À arte.À música.À poesia.Aos físicos que inventaram esse parque de diversões conhecido por mecânica quântica. I think I can safely say that nobody understands quantum mechanics.Richard Feymann ResumoO uso de redes neurais artificiais para representar estados quânticos de muitos corpos tem despertado grande interesse nos últimos anos, oferecendo uma abordagem promissora para lidar com problemas complexos que surgem neste contexto.Neste trabalho propomos uma tomografia dos pesos de uma rede neural aplicada ao problema para obter o estado fundamental de cadeias de spins 1D com interação entre vizinhos.Um dos objetivos é entender como métodos de aprendizado de máquina não supervisionado possa identificar regimes em cadeias de spins 1D, tais como ferromagnético, antiferromagnético e frustrado.Nosso trabalho busca contribuir para o entendimento como as redes neurais incorporam características físicas de modelos físicos como o emaranhamento em seus pesos sinápticos.
À arte.À música.À poesia.Aos físicos que inventaram esse parque de diversões conhecido por mecânica quântica. I think I can safely say that nobody understands quantum mechanics.Richard Feymann ResumoO uso de redes neurais artificiais para representar estados quânticos de muitos corpos tem despertado grande interesse nos últimos anos, oferecendo uma abordagem promissora para lidar com problemas complexos que surgem neste contexto.Neste trabalho propomos uma tomografia dos pesos de uma rede neural aplicada ao problema para obter o estado fundamental de cadeias de spins 1D com interação entre vizinhos.Um dos objetivos é entender como métodos de aprendizado de máquina não supervisionado possa identificar regimes em cadeias de spins 1D, tais como ferromagnético, antiferromagnético e frustrado.Nosso trabalho busca contribuir para o entendimento como as redes neurais incorporam características físicas de modelos físicos como o emaranhamento em seus pesos sinápticos.
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
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).
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.
Nós propusemos um novo método para reconstruir estados quânticos, chamado pticografia quântica. Esse método se baseia em uma analogia com a pticografia, um método de reconstrução de fase na óptica clássica. A principal vantagem da pticografia quântica, quando comparada a outros métodos de reconstrução de estado, é sua simplicidade experimental: ela usa medidas em uma única base, ao passo que projetores intermediários são usados para se conseguir a diversidade de dados necessária; por outro lado, os métodos usuais requerem medidas em diversas bases diferentes. Ao não usar diversas bases, a pticografia quântica permite que as montagens experimentais sejam mais simples. Essa maior simplicidade pode ser especialmente valiosa no contexto de escassez material, tal qual a ciência brasileira vem enfrentando nos últimos anos. A pticografia quântica também é flexı́vel com respeito aos projetores intermediários, o que permite ao experimentador ajustá-la às suas necessidades. Nós estudamos esse método a fundo no contexto da reconstrução de estados puros. Nós mostramos a sua equivalência a uma busca por gradientes alternados, o que permite um entendimento matemático do seu funcionamento. Fizemos simulações numéricas de suas reconstruções, usando nı́veis realistas de ruı́do, e mostramos que suas reconstruções são excelentes. Também fizemos um experimento com qudits de fenda para averiguar a sua performance, e novamente obtivemos resultados muito satisfatórios. Assim como a pticografia clássica, a pticografia quântica é passı́vel de diversos avanços. Nós também a generalizamos para estados mistos e obtivemos resultados prelimi- nares encorajadores. Com esse e outros desenvolvimentos, nós esperamos que a pticografia quântica possa se tornar uma ferramenta útil na informação quântica.
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.