Quantum Machine Learning

A disciplina CPE-886 Aprendizado de máquina quântico é oferecida pelo programa de engenharia elétrica da COPPE e propõe uma imersão técnica na convergência entre a computação quântica e a inteligência artificial, iniciando por uma fundamentação rigorosa dos pilares que sustentam este novo paradigma. Na primeira etapa, exploraremos a arquitetura e o funcionamento dos principais modelos de computadores quânticos, consolidando o arcabouço matemático através da notação de Dirac aplicada à álgebra linear. Além disso, examinaremos as metodologias de simulação e o ecossistema de bibliotecas de programação — como Qiskit e PennyLane — que permitem a implementação prática de algoritmos e a análise de ruído em sistemas quânticos contemporâneos. A segunda fase do curso será dedicada integralmente ao Aprendizado de Máquina Quântico (QML), com foco nas principais estratégias para o desenvolvimento de modelos que busquem a vantagem quântica. Serão analisados algoritmos híbridos variacionais, redes neurais quânticas e métodos baseados em kernels quânticos, enfatizando a integração de circuitos parametrizados com técnicas clássicas de otimização. O objetivo é capacitar o pesquisador a compreender como as propriedades de superposição, emaranhamento e interferência podem ser exploradas para potencializar a capacidade de processamento e generalização em problemas de alta complexidade computacional.

Ementa:

Parte 1: Introdução à computação quântica: 

• Ecossistema de ferramentas e empresas; 

• Arquiteturas de máquinas quânticas e o funcionamento dos qubits supercondutores, íon aprisionados e átomos neutros;  

• Conceitos de superposição, emaranhamento e interferência; 

• A esfera de Bloch;  

• Notação de Dirac; 

• O funcionamento de simuladores quânticos em máquinas clássicas (State vector, density matrix and tensor networks); 

• Modelagem de ruído, transpilação e Circuit cutting and knitting; 

Parte 2: Aprendizado de máquina quântico: 

• Introdução aos modelos híbridos e limitações atuais; 

• Estratégias de encoding quântico; 

• circuitos quânticos variacionais (quantum neural networks); 

• redes neurais convolucionais quânticas; 

• quantum support vector machines; 

• quantum adversarial neural networks.

Bibliografia:

• Machine Learning with Quantum Computers (Maria Schuld and Francesco Petruccione); 

• A Practical Guide to Quantum Machine Learning and Optimization, hands-on Approach to Modern Quantum Algorithms (Elias F. Combarro and Sumuel González Cartillo)

• Por ser um tema ainda aberto, outros livros podem ser utilizados pelos estudantes como complementação.

Avisos:

• Calendário de Aulas. 

• Link do convite para o Google Classroom

Avaliações:

• Planejamento da matéria e método de avaliação.

Material:

• Introdução à Computação Quântica  

• Circuitos Quânticos e simulação

• Introdução ao Qiskit

• Introdução ao Pennylane

Trabalho:

• Calendário de apresentação de trabalhos

• Repositório da matéria no GitHub. Todos os alunos devem estar atentos as regras de implementação e organização do repositório. Essas regras são obrigatórias e serão consideradas na avaliação final.

• Modelo de artigo para o trabalho prático no Overleaf.

Trabalho extra:

• Resolva o desafio (1 ponto na média).

Seminários:

• Lista de alunos e seminários

• Calendário de Seminários 

Resultados:

Tabela de Notas

Tutorias interessantes:

• Exemplo de implementação de uma rede convolucional quântica (Pennylane, outros).

• Exemplo de implementação de uma Quantum GAN (Pennylane, tutorial).

• Exemplo de implementação de uma rede neural híbrida (tutorial).

• Exemplo de implementação de uma Quantum SVM (tutorial).

• Exemplo de implementação de um Quantum Autoencoder (tutorial)

Datasets úteis:

• Física de altas energias, anéis e variáveis padrões de calorimetria para eventos simulados de elétrons do decaimento do bóson Z (classe 1) e jatos hadrônicos (classe 2). Tipicamente, um problema de classificação.

• MINIST, conjunto de dados padrão na área de classificação de imagem.