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

Otimização em computadores quânticos: formulação QUBO para o problema CMO

Nicolas M. de Oliveira

Published Feb 22, 2018• 0 citations
OpenAlex

Abstract

A computação quântica é um paradigma computacional que tem motivado o aparecimento de diversas pesquisas que visam apresentar soluções para problemas, atualmente, considerados difíceis. O surgimento de algoritmos quânticos que operam mais rápido que seus análogos clássicos tem feito com que corporações como Google, NASA e IBM invistam nesse paradigma. Por isso, intensificou-se a busca por formulações alternativas para problemas, visando resolvê-los em um ambiente computacional quântico. Entre essas formulações, estão os trabalhos que abordam a resolução de problemas na computação quântica a partir de formulações QUBO (Quadratic Unconstrained Binary Optimization), um problema NP-difícil cujo princípio consiste em minimizar uma função quadrática. O formato QUBO é comumente utilizado na literatura quando da solução quântica de problemas de otimização e diversos autores têm recorrido à esta caracterização devido à sua aplicabilidade em uma considerável gama de problemas. Dessa forma, representar um dado problema como um problema QUBO implica diretamente que podemos executá-lo em um ambiente computacional quântico (genérico ou de propósito específico). O problema CMO (Contact Map Overlap) é definido como um problema de otimização combinatória NPdifícil que consiste na medida de semelhança entre pares de proteínas com base em seus respectivos mapas de contato. Em bioinformática, o estudo de problemas que buscam por funções similares entre estruturas biológicas, especialmente de proteínas, é um campo de grande interesse. Com isso, este trabalho de pesquisa aborda o problema CMO na conjectura da resolução dos problemas de otimização em computadores quânticos através da formulação QUBO dos mesmos. Além de fornecermos uma formulação QUBO para o problema de proteína CMO, resultados experimentais foram obtidos com o auxílio da ferramenta qbsolv e validaram esta abordagem como uma alternativa aos métodos clássicos existentes.

Related papers

Otimização de Portfólios em Mercados Financeiros utilizando Computação Quântica: Um Estudo Experimental

Cláudio Filipe Prata Gomes

A computação quântica está prestes a mudar o mundo tal como o conhecemos. Através da exploração das propriedades da teoria quântica para fins computacionais, é esperada uma redução substancial na quantidade de problemas que hoje são considerados intratáveis. Isto significa que os computadores quânticos têm a capacidade de devolver soluções para alguns problemas de interesse prático para os quais um computador clássico não consegue devolver, pelo menos em tempo útil. Isto é ainda mais revolucionário e notável pelo facto de que esses problemas abrangem domínios multidisciplinares como Química, Medicina e, mais relevante no contexto desta dissertação, Finanças.Neste trabalho, vamos focar-nos na utilização da computação quântica para abordar um problema relevante e atual no domínio financeiro. Mais especificamente, um problema de otimização combinatorial, o problema de otimização de portfólios, que consiste em selecionar o melhor portfólio financeiro (combinação de ativos) entre um conjunto de todos os portfólios possíveis, de acordo com uma certa função objetivo, comummente de forma a maximizar o retorno esperado ou minimizar o risco. Devido ao grande número de parâmetros, como o retorno esperado por ativo e as condições de mercado, este problema atinge uma complexidade exponencial e é um problema NP-hard, intratável no contexto da computação clássica.Nós desenvolvemos um estudo empírico acerca da influência dos parâmetros nas soluções devolvidas por um computador quântico para o problema de otimização de portfólios. Em particular, utilizamos um computador quântico da D-Wave e variamos os parâmetros relacionados não só com o computador quântico, mas também com o problema de otimização de portfólios. Acreditamos que as conclusões do estudo são contribuições úteis para qualquer investigador que deseje utilizar computadores quânticos adiabáticos no contexto do problema de otimização de portfólios e também noutros domínios de aplicação.As nossas descobertas sugerem que os parâmetros têm efeito nos resultados, quer sejam relacionados com o problema de otimização de portfólios ou com o computador quântico. Além disso, também descobrimos que alguns dos parâmetros têm um grande impacto, tal como o chain strength, que define a força com a qual os qubits que representam uma variável estão correlacionados, e que outros não têm nenhum efeito estatisticamente significativo, tais como o anneal schedule ou o embedding.

•Jul 15, 2021•0 citations

Algorithms for solving pseudo-boolean optimization problems

Eduardo A.J. Anacleto

Investigamos os problemas de Otimização Pseudo-Booleana (PBO), Otimização Quadrática Binária Irrestrita (QUBO) e Programação Quadrática Booleana com Restrições de Limitantes Superiores Generalizados (BQP-GUB). Estes problemas pertencem 'a classe de complexidade computacional NP-difícil e têm sido estudados desde os anos 60. A busca por m'métodos para resolver esses problemas constitui um campo de pesquisa ativo, devido a situações reais que podem ser modeladas por meio deles. Em virtude de apelos práticos, pesquisadores têm mostrado grande interesse no desenvolvimento desses métodos. Com o intuito de contribuir de maneira significativa para esta área de pesquisa: (a) propomos um algoritmo exato para resolver os problemas PBO e QUBO; (b) projetamos um algoritmo de tempo polinomial para resolver classes de instâncias dos problemas PBO e QUBO; (c) desenvolvemos fórmulas para gerar limitantes para os valores de soluções ótimas para o problema QUBO; (d) criamos fórmulas para calcular rapidamente o valor da função objetivo do BQP-GUB; e (e) reformulamos problemas de otimização combinatória para a forma dos problemas QUBO e BQP-GUB.

•Jun 21, 2023•0 citations

Uma ferramenta para projeto e simulação de circuitos quânticos.

G. E. M. Cabral, Gustavo Eulalio M. Cabral

A Computação Quântica surgiu como uma promissora tecnologia alternativa capaz de contornar os problemas previstos para acontecerem em breve com a saturação da tecnologia atual (Computação Clássica). Estes problemas acontecem quando se trabalha com componentes muito pequenos, da ordem de poucos nanômetros, quando os efeitos da Mecânica Quântica começam a tornar-se mais fortes, gerando resultados aleatórios. A Computação Quântica toma proveito desses efeitos, resultando numa Computação não somente mais rápida, como um novo tipo de Computação, capaz de realizar tipos novos de computação impossíveis, em princípio, de serem realizadas classicamente. Embora a teoria da Computação Quântica venha se desenvolvendo com rapidez, a parte experimental ainda enfrenta grandes dificuldades. Embora implementações de algoritmos simples e com poucos qubits já tenham sido realizadas, ainda há problemas sérios de escalabilidade, descoerência e controlabilidade a serem resolvidos. Devido a esses problemas, torna-se imperativo o uso de simuladores tanto para o desenvolvimento de novos algoritmos quanto para o estudo dos algoritmos existentes. A simulação, porém, apresenta um problema, no que um sistema quântico só pode ser simulado eficientemente por outro sistema quântico. Um sistema quântico de n qubits levará um tempo O(2n ) para ser simulado por um computador clássico. A simulação, entretanto, mostra-se a alternativa mais viável em vista da falta de um hardware quântico. Este trabalho apresenta o processo de concepção e implementação de um simulador universal de circuitos quânticos, denominado Zeno. O modelo de circuitos quânticos foi escolhido por ser amplamente difundido e de fácil assimilação. O trabalho apresenta uma introdução aos conceitos de Computação Quântica usados na implementação do simulador, os requisitos gerais desejáveis para um novo simulador de circuitos quânticos, tanto do ponto de vista funcional quanto do não-funcional, o processo de desenvolvimento utilizado e uma análise dos resultados obtidos com a implementação do simulador.

•Jul 21, 2004•0 citations

COMPUTAÇÃO QUÂNTICA COMO PILAR EMERGENTE NA TRANSFORMAÇÃO DA MEDICINA DE PRECISÃO E DIAGNÓSTICO AVANÇADO

Fabrício Fagundes da SILVA, Gustavo Quaresma GONÇALVES, Igor de Oliveira MONTENEGRO +3 more

Introdução: A computação quântica tem se destacado como uma tecnologia emergente com alto potencial de impacto na área da saúde. Ao utilizar qubits em vez de bits clássicos, os processadores quânticos operam com base nos princípios da superposição e do entrelaçamento, que permitem resolver problemas de elevada complexidade computacional. Na medicina, esses avanços podem transformar desde o desenvolvimento de fármacos até o diagnóstico e tratamento de doenças complexas. Objetivo: Este trabalho tem como objetivo analisar as principais aplicações dos processadores quânticos na medicina moderna e destacar seu potencial em áreas como diagnóstico, terapias personalizadas, simulação molecular e otimização de sistemas de saúde. Metodologia: Foi realizada uma pesquisa descritiva bibliográfica, com análise e revisão da literatura científica recente, sendo a busca realizada em bases de dados como PubMed, IEEE Xplore e Scopus. A seleção considerou publicações dos últimos cinco anos, com foco em estudos que abordam a aplicação direta ou potencial da computação quântica no campo médico. Resultados: Os estudos analisados indicam que a computação quântica pode revolucionar a medicina em múltiplas frentes. Entre as aplicações mais relevantes, destacam-se a modelagem molecular precisa para descoberta de novos medicamentos, algoritmos quânticos para diagnóstico precoce com base em big data, análise genômica para medicina personalizada e otimização de rotinas clínicas em hospitais. Apesar dos avanços, desafios como a estabilidade dos qubits e a necessidade de infraestrutura altamente especializada ainda limitam a aplicação prática em larga escala. Conclusão: A computação quântica representa uma fronteira promissora na medicina, com potencial para redefinir paradigmas de diagnóstico, tratamento e gestão em saúde. Investimentos em pesquisa e integração multidisciplinar serão essenciais para sua consolidação no setor médico.

ANAIS DO FÓRUM DE INICIAÇÃO CIENTÍFICA DO UNIFUNEC•Jun 1, 2026•0 citations

Reconhecimento quântico de padrões aplicados à sequências de DNA

Patrícia Silva Nascimento Barros

A computação quântica é uma área de pesquisa recente que engloba três áreas conhecidas: matemática, física e computação. Com as pesquisas na área de algoritmos\nquânticos veio a necessidade de entender e expressar tais algoritmos do ponto de vista de programação. Diversas linguagens e modelos para programação quântica de alto nível têm sido propostas nos últimos anos. A Mecânica Quântica (MQ) é um conjunto de regras matemáticas que servem para a construção de teorias físicas, desde a sua criação até os dias de hoje ela tem sido aplicada em diversos ramos. Neste contexto se desenvolveu a Computação Quântica, talvez a mais espetacular proposta de aplicação prática da MQ. A dificuldade de se desenvolver algoritmos quânticos propicia o uso de técnicas alternativas à solução de problemas puramente algorítmica, como por exemplo o aprendizado de máquinas e algoritmos genéticos. Carlo Trugenberger propõe um modelo de memória\nquântica associativa onde os padrões binários de n bits são armazenados em superposição com um subconjunto apropriado da base computacional de n qubits. Este modelo resolve o problema de escassez de capacidade bem conhecida da memória clássica associativa,provendo uma melhoria grande em capacidade. A distribuição proposta por Trugenberger usa a distância de Hamming, em que as amplitudes tem um pico nos padrões armazenados, que tem menor distância em relação à entrada. A precisão do reconhecimento de padrões pode ser ajustado por um parâmetro b, isto é, aumentando b aumenta a probabilidade\nde reconhecimento. Este trabalho analisa a diversidade genética das abelhas sem ferrão Melipona quinquefasciata, obtidas de várias colônias silvestres, em localidades distintas\nda Chapada do Araripe-CE, Chapada da Ibiapaba-CE, cidade do Canto do Buriti-PI e Luziânia-GO. As sequências de DNA foram transformados substituindo A por 00, G por 01, C por 10 e T por 11. Os resultados mostram que essa probabilidade é muito eficiente para reconhecer os padrões de sequências de DNA das abelhas sem ferrão Melipona quinquefasciata\ndas regiões 18S e ITS1 parcial. O algoritmo não é computacionalmente eficiente em um computador clássico, mas será extremamente eficiente em um computador quântico. Concluiu-se que este método de reconhecimento quântico de padrões é melhor que o método clássico utilizado por Pereira.

•Feb 21, 2011•0 citations

RESOLVENDO O PROBLEMA DA MOCHILA CÚBICA COM MÉTODOS CLÁSSICOS E TECNOLOGIAS QUÂNTICAS

Thiago Alves de Queiroz, Manuel Iori, Alberto Locatelli +1 more

XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 1 1.Introdução A computação quântica está se tornando uma realidade palpável em comparação com o paradigma de computação clássico.Os recentes avanços em termos de hardware e software para esse novo paradigma de computação têm permitido cientistas realizarem suas pesquisas com o uso de tecnologia quântica.Dentro da pesquisa operacional, atenção tem sido dada aos problemas de otimização combinatória e, recentemente, aos algoritmos de otimização quânticos ou inspirados na computação quântica.Vários desses algoritmos estão sendo definidos para resolver problemas de otimização combinatória de forma mais eficiente se comparados aos algoritmos clássicos (ALBASH; LIDAR, 2018).Dentre os avanços na computação quântica, pode-se citar o recozimento quântico (quantum annealer -QA).Ele é uma tecnologia projetada para lidar com problemas de otimização.A ideia é encontrar o estado de menor energia do sistema, o que corresponde a uma solução ótima do problema.Um exemplo de QA é o sistema D-Wave Advantage, que possui mais de 5 mil bits quânticos (qubits) e tem um resolvedor que pode lidar com problemas de até 2 milhões de variáveis e 100 mil restrições (BOIXO et al., 2014).Por outro lado, um ponto fraco de QAs está no número de conexões entre os qubits e os ruídos que surgem da comunicação entre eles, o que na prática limita a sua aplicação na resolução de problemas reais (DU et al., 2025).Uma outra tecnologia é o recozimento digital (digital annealer -DA), que foi proposto pela Fujitsu Ltd e é inspirado em tecnologia quântica.Ele não se trata de um computador quântico, mas de um hardware dedicado construído com a convencional tecnologia CMOS (Complementary Metal-Oxide-Semiconductor), o que permite seu funcionamento em temperatura ambiente.Para encontrar soluções de problemas de otimização, ele executa um algoritmo similar a metaheurística recozimento simulado (simulated annealing) que, por sua vez, é baseada na analogia do recozimento térmico de sólidos para a obtenção de estados de baixa energia.Uma vantagem do DA em comparação a um QA é a sua performance, com capacidade para lidar com problemas grandes e reais (FUKUSHIMA-KIMURA et al., 2023).Neste artigo, o DA é aplicado para resolver o problema da mochila cúbica (PMC).O PMC é um problema de otimização combinatória não-linear e que pertence a classe NP-Difícil.Ele possui aplicação, por exemplo, em problemas da área logística, na satisfatibilidade de fórmulas booleanas, em leilões combinatórios e na seleção de portfólio (FORRESTER; WADDELL, 2022).O objetivo desta pesquisa é avaliar o desempenho do DA sobre uma modelagem baseada na otimização binária irrestrita de ordem superior (higher-order unconstrained binary optimization -HUBO).Para isso, experimentos computacionais são realizados com exemplares XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 2 de teste variando entre 40 e 100 itens e considerando diferentes densidades de coeficientes não nulos para a função objetivo do PMC.As soluções encontradas pelo DA são comparadas com aquelas obtidas por uma heurística gulosa e um modelo de programação linear inteira publicados recentemente na literatura especializada.Vale destacar que alguns desses resultados foram publicados em Queiroz et al. (2025).O presente artigo está organizado da seguinte forma.A Seção 2 contém o referencial teórico, com uma breve revisão da literatura sobre o problema da mochila e do uso do DA para resolver problemas de otimização.A Seção 3 apresenta a metodologia de pesquisa, incluindo a definição formal do PMC, o modelo cúbico a ser resolvido pelo DA, a heurística gulosa e o modelo de programação linear inteira.A Seção 4 discute os resultados computacionais, com uma tabela comparativa e análises referentes a performance de cada método de solução sobre os exemplares de teste.A Seção 5 traz as considerações finais. Referencial TeóricoEsta pesquisa contempla um problema de otimização combinatória, dentro da pesquisa operacional.Problemas de otimização combinatória possuem domínio finito, porém muito grande.O interesse está em soluções que maximizam uma certa função objetivo sujeita a diferentes restrições do problema sendo tratado (ARENALES et al., 2007).Para o modelo de computação clássica, esses problemas são computacionalmente difíceis, ou seja, estão na classe NP-Difícil.Isso significa que, até o presente momento, não se conhece algoritmos exatos de tempo polinomial para resolvê-los na otimalidade (GAREY; JOHNSON, 1979). Problema da mochilaProblemas empacotamento, como é o caso do problema da mochila, vêm sendo investigados há muito tempo por pesquisadores da área de pesquisa operacional (IORI et al., 2021).Dada a grande variedade desses problemas, existem características que permitem classificá-los.A tipologia mais recente foi proposta por Wäscher, Haussner e Schumann (2007).Ela parte de uma classificação anterior da literatura, introduzindo novas caraterísticas, sendo mais precisa e cobrindo um maior número de problemas.O problema da mochila possui um modelo matemático simples e aplicações em diversas áreas, além de aparecer como subproblema de outros problemas de otimização combinatória.A sua versão clássica é definida sobre um dado recipiente de capacidade de peso limitada e um conjunto de itens com valor e peso.O objetivo é escolher um subconjunto de itens de máximo valor cujo peso total respeite a capacidade de peso do recipiente.

Anais ... Encontro Nacional de Engenharia de Produção/Anais do Encontro Nacional de Engenharia de Produção•Nov 4, 2025•0 citations
A computação quântica é um paradigma computacional que tem motivado o aparecimento de diversas pesquisas que visam apresentar soluções para problemas, atualmente, considerados difíceis. O surgimento de algoritmos quânticos que operam mais rápido que seus análogos clássicos tem feito com que corporações como Google, NASA e IBM invistam nesse paradigma. Por isso, intensificou-se a busca por formulações alternativas para problemas, visando resolvê-los em um ambiente computacional quântico. Entre essas formulações, estão os trabalhos que abordam a resolução de problemas na computação quântica a partir de formulações QUBO (Quadratic Unconstrained Binary Optimization), um problema NP-difícil cujo princípio consiste em minimizar uma função quadrática. O formato QUBO é comumente utilizado na literatura quando da solução quântica de problemas de otimização e diversos autores têm recorrido à esta caracterização devido à sua aplicabilidade em uma considerável gama de problemas. Dessa forma, representar um dado problema como um problema QUBO implica diretamente que podemos executá-lo em um ambiente computacional quântico (genérico ou de propósito específico). O problema CMO (Contact Map Overlap) é definido como um problema de otimização combinatória NPdifícil que consiste na medida de semelhança entre pares de proteínas com base em seus respectivos mapas de contato. Em bioinformática, o estudo de problemas que buscam por funções similares entre estruturas biológicas, especialmente de proteínas, é um campo de grande interesse. Com isso, este trabalho de pesquisa aborda o problema CMO na conjectura da resolução dos problemas de otimização em computadores quânticos através da formulação QUBO dos mesmos. Além de fornecermos uma formulação QUBO para o problema de proteína CMO, resultados experimentais foram obtidos com o auxílio da ferramenta qbsolv e validaram esta abordagem como uma alternativa aos métodos clássicos existentes.
A computação quântica está prestes a mudar o mundo tal como o conhecemos. Através da exploração das propriedades da teoria quântica para fins computacionais, é esperada uma redução substancial na quantidade de problemas que hoje são considerados intratáveis. Isto significa que os computadores quânticos têm a capacidade de devolver soluções para alguns problemas de interesse prático para os quais um computador clássico não consegue devolver, pelo menos em tempo útil. Isto é ainda mais revolucionário e notável pelo facto de que esses problemas abrangem domínios multidisciplinares como Química, Medicina e, mais relevante no contexto desta dissertação, Finanças.Neste trabalho, vamos focar-nos na utilização da computação quântica para abordar um problema relevante e atual no domínio financeiro. Mais especificamente, um problema de otimização combinatorial, o problema de otimização de portfólios, que consiste em selecionar o melhor portfólio financeiro (combinação de ativos) entre um conjunto de todos os portfólios possíveis, de acordo com uma certa função objetivo, comummente de forma a maximizar o retorno esperado ou minimizar o risco. Devido ao grande número de parâmetros, como o retorno esperado por ativo e as condições de mercado, este problema atinge uma complexidade exponencial e é um problema NP-hard, intratável no contexto da computação clássica.Nós desenvolvemos um estudo empírico acerca da influência dos parâmetros nas soluções devolvidas por um computador quântico para o problema de otimização de portfólios. Em particular, utilizamos um computador quântico da D-Wave e variamos os parâmetros relacionados não só com o computador quântico, mas também com o problema de otimização de portfólios. Acreditamos que as conclusões do estudo são contribuições úteis para qualquer investigador que deseje utilizar computadores quânticos adiabáticos no contexto do problema de otimização de portfólios e também noutros domínios de aplicação.As nossas descobertas sugerem que os parâmetros têm efeito nos resultados, quer sejam relacionados com o problema de otimização de portfólios ou com o computador quântico. Além disso, também descobrimos que alguns dos parâmetros têm um grande impacto, tal como o chain strength, que define a força com a qual os qubits que representam uma variável estão correlacionados, e que outros não têm nenhum efeito estatisticamente significativo, tais como o anneal schedule ou o embedding.
Investigamos os problemas de Otimização Pseudo-Booleana (PBO), Otimização Quadrática Binária Irrestrita (QUBO) e Programação Quadrática Booleana com Restrições de Limitantes Superiores Generalizados (BQP-GUB). Estes problemas pertencem 'a classe de complexidade computacional NP-difícil e têm sido estudados desde os anos 60. A busca por m'métodos para resolver esses problemas constitui um campo de pesquisa ativo, devido a situações reais que podem ser modeladas por meio deles. Em virtude de apelos práticos, pesquisadores têm mostrado grande interesse no desenvolvimento desses métodos. Com o intuito de contribuir de maneira significativa para esta área de pesquisa: (a) propomos um algoritmo exato para resolver os problemas PBO e QUBO; (b) projetamos um algoritmo de tempo polinomial para resolver classes de instâncias dos problemas PBO e QUBO; (c) desenvolvemos fórmulas para gerar limitantes para os valores de soluções ótimas para o problema QUBO; (d) criamos fórmulas para calcular rapidamente o valor da função objetivo do BQP-GUB; e (e) reformulamos problemas de otimização combinatória para a forma dos problemas QUBO e BQP-GUB.
A Computação Quântica surgiu como uma promissora tecnologia alternativa capaz de contornar os problemas previstos para acontecerem em breve com a saturação da tecnologia atual (Computação Clássica). Estes problemas acontecem quando se trabalha com componentes muito pequenos, da ordem de poucos nanômetros, quando os efeitos da Mecânica Quântica começam a tornar-se mais fortes, gerando resultados aleatórios. A Computação Quântica toma proveito desses efeitos, resultando numa Computação não somente mais rápida, como um novo tipo de Computação, capaz de realizar tipos novos de computação impossíveis, em princípio, de serem realizadas classicamente. Embora a teoria da Computação Quântica venha se desenvolvendo com rapidez, a parte experimental ainda enfrenta grandes dificuldades. Embora implementações de algoritmos simples e com poucos qubits já tenham sido realizadas, ainda há problemas sérios de escalabilidade, descoerência e controlabilidade a serem resolvidos. Devido a esses problemas, torna-se imperativo o uso de simuladores tanto para o desenvolvimento de novos algoritmos quanto para o estudo dos algoritmos existentes. A simulação, porém, apresenta um problema, no que um sistema quântico só pode ser simulado eficientemente por outro sistema quântico. Um sistema quântico de n qubits levará um tempo O(2n ) para ser simulado por um computador clássico. A simulação, entretanto, mostra-se a alternativa mais viável em vista da falta de um hardware quântico. Este trabalho apresenta o processo de concepção e implementação de um simulador universal de circuitos quânticos, denominado Zeno. O modelo de circuitos quânticos foi escolhido por ser amplamente difundido e de fácil assimilação. O trabalho apresenta uma introdução aos conceitos de Computação Quântica usados na implementação do simulador, os requisitos gerais desejáveis para um novo simulador de circuitos quânticos, tanto do ponto de vista funcional quanto do não-funcional, o processo de desenvolvimento utilizado e uma análise dos resultados obtidos com a implementação do simulador.
Introdução: A computação quântica tem se destacado como uma tecnologia emergente com alto potencial de impacto na área da saúde. Ao utilizar qubits em vez de bits clássicos, os processadores quânticos operam com base nos princípios da superposição e do entrelaçamento, que permitem resolver problemas de elevada complexidade computacional. Na medicina, esses avanços podem transformar desde o desenvolvimento de fármacos até o diagnóstico e tratamento de doenças complexas. Objetivo: Este trabalho tem como objetivo analisar as principais aplicações dos processadores quânticos na medicina moderna e destacar seu potencial em áreas como diagnóstico, terapias personalizadas, simulação molecular e otimização de sistemas de saúde. Metodologia: Foi realizada uma pesquisa descritiva bibliográfica, com análise e revisão da literatura científica recente, sendo a busca realizada em bases de dados como PubMed, IEEE Xplore e Scopus. A seleção considerou publicações dos últimos cinco anos, com foco em estudos que abordam a aplicação direta ou potencial da computação quântica no campo médico. Resultados: Os estudos analisados indicam que a computação quântica pode revolucionar a medicina em múltiplas frentes. Entre as aplicações mais relevantes, destacam-se a modelagem molecular precisa para descoberta de novos medicamentos, algoritmos quânticos para diagnóstico precoce com base em big data, análise genômica para medicina personalizada e otimização de rotinas clínicas em hospitais. Apesar dos avanços, desafios como a estabilidade dos qubits e a necessidade de infraestrutura altamente especializada ainda limitam a aplicação prática em larga escala. Conclusão: A computação quântica representa uma fronteira promissora na medicina, com potencial para redefinir paradigmas de diagnóstico, tratamento e gestão em saúde. Investimentos em pesquisa e integração multidisciplinar serão essenciais para sua consolidação no setor médico.
A computação quântica é uma área de pesquisa recente que engloba três áreas conhecidas: matemática, física e computação. Com as pesquisas na área de algoritmos\nquânticos veio a necessidade de entender e expressar tais algoritmos do ponto de vista de programação. Diversas linguagens e modelos para programação quântica de alto nível têm sido propostas nos últimos anos. A Mecânica Quântica (MQ) é um conjunto de regras matemáticas que servem para a construção de teorias físicas, desde a sua criação até os dias de hoje ela tem sido aplicada em diversos ramos. Neste contexto se desenvolveu a Computação Quântica, talvez a mais espetacular proposta de aplicação prática da MQ. A dificuldade de se desenvolver algoritmos quânticos propicia o uso de técnicas alternativas à solução de problemas puramente algorítmica, como por exemplo o aprendizado de máquinas e algoritmos genéticos. Carlo Trugenberger propõe um modelo de memória\nquântica associativa onde os padrões binários de n bits são armazenados em superposição com um subconjunto apropriado da base computacional de n qubits. Este modelo resolve o problema de escassez de capacidade bem conhecida da memória clássica associativa,provendo uma melhoria grande em capacidade. A distribuição proposta por Trugenberger usa a distância de Hamming, em que as amplitudes tem um pico nos padrões armazenados, que tem menor distância em relação à entrada. A precisão do reconhecimento de padrões pode ser ajustado por um parâmetro b, isto é, aumentando b aumenta a probabilidade\nde reconhecimento. Este trabalho analisa a diversidade genética das abelhas sem ferrão Melipona quinquefasciata, obtidas de várias colônias silvestres, em localidades distintas\nda Chapada do Araripe-CE, Chapada da Ibiapaba-CE, cidade do Canto do Buriti-PI e Luziânia-GO. As sequências de DNA foram transformados substituindo A por 00, G por 01, C por 10 e T por 11. Os resultados mostram que essa probabilidade é muito eficiente para reconhecer os padrões de sequências de DNA das abelhas sem ferrão Melipona quinquefasciata\ndas regiões 18S e ITS1 parcial. O algoritmo não é computacionalmente eficiente em um computador clássico, mas será extremamente eficiente em um computador quântico. Concluiu-se que este método de reconhecimento quântico de padrões é melhor que o método clássico utilizado por Pereira.
XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 1 1.Introdução A computação quântica está se tornando uma realidade palpável em comparação com o paradigma de computação clássico.Os recentes avanços em termos de hardware e software para esse novo paradigma de computação têm permitido cientistas realizarem suas pesquisas com o uso de tecnologia quântica.Dentro da pesquisa operacional, atenção tem sido dada aos problemas de otimização combinatória e, recentemente, aos algoritmos de otimização quânticos ou inspirados na computação quântica.Vários desses algoritmos estão sendo definidos para resolver problemas de otimização combinatória de forma mais eficiente se comparados aos algoritmos clássicos (ALBASH; LIDAR, 2018).Dentre os avanços na computação quântica, pode-se citar o recozimento quântico (quantum annealer -QA).Ele é uma tecnologia projetada para lidar com problemas de otimização.A ideia é encontrar o estado de menor energia do sistema, o que corresponde a uma solução ótima do problema.Um exemplo de QA é o sistema D-Wave Advantage, que possui mais de 5 mil bits quânticos (qubits) e tem um resolvedor que pode lidar com problemas de até 2 milhões de variáveis e 100 mil restrições (BOIXO et al., 2014).Por outro lado, um ponto fraco de QAs está no número de conexões entre os qubits e os ruídos que surgem da comunicação entre eles, o que na prática limita a sua aplicação na resolução de problemas reais (DU et al., 2025).Uma outra tecnologia é o recozimento digital (digital annealer -DA), que foi proposto pela Fujitsu Ltd e é inspirado em tecnologia quântica.Ele não se trata de um computador quântico, mas de um hardware dedicado construído com a convencional tecnologia CMOS (Complementary Metal-Oxide-Semiconductor), o que permite seu funcionamento em temperatura ambiente.Para encontrar soluções de problemas de otimização, ele executa um algoritmo similar a metaheurística recozimento simulado (simulated annealing) que, por sua vez, é baseada na analogia do recozimento térmico de sólidos para a obtenção de estados de baixa energia.Uma vantagem do DA em comparação a um QA é a sua performance, com capacidade para lidar com problemas grandes e reais (FUKUSHIMA-KIMURA et al., 2023).Neste artigo, o DA é aplicado para resolver o problema da mochila cúbica (PMC).O PMC é um problema de otimização combinatória não-linear e que pertence a classe NP-Difícil.Ele possui aplicação, por exemplo, em problemas da área logística, na satisfatibilidade de fórmulas booleanas, em leilões combinatórios e na seleção de portfólio (FORRESTER; WADDELL, 2022).O objetivo desta pesquisa é avaliar o desempenho do DA sobre uma modelagem baseada na otimização binária irrestrita de ordem superior (higher-order unconstrained binary optimization -HUBO).Para isso, experimentos computacionais são realizados com exemplares XLV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO "Produção inteligente para um futuro renovável" Natal, Rio Grande do Norte, 14 a 17 de outubro de 2025. 2 de teste variando entre 40 e 100 itens e considerando diferentes densidades de coeficientes não nulos para a função objetivo do PMC.As soluções encontradas pelo DA são comparadas com aquelas obtidas por uma heurística gulosa e um modelo de programação linear inteira publicados recentemente na literatura especializada.Vale destacar que alguns desses resultados foram publicados em Queiroz et al. (2025).O presente artigo está organizado da seguinte forma.A Seção 2 contém o referencial teórico, com uma breve revisão da literatura sobre o problema da mochila e do uso do DA para resolver problemas de otimização.A Seção 3 apresenta a metodologia de pesquisa, incluindo a definição formal do PMC, o modelo cúbico a ser resolvido pelo DA, a heurística gulosa e o modelo de programação linear inteira.A Seção 4 discute os resultados computacionais, com uma tabela comparativa e análises referentes a performance de cada método de solução sobre os exemplares de teste.A Seção 5 traz as considerações finais. Referencial TeóricoEsta pesquisa contempla um problema de otimização combinatória, dentro da pesquisa operacional.Problemas de otimização combinatória possuem domínio finito, porém muito grande.O interesse está em soluções que maximizam uma certa função objetivo sujeita a diferentes restrições do problema sendo tratado (ARENALES et al., 2007).Para o modelo de computação clássica, esses problemas são computacionalmente difíceis, ou seja, estão na classe NP-Difícil.Isso significa que, até o presente momento, não se conhece algoritmos exatos de tempo polinomial para resolvê-los na otimalidade (GAREY; JOHNSON, 1979). Problema da mochilaProblemas empacotamento, como é o caso do problema da mochila, vêm sendo investigados há muito tempo por pesquisadores da área de pesquisa operacional (IORI et al., 2021).Dada a grande variedade desses problemas, existem características que permitem classificá-los.A tipologia mais recente foi proposta por Wäscher, Haussner e Schumann (2007).Ela parte de uma classificação anterior da literatura, introduzindo novas caraterísticas, sendo mais precisa e cobrindo um maior número de problemas.O problema da mochila possui um modelo matemático simples e aplicações em diversas áreas, além de aparecer como subproblema de outros problemas de otimização combinatória.A sua versão clássica é definida sobre um dado recipiente de capacidade de peso limitada e um conjunto de itens com valor e peso.O objetivo é escolher um subconjunto de itens de máximo valor cujo peso total respeite a capacidade de peso do recipiente.