Desempenho de algoritmos quânticos e clássicos em treinamento de Machine Learning supervisionado

Autores

  • Mariana Godoy Vazquez Miano Faculdade de Tecnologia de Americana - Curso de Tecnologia em Análise e Desenvolvimento de Sistemas

DOI:

https://doi.org/10.47283/244670492021090281

Resumo

Este artigo aborda a temática interdisciplinar da Computação Quântica com Machine Learning, duas tecnologias potencialmente capazes de realizarem mudanças em como a computação é realizada, resolvendo problemas inicialmente sem solução. O foco desta pesquisa foram aplicações da Computação Quântica que resultem em ganho de desempenho computacional em tarefas específicas de Machine Learning. O objetivo é analisar a viabilidade do uso de algoritmos quânticos para Machine Learning. Mais especificamente, analisar quais algoritmos quânticos podem ser aplicados à tarefas de Machine Learning, comparativamente com os algoritmos clássicos, na busca por melhor desempenho. Para o desenvolvimento da pesquisa, realizou-se uma revisão bibliográfica de algoritmos quânticos e na sequência, a implementação e verificação de desempenho do algoritmo quântico QSVM e sua correspondente versão clássica SVM, na aprendizagem supervisionada com os conjuntos de dados AD HOC e IRIS.

Biografia do Autor

  • Mariana Godoy Vazquez Miano, Faculdade de Tecnologia de Americana - Curso de Tecnologia em Análise e Desenvolvimento de Sistemas

    Profa. Dr. Mariana Godoy Vazquez Miano

    Pós-Doutorado em Engenharia de Produção pela Universidade Federal de São Carlos (UFSCAR - 2014). Doutorado (2009) e Mestrado (2004) em Engenharia Mecânica pela Universidade Estadual de Campinas (UNICAMP). Licenciatura Plena em Matemática pela Universidade Estadual Paulista (UNESP - 2001). Tem experiência nas áreas de Matemática, Engenharia e
    Computação, com ênfase em Matemática Aplicada à Engenharia e Simulação de Sistemas e Desempenho de Redes de Internet.

    Contato: vazquez.prof@gmail.com

    Fonte: CNPQ – Curriculo Lattes

Downloads

Publicado

2022-02-04