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

Framework Federado para Redes Neurais Quânticas sem Pesos Distribuídas

Nicolas M. de Oliveira, Adenilton J. da Silva

Published May 25, 2026• 0 citations
Publisher

Abstract

Este trabalho propõe um framework de Aprendizado Federado Quântico distribuído, fundamentado no paradigma das Redes Neurais Quânticas sem Pesos. Ao integrar o aprendizado federado à arquitetura quântica sem pesos, o modelo viabiliza a preservação da privacidade entre nós quânticos descentralizados sem o compartilhamento de dados brutos. A estrutura sem pesos reduz a sobrecarga de comunicação e simplifica o processo de otimização. Resultados de simulações indicam a viabilidade do modelo e evidenciam seu potencial como base para pesquisas futuras em aprendizado federado quântico.

DOI
10.5753/wqunets.2026.23840

Related papers

Aplicação de Aprendizado de Máquina Quântico na Otimização de Portfólios

Nafis Francisco Peres Melo, Regina Melo Silveira

Com a crescente diversidade de ativos financeiros disponíveis no mercado, torna-se fundamental o desenvolvimento de modelos que auxiliem os gestores na alocação eficiente de recursos. Embora abordagens clássicas ainda sejam amplamente utilizadas, esses métodos dependem de pressupostos teóricos que nem sempre são verificados na prática. Este trabalho propõe uma abordagem empírica, baseada em redes neurais quânticas. Recentemente, as redes neurais quânticas apresentam-se como ferramentas promissoras para lidar com grandes volumes de dados e modelos complexos. A análise preliminar revelou que o modelo proposto apresentou desempenho competitivo, oferecendo uma abordagem mais geral e adaptativa para a gestão de investimentos.

Anais Estendidos do Simpósio Brasileiro de Sistemas de Informação (SBSI)•May 12, 2026•0 citations

Advances in quantum neural networks

Paula Neto, Fernando Maciano de

Redes Neurais Artificiais (RNA) têm sido utilizadas como modelos computacionais que aprendem a partir de um conjunto de dados e são capazes de extrapolar esse conhecimento a partir das generalizações inerentes ao seu processo de decisão. Com o crescimento da computação quântica como novo paradigma de processamento de informação, modelos quânticos de redes neurais têm sido propostos para coadunar os benefícios da computação quântica com os benefícios das RNAs. Os modelos quânticos de RNA existentes assumem a dificuldade de implementar a não-linearidade intrínseca dos neurônios que compõem a RNA, uma vez que tradicionalmente a computação quântica possui apenas operadores unitários. Há algumas propostas na literatura de modelos de neurônios que simulam essa não-linearidade, mas elas aparecem simulando alguma função não-linear específica, como a função de limiar ou arco-tangente. Há ainda as RNAs que possuem comportamento de memória associativa, fazendo a recuperação de informação a partir de uma entrada igual ou parecida com seus padrões armazenados. A implementação desses modelos envolve duas etapas, o processo de armazenamento e a recuperação de informação. Os modelos quânticos de memória associativa têm utilizado a superposição quântica para armazenamento e alguns modelos foram propostos para recuperação de informação. Nesse trabalho estendemos o funcionamento não-linear do Perceptron, permitindo que um neurônio quântico execute qualquer função não-linear discreta. O modelo proposto permite que o neurônio possa simular o comportamento dos neurônios clássicos assim como utilizar dos recursos intrínsecos da computação quântica como superposição e emaranhamento. Há também a proposição de um neurônio que possui memória interna e que pode armazenar informações de iterações anteriores a medida que ele é executado. Esse modelo permite incorporar informações espaço-temporais em seu modelo. Em termos de memórias associativas, propusemos a utilização de dois modelos de recuperação probabilística de informação, um não linear e outro linear, utilizando os algoritmos quânticos de Grover e transformada inversa de Fourier. Esse modelo de memória permite reconhecer informações óximas ou iguais ao conteúdo que está na memória e possui custo linear de operação.

•Nov 23, 2018•0 citations

Desenvolvimento de redes neurais artificiais quânticas com aplicações em química

Vitor D. Viterbo

A Química necessita de computadores velozes para o processamento de uma grande quantidade de informações e dados complexos. A simulação de sistemas líquidos, a interação entre átomos e moléculas e a identificação de moléculas necessitam de computadores mais eficientes para a solução desses problemas. Esta tese descreve a pesquisa, modelagem e desenvolvimento de uma rede neural artificial usando os conceitos da Computação Quântica para trabalhar como uma rede neural quântica. Esta tese também implementa o estudo de um algoritmo quântico de procura e o estudo dos estados ligados que os dímeros do gás hélio, HeNe, HeAr, HeKr e HeXe podem suportar.Três abordagens foram seguidas: a) o método da fase variável, para gerar dados. b) redes neurais clássicas, usando os dados gerados anteriormente. c) redes neurais quânticas. O foco é a validação e testes do conceito das redes neurais quânticas, com base na informação obtida das redes neurais artificiais clássicas, acopladas a um algoritmo quântico. Uma rede neural quântica foi modelada para aprender o comportamento de um sistema químico estudado anteriormente. O conceito da Computação Quântica e do computador quântico mostra a evolução complexa da computação clássica bem como uma mudança de conceito em termos de circuitos (hardware) e algoritmos (software).

•Apr 7, 2014•0 citations

QuantumNet: Um Simulador de Redes Quânticas baseado em uma Arquitetura em Camadas com Interface Gráfica

Arthur Pimentel, David Tavares, Diego Medeiros De Abreu +1 more

As redes quânticas são fundamentais para a futura Internet Quântica, porém sua implementação prática ainda enfrenta restrições físicas e operacionais que dificultam a avaliação de protocolos em ambientes reais. Nesse contexto, simuladores tornam-se ferramentas essenciais para investigar arquiteturas, mecanismos de comunicação e aplicações de forma controlada e reprodutível. Este trabalho apresenta o QuantumNet, um simulador de redes quânticas de código aberto baseado em simulação de eventos discretos. A ferramenta adota uma arquitetura em camadas explícita, inspirada em modelos clássicos de redes e alinhada aos princípios arquiteturais e às RFCs emergentes da Internet Quântica, permitindo uma representação estruturada e orientada a padrões dos processos de comunicação. Esse alinhamento constitui um diferencial importante, ao promover interoperabilidade, reprodutibilidade e aderência aos esforços de padronização em andamento. Além disso, o QuantumNet oferece uma interface gráfica que facilita a configuração de parâmetros, a construção de topologias de rede e a visualização dos artefatos da simulação, tornando a ferramenta mais acessível tanto para pesquisa quanto para fins educacionais.

Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC)•May 25, 2026•0 citations

Introdução ao aprendizado de máquina quântico, suas aplicações e vantagens

Naomy Duarte Gomes, Togni Togni, Bruno Aparecido Cazotti Ramalho +2 more

Neste artigo, abordamos o campo emergente do aprendizado de máquina quântico (AMQ) e suas aplicações inovadoras. Exploramos uma visão geral das bases da mecânica quântica relevantes para o aprendizado de máquina, destacando como os princípios quânticos podem ser utilizados para processar informações de maneira mais eficiente em comparação às abordagens clássicas. Discutimos o passo a passo de um exemplo de algoritmo quântico utilizando Qiskit, comparando-o com seu análogo clássico. Abordamos as vantagens do AMQ, incluindo o potencial de aceleração em problemas de grande escala e a capacidade de lidar com dados altamente dimensionais. Por fim, são discutidos os desafios atuais e as perspectivas futuras do campo, enfatizando seu papel na transformação de diversos setores tecnológicos. Este artigo serve como uma introdução abrangente para aqueles interessados em explorar a interseção entre aprendizado de máquina e mecânica quântica, destacando as promissoras oportunidades que essa combinação oferece.

Revista Brasileira de Ensino de Física•Jan 1, 2024•1 citation

SCOPE: Segurança Quântica Sensível ao Contexto para Aprendizado Federado, Além do Superdimensionamento na Alocação de Chaves QKD

Adriano Maia, Isys Sant’Anna, Marcus Freire +5 more

A aplicação uniforme de Distribuição Quântica de Chaves (QKD) em Aprendizado Federado assume abundância de recursos criptográficos; contudo, implantações reais enfrentam taxas finitas de geração de chaves e contribuições heterogêneas dos clientes, tornando o superdimensionamento da segurança uma ineficiência sistêmica. Apresentamos o SCOPE, um framework escalável e sensível ao contexto que modela as chaves quânticas como um recurso restrito e aloca dinamicamente a proteção de acordo com o impacto dos clientes, a disponibilidade de chaves e critérios de equidade. Sua política permite proteção proporcional, superando regimes binários de segurança. Avaliado em um ambiente end-to-end que combina treinamento federado real com restrições de rede e QKD, o SCOPE reduz o consumo criptográfico em mais de 3×, praticamente elimina a escassez de chaves mesmo sob forte restrição e preserva a convergência e a robustez do modelo. Esses resultados demonstram que tratar a segurança quântica como uma variável de controle viabiliza um aprendizado federado quântico seguro, eficiente e escalável.

•May 25, 2026•0 citations
Este trabalho propõe um framework de Aprendizado Federado Quântico distribuído, fundamentado no paradigma das Redes Neurais Quânticas sem Pesos. Ao integrar o aprendizado federado à arquitetura quântica sem pesos, o modelo viabiliza a preservação da privacidade entre nós quânticos descentralizados sem o compartilhamento de dados brutos. A estrutura sem pesos reduz a sobrecarga de comunicação e simplifica o processo de otimização. Resultados de simulações indicam a viabilidade do modelo e evidenciam seu potencial como base para pesquisas futuras em aprendizado federado quântico.
Com a crescente diversidade de ativos financeiros disponíveis no mercado, torna-se fundamental o desenvolvimento de modelos que auxiliem os gestores na alocação eficiente de recursos. Embora abordagens clássicas ainda sejam amplamente utilizadas, esses métodos dependem de pressupostos teóricos que nem sempre são verificados na prática. Este trabalho propõe uma abordagem empírica, baseada em redes neurais quânticas. Recentemente, as redes neurais quânticas apresentam-se como ferramentas promissoras para lidar com grandes volumes de dados e modelos complexos. A análise preliminar revelou que o modelo proposto apresentou desempenho competitivo, oferecendo uma abordagem mais geral e adaptativa para a gestão de investimentos.
Redes Neurais Artificiais (RNA) têm sido utilizadas como modelos computacionais que aprendem a partir de um conjunto de dados e são capazes de extrapolar esse conhecimento a partir das generalizações inerentes ao seu processo de decisão. Com o crescimento da computação quântica como novo paradigma de processamento de informação, modelos quânticos de redes neurais têm sido propostos para coadunar os benefícios da computação quântica com os benefícios das RNAs. Os modelos quânticos de RNA existentes assumem a dificuldade de implementar a não-linearidade intrínseca dos neurônios que compõem a RNA, uma vez que tradicionalmente a computação quântica possui apenas operadores unitários. Há algumas propostas na literatura de modelos de neurônios que simulam essa não-linearidade, mas elas aparecem simulando alguma função não-linear específica, como a função de limiar ou arco-tangente. Há ainda as RNAs que possuem comportamento de memória associativa, fazendo a recuperação de informação a partir de uma entrada igual ou parecida com seus padrões armazenados. A implementação desses modelos envolve duas etapas, o processo de armazenamento e a recuperação de informação. Os modelos quânticos de memória associativa têm utilizado a superposição quântica para armazenamento e alguns modelos foram propostos para recuperação de informação. Nesse trabalho estendemos o funcionamento não-linear do Perceptron, permitindo que um neurônio quântico execute qualquer função não-linear discreta. O modelo proposto permite que o neurônio possa simular o comportamento dos neurônios clássicos assim como utilizar dos recursos intrínsecos da computação quântica como superposição e emaranhamento. Há também a proposição de um neurônio que possui memória interna e que pode armazenar informações de iterações anteriores a medida que ele é executado. Esse modelo permite incorporar informações espaço-temporais em seu modelo. Em termos de memórias associativas, propusemos a utilização de dois modelos de recuperação probabilística de informação, um não linear e outro linear, utilizando os algoritmos quânticos de Grover e transformada inversa de Fourier. Esse modelo de memória permite reconhecer informações óximas ou iguais ao conteúdo que está na memória e possui custo linear de operação.
A Química necessita de computadores velozes para o processamento de uma grande quantidade de informações e dados complexos. A simulação de sistemas líquidos, a interação entre átomos e moléculas e a identificação de moléculas necessitam de computadores mais eficientes para a solução desses problemas. Esta tese descreve a pesquisa, modelagem e desenvolvimento de uma rede neural artificial usando os conceitos da Computação Quântica para trabalhar como uma rede neural quântica. Esta tese também implementa o estudo de um algoritmo quântico de procura e o estudo dos estados ligados que os dímeros do gás hélio, HeNe, HeAr, HeKr e HeXe podem suportar.Três abordagens foram seguidas: a) o método da fase variável, para gerar dados. b) redes neurais clássicas, usando os dados gerados anteriormente. c) redes neurais quânticas. O foco é a validação e testes do conceito das redes neurais quânticas, com base na informação obtida das redes neurais artificiais clássicas, acopladas a um algoritmo quântico. Uma rede neural quântica foi modelada para aprender o comportamento de um sistema químico estudado anteriormente. O conceito da Computação Quântica e do computador quântico mostra a evolução complexa da computação clássica bem como uma mudança de conceito em termos de circuitos (hardware) e algoritmos (software).
As redes quânticas são fundamentais para a futura Internet Quântica, porém sua implementação prática ainda enfrenta restrições físicas e operacionais que dificultam a avaliação de protocolos em ambientes reais. Nesse contexto, simuladores tornam-se ferramentas essenciais para investigar arquiteturas, mecanismos de comunicação e aplicações de forma controlada e reprodutível. Este trabalho apresenta o QuantumNet, um simulador de redes quânticas de código aberto baseado em simulação de eventos discretos. A ferramenta adota uma arquitetura em camadas explícita, inspirada em modelos clássicos de redes e alinhada aos princípios arquiteturais e às RFCs emergentes da Internet Quântica, permitindo uma representação estruturada e orientada a padrões dos processos de comunicação. Esse alinhamento constitui um diferencial importante, ao promover interoperabilidade, reprodutibilidade e aderência aos esforços de padronização em andamento. Além disso, o QuantumNet oferece uma interface gráfica que facilita a configuração de parâmetros, a construção de topologias de rede e a visualização dos artefatos da simulação, tornando a ferramenta mais acessível tanto para pesquisa quanto para fins educacionais.
Neste artigo, abordamos o campo emergente do aprendizado de máquina quântico (AMQ) e suas aplicações inovadoras. Exploramos uma visão geral das bases da mecânica quântica relevantes para o aprendizado de máquina, destacando como os princípios quânticos podem ser utilizados para processar informações de maneira mais eficiente em comparação às abordagens clássicas. Discutimos o passo a passo de um exemplo de algoritmo quântico utilizando Qiskit, comparando-o com seu análogo clássico. Abordamos as vantagens do AMQ, incluindo o potencial de aceleração em problemas de grande escala e a capacidade de lidar com dados altamente dimensionais. Por fim, são discutidos os desafios atuais e as perspectivas futuras do campo, enfatizando seu papel na transformação de diversos setores tecnológicos. Este artigo serve como uma introdução abrangente para aqueles interessados em explorar a interseção entre aprendizado de máquina e mecânica quântica, destacando as promissoras oportunidades que essa combinação oferece.
A aplicação uniforme de Distribuição Quântica de Chaves (QKD) em Aprendizado Federado assume abundância de recursos criptográficos; contudo, implantações reais enfrentam taxas finitas de geração de chaves e contribuições heterogêneas dos clientes, tornando o superdimensionamento da segurança uma ineficiência sistêmica. Apresentamos o SCOPE, um framework escalável e sensível ao contexto que modela as chaves quânticas como um recurso restrito e aloca dinamicamente a proteção de acordo com o impacto dos clientes, a disponibilidade de chaves e critérios de equidade. Sua política permite proteção proporcional, superando regimes binários de segurança. Avaliado em um ambiente end-to-end que combina treinamento federado real com restrições de rede e QKD, o SCOPE reduz o consumo criptográfico em mais de 3×, praticamente elimina a escassez de chaves mesmo sob forte restrição e preserva a convergência e a robustez do modelo. Esses resultados demonstram que tratar a segurança quântica como uma variável de controle viabiliza um aprendizado federado quântico seguro, eficiente e escalável.