquina, que consistiu em treinar uma rede neural a fim de identificar configurações de spins obtidas através de simulações de Monte Carlo do modelo de Ising, demonstrou eficácia na detecção da temperatura crítica do modelo, apresentando resultados ligeiramente superiores ao valor exato de 2.269. Essa discrepância é atribuída ao fato de a temperatura crítica exata ser válida para redes de tamanho infinito, enquanto redes de tamanho finito tendem a exibir uma temperatura crítica ligeiramente mais elevada. Por outro lado, foi utilizado uma ferramenta de aprendizado não supervisionado chamada método PCA (Análise de Componentes Principais) a fim de classificar as diferentes fases e a região de criticidade do Modelo de Ising COP. Este modelo difere do Ising tradicional pois apresenta a magnetização constante para toda temperatura. Portanto, a técnica PCA foi adequada para estudar este modelo, uma vez que não é possível construir um parâmetro de ordem que possa identificar a transição entre a fase ordenada e desordenada. Por conseguinte, os gráficos da distribuição dos dados transformados conseguiram identificar os dados que correspondem a fase ordenada, desordenada e a região de transição ou criticidade.
Resumo: Sistemas unidimensionais desordenados destacam-se por apresentar fenômenos sem análogos nos casos sem desordem ou em dimensões maiores. Fenômenos inerentes a sistemas com desordem incluem fases antiferromagnéticas de sistemas de spins, onde o estado fundamental é formado por coleções de singletos de pares de spins, e localização de Anderson, onde a função de onda apresenta decaimento exponencial. Nesta Tese, estudamos alguns casos onde a física de baixas energias é dramaticamente alterada quando o sistema é desordenado, incluindo os exemplos citados anteriormente. Além de sistemas que apresentam as propriedades físicas anteriores, elucidamos ainda um mecanismo genérico que leva ao aumento de simetria de baixas energias em sistemas de spins desordenados, um tema não explorado previamente. Investigamos os efeitos de desordem em cadeias de spin genéricos em uma dimensão, sendo as interações invariantes por rotação do sistema de coordenadas e por reversão temporal. Para tanto, consideramos todos os termos possíveis que preservam estas simetrias. Tais termos vão além do habitual termo de Heisenberg, em cadeias de spin S>1/2. Em cadeias de spin 1, encontramos distintas fases antiferromagnéticas onde o estado fundamental é composto de uma coleção de singletos de spins cujas posições são aleatórias. Em baixas energias, a desordem efetiva nestas fases cresce sem limites; tais fases são chamadas, portanto, de "fases de desordem infinita". Mais surpreendentemente, verificamos que nas fases antiferromagnéticas a simetria de baixas energias é aumentada, de SU(2) para SU(3). Tal verificação é feita a partir do mapeamento de operadores de spin monopolares, dipolares e quadrupolares para geradores de representações de SU(3), e a posterior constatação de que a física de baixas energias é invariante por rotações com tal grupo de geradores. Em analogia com a física de partículas, uma das fases é do tipo "bariônica", onde o estado fundamental é composto de singletos de coleções de três spins (ou quarks formando um singleto de cor, pela analogia com altas energias), enquanto outra fase é do tipo "mesônica", sendo o estado fundamental uma sopa de pares de spins (ou pares quark-antiquark, pela analogia). Além das fases antiferromagnéticas, mapeamos o diagrama de fases completo da cadeia de spin 1 bilinear e biquadrática (nos operadores de spin) no regime de desordem finita, incluindo fases ferromagnéticas e fases de spin alto. Nestas, o ferromagnetismo e o antiferomagnetismo competem, o que se reflete no crescimento de spin efetivos, que são os graus de liberdade efetivos em baixas energias, ser mais lento que no caso ferromagnético. Ao contrário das fases antiferromagnéticas, nestas fases de spin alto, a desordem efetiva satura em um valor finito. Estendemos o estudo para spins S>1 através do uso de tensores esféricos irredutíveis, que se mostram a linguagem natural para construção das regras de dizimação e análise do fluxo do grupo de renormalização para desordem forte. Novamente, incluímos todos os termos possíveis que respeitam invariância por rotação SU(2) e reversão temporal. Descobrimos que há também simetria aumentada nas fases antiferromagnéticas em baixas energias, agora para o grupo SU(2S+1), simetria esta herdada de um ponto no espaço de parâmetros onde o mapeamento para SU(2S+1) é exato em todas as escalas de energia. Esta é uma generalização da fase "mesônica" SU(3) de cadeias de spin 1. Nós também discutimos o porquê da fase "bariônica" ser muito mais restritiva e, portanto, especial da cadeia de spins 1. Outro objeto de nosso estudo foram sistemas de férmions não-interagentes em uma dimensão. Os "hoppings" de longo alcance são escolhidos tendo um desvio padrão com decaimento em função da distância entre sítios, em forma de lei de potência. Para tal estudo, estendemos o método de Equações de Fluxo, pioneiramente proposto por Wegner, para sistemas desordenados. Acoplado a esta extensão do método, propusemos uma técnica de grupo de renormalização. A combinação do uso direto das Equações de Fluxo, mais o método de grupo de renormalização, permitiu o mapeamento completo do diagrama de fases, com uma fase estendida (não-localizada) para expoentes de decaimento menores que um, e uma fase localizada para expoentes maiores que um. O caráter localizado ou delocalizado de determinada fase é determinado tanto pela evolução da distribuição de acoplamentos, quanto pelos autovalores do Hamiltoniano, através da medida de sua repulsão mútua entre níveis