Pasta com arquivos e códigos disponíveis para consulta e uso, relacionados ao artigo "Algoritmo QAOA como ferramenta de otimização estrutural: aplicação em modelagem por elementos finitos no aerodesign", a ser publicado na Revista Brasileira de Ensino de Física.
Resumo Neste trabalho estudamos a aplicação do Algoritmo Quântico de Otimização Aproximada, ou Quantum Approximate Optimization Algorithm (QAOA), em um problema de análise estrutural na área de aerodesign. O estudo foi conduzido a partir da modelagem de uma triquilha‡ simplificada projetada pela equipe Acauã Aerodesign, do Campus UFV Florestal. O problema de otimização foi formulado com base no Método dos Elementos Finitos, cujo objetivo consiste em determinar os deslocamentos nodais que minimizam a energia potencial da estrutura. Como a formulação original envolve variáveis contínuas, foi necessário realizar um mapeamento para a forma binária, atribuindo um conjunto de qubits a cada variável. Os resultados obtidos mostram que o aumento do número de qubits por variável conduz a uma redução do erro quadrático médio (MSE). Além disso, a análise da distribuição de probabilidades revelou que os estados mais prováveis tendem a concentrar-se em menores valores de energia e de MSE, indicando que o QAOA direciona a busca para candidatos mais promissores. Esses achados reforçam o potencial do QAOA para fornecer aproximações de soluções ótimas em problemas de análise estrutural, com desempenho que tende a evoluir de forma consistente com os avanços da tecnologia quântica.
O objetivo do trabalho é estudar algoritmos quânticos de busca, usados em computadores quânticos. Até então, algoritmos de busca utilizados em computadores clássicos dependem da estrutura na qual os dados estão organizados para serem ou não eficientes. Para conjuntos de dados não estruturados, o único jeito é verificar cada elemento do conjunto procurando o elemento passado na entrada do algoritmo, e dependendo da quantidade de elementos nesse conjunto, pode-se levar muito tempo, mesmo para computadores muito rápidos. Portanto, algoritmos que realizem busca de maneira eficiente são um atrativo e tanto para cientistas da computação, que podem pensar em inúmeras aplicações dos mesmos e tornar vários softwares cada vez mais eficientes. Tendo isso em vista, a computação quântica traz artifícios inexistentes na computação clássica que podem acelerar esse processo, como, por exemplo, o paralelismo quântico. Basicamente, consiste na capacidade de sobrepor todos os dados do conjunto em um único registrador, ou a grosso modo, analisar todos ao mesmo tempo, apesar de não ser tão simples quanto isso. É baseado nisso que temos o Algoritmo de Grover, que utilizando o paralelismo quântico, e reflexões no conjunto de dados, através do uso de transformações unitárias feitas por portas quânticas, temos uma probabilidade alta de que quando medirmos este registrador quântico, termos como resultado o dado procurado.
Antes restrita a uma área de fronteira da Física, a computação quântica é uma das áreas que mais tem crescido atualmente, justamente por suas aplicações tecnológicas em problemas de otimização, aprendizagem de máquina, segurança da informação e simulações. O objetivo deste artigo é introduzir os fundamentos da computação quântica, tendo como foco um algoritmo quântico promissor e sua aplicação a um problema do mercado financeiro. Mais especificamente, discutimos o problema da otimização de portfólio usando o Quantum Approximate Optimization Algorithm (QAOA). Não somente descrevemos os principais conceitos envolvidos, mas também consideramos exemplos simples práticos, envolvendo ativos financeiros disponíveis na bolsa brasileira, com códigos, tanto clássicos quanto quânticos, dísponíveis livremente em um Jupyter Notebook. Também analisamos em detalhes a qualidade das soluções de otimização combinatória de portfólio por meio do QAOA usando o simulador quântico ATOS QLM do SENAI/CIMATEC.
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.
O problema de decidir se todos os N elementos em uma lista são distintos requer Omega(N) consultas no modelo clássico. Um algoritmo quântico baseado em caminhada quântica em um gráfico de Johnson melhora este limite para O(N2/3) consultas. O algoritmo quântico para a distinção de elementos executa vários cálculos, cada um envolvendo superposições não triviais de estados. Por esta razão, é difícil estudar o algoritmo sem ferramentas apropriadas. Neste trabalho, apresentamos um simulador numérico para o algoritmo de distinção de elementos e analisamos seu desempenho. O objetivo principal de nosso simulador é servir como uma ferramenta educacional. No entanto, como um software livre de código aberto, ele pode ser facimente estendido para uso profissional.
O setor financeiro enfrenta desafios significativos ao lidar com conjuntos de dados de alta dimensionalidade e um número limitado de amostras, dificultando a construção de modelos preditivos robustos. Técnicas tradicionais de aprendizado de máquina ajudam a mitigar esses problemas, mas a presença de características irrelevantes e redundantes aumenta a complexidade computacional. Este artigo apresenta a aplicação de algoritmos quânticos na seleção de características usando dados reais do setor financeiro, demonstrando que esses algoritmos podem melhorar a eficiência e a precisão dos modelos preditivos. A abordagem envolve a formulação do problema em termos de Otimização Binária Quadrática Irrestrita (QUBO), e sua solução é implementada em simuladores de um annealer quântico. Os experimentos mostram resultados promissores, que são analisados adotando-se a métrica do Critério de Informação de Akaike. Os resultados sugerem que os algoritmos quânticos variacionais têm grande potencial de aplicação se comparados a técnicas tradicionais de seleção de características.