Dentre as frentes de desenvolvimento de tecnologias quânticas, está a exploração de novos materiais para se obter vantagens operacionais. Um primeiro passo para isso é a investi gação dos diagramas de fases de um modelo simplificado do material. Neste trabalho, aplicamos ferramentas de aprendizado de máquina supervisionado para classificar fases quânticas de três modelos de Hamiltonianos unidimensionais de spin1: a cadeia XXZ com anisotropia de íon único, a cadeia XXZ de ligação alternada e a cadeia bilinear biquadrática. Especificamente, consideramos os classificadores k-Nearest Neighbors e Random Forest, e os treinamos com dados de correlações de spins no estado fundamental de dois modelos de spin1 para classificar as fases do terceiro. Para todos os modelos, nos resultados obtidos para cadeias de 12 spins por diagonalização exata, ambos os métodos mostraram acurácias acima de 50% na classificação de fases presentes no treino. Nossos resultados sugerem que algoritmos de aprendizado de máquina podem ser ferramentas convenientes para construir uma rápida intuição sobre as transições e diagramas de fases de novos modelos.
Dentre as frentes de desenvolvimento de tecnologias quânticas, está a exploração de novos materiais para se obter vantagens operacionais. Um primeiro passo para isso é a investi gação dos diagramas de fases de um modelo simplificado do material. Neste trabalho, aplicamos ferramentas de aprendizado de máquina supervisionado para classificar fases quânticas de três modelos de Hamiltonianos unidimensionais de spin1: a cadeia XXZ com anisotropia de íon único, a cadeia XXZ de ligação alternada e a cadeia bilinear biquadrática. Especificamente, consideramos os classificadores k-Nearest Neighbors e Random Forest, e os treinamos com dados de correlações de spins no estado fundamental de dois modelos de spin1 para classificar as fases do terceiro. Para todos os modelos, nos resultados obtidos para cadeias de 12 spins por diagonalização exata, ambos os métodos mostraram acurácias acima de 50% na classificação de fases presentes no treino. Nossos resultados sugerem que algoritmos de aprendizado de máquina podem ser ferramentas convenientes para construir uma rápida intuição sobre as transições e diagramas de fases de novos modelos.
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.
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: 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
A aprendizagem de máquina quântica é um campo em rápido crescimento e tem surgido como uma alternativa à aprendizagem de máquina clássica para impulsionar a busca por soluções eficientes para certos problemas. Além disso, o avanço da tecnologia em Computação Quân- tica trouxe possibilidades para a execução de algoritmos em dispositivos quânticos reais. Aqui, centramos nossa pesquisa no estudo de uma das tarefas mais comuns dentro da aprendizagem de máquina, a classificação supervisionada. Nos nossos estudos, limitamos a temática para os classificadores quânticos baseados em distância, visando a execução dos mesmos em disposi- tivos quânticos ruidosos de escala intermediária (Noisy Intermediate-Scale Quantum (NISQ)). Embora algoritmos quânticos anteriores para classificação baseada em distância tenham se mostrado promissores, muitos deles não são adequados com os dispositivos NISQ e não con- seguem lidar com problemas envolvendo múltiplas classes. O Hadamard Classifier (HC) é um modelo quântico de aprendizagem de máquina baseado em distância para reconhecimento de padrões. A partir dele, desenvolvemos dois classificadores quânticos baseados em distância para execução em dispositivos NISQ: o primeiro deles, Quantum One-Class Classifier (QOCC), é um modelo de classificação elementar. Nosso objetivo com o QOCC é oferecer um classi- ficador que consuma menos recursos computacionais quânticos, estando menos propenso aos erros provenientes de ruídos, ao mesmo tempo em que possui desempenho competitivo quando comparado a análogos clássicos. Os resultados obtidos nos experimentos com o QOCC foram promissores e confirmaram um desempenho equiparável tanto contra classificadores clássicos quanto contra o HC, mesmo usando menos qubits (bits quânticos) e menos operações quânti- cas. Em seguida, focamos nossos esforços em utilizar o QOCC como base para um classificador multiclasse. Nossa motivação para isso consistiu na carência desse tipo de classificador na li- teratura da aprendizagem de máquina quântica e na impossibilidade atual de executar, em dispositivos NISQ, algumas rotinas presentes nos classificadores multiclasse existentes. Propo- mos o quantum Variational Distance-based Centroid Classifier (qVDCC), que faz uso da teoria dos circuitos quânticos variacionais para, em um esquema híbrido de computação quântica- clássica, realizar a classificação de bases de dados multiclasse. Essa abordagem nos permitiu utilizar o maquinário bem-estabelecido da aprendizagem de máquina clássica para encontrar e otimizar centroides artificiais para as bases de dados que minimizassem suas distâncias para os demais dados da respectiva classe. Simulamos o funcionamento do qVDCC em dois ambientes distintos: primeiramente em uma simulação ideal (livre de erros); em seguida, em um uma simulação ruidosa que mimetiza um dispositivo NISQ. Mais uma vez, nossos resultados se mostraram promissores e competitivos em relação aos classificadores clássicos.
As transições de fase quânticas ocorrem no limite de temperatura T → 0 K. Neste caso, não temos mais flutuações térmicas, mas ainda temos flutuações de origem quântica devido ao princípio da incerteza de Heisenberg. Estas flutuações podem levar a uma transição de fase ou destruição da ordem em um sistema ordenado. Neste caso, a transição entre uma fase e outra não é governada pela temperatura, mas por um parâmetro do hamiltoniano, que pode ser um campo magnético ou frustração geométrica. Dentro deste contexto, estão as cadeias de spin do tipo escada, as quais possuem comportamentos físicos fascinantes. Em particular, para cadeias escadas com duas pernas, as transições de fase quânticas entre as fases com e sem gap de excitação podem ser induzidas por meio de um campo magnético. Outras fases e transições podem surgir ao adicionar frustração na cadeia. Esta dissertação consiste no estudo de uma cadeia escada frustrada de spin 1/2, um modelo antiferromagnético unidimensional com interações do tipo Heisenberg. Determinamos as propriedades físicas através de resultados utilizando o grupo de renormalização da matriz densidade. A curva de magnetização apresenta até três platôs, dois platôs inteiros m = 0 e m = 1, e um platô fracionário m = 1/2 relacionado com uma quebra espontânea de simetria. Construímos um diagrama de fases campo magnético versus frustração, e identificamos linhas de transição de segunda ordem e uma linha de transição de primeira ordem.
Neste trabalho estudamos o Modelo de Heisenberg Antiferromagnéico Anisotrópico de spin-1 com interações entre primeiros (J1 ao longo das linhas e J01 ao longo das colunas) e segundos vizinhos (J2 ao longo das diagonais) numa rede quadrada. Aplicamos inicial- mente o método da teoria de ondas de spin linear (LSWT) para estudar o comportamento da transição de fase quântica (T=0) e comparamos os resultados qualitativos com os valores obtidos para o modelo J1 J01 J2, onde exploramos os dois casos de spin-1/2 e spin-1. Analisamos o diagrama de fase no plano ( J01 =J1) versus ( J2=J1). No caso de spin-1/2 os resultados não são satisfatórios na região de pequeno valor de , onde a região desordenada está presente para qualquer valor de em contradição com outros resultados disponíveis na literatura que apresenta a fase desordenada para > 1, enquanto que para < 1 temos ausência desta fase desordenada com uma transição de fase direta de primeira ordem entre as fases antiferromagnética (AF) e colinear antifer-romagnética (CAF). O estado AF (estado de Néel) é caracterizado por spins orientados antiparalelamente sobre toda a rede quadrada. No caso do estado CAF, os spins estão orientados paralelamente em colunas e alternados em sentidos opostos entre cadeias na horizontal. No caso de spin-1 apenas disponibilizamos de um resultado na literatura, que foi obtido anos atrás por Bishop e colaboradores usando o método do cluster acoplado (CCM), no qual demonstram não existir a fase desordenada intermediária, nem mesmo para = 1, apresentando apenas transições de primeira ordem ( < 1) e segunda ordem ( > 1) com presença de um ponto tricrítico. Por outro lado, nossos resultados de ondas de spin mostram um diagrama de fase qualitativamente similar aos encontrados por outros métodos no caso de spin-1/2. Diante desta controvérsia dos resultados encontrados no spin-1, usando CCM e ondas de spin linear, iremos aplicar a técnica dos operadores de Sachdev (operadores de enlace). Nossos resultados indicam que temos a fase desordenada intermediária para qualquer valor de > 0.