Logo do repositório

Técnicas de aprendizado de máquina para a classificação e previsão de estados quânticos via efeito Stern-Gerlach óptico

dc.contributor.advisorSantos, Ricardo Paupitz Barbosa dos [UNESP]
dc.contributor.authorDuque, Gustavo Del [UNESP]
dc.contributor.coadvisorRossatto, Daniel Zini
dc.contributor.institutionUniversidade Estadual Paulista (Unesp)
dc.date.accessioned2024-12-06T18:13:44Z
dc.date.available2024-12-06T18:13:44Z
dc.date.issued2024-11-08
dc.description.abstractNos últimos anos, as aplicações de técnicas de aprendizado de máquina têm sido estudadas ativamente e de forma cada vez mais relevante. Para adquirir informações sobre um sistema quântico, é essencial compreender seu estado de maneira geral, uma tarefa que pode se tornar desaf i adora devido à complexidade associada ao aumento da dimensão do espaço de Hilbert. Durante a realização deste trabalho, foram utilizados algoritmos de máquinas de vetores de suporte para classif i car e prever características como o número médio de fótons do estado do campo eletromagnético de um modo de uma cavidade óptica. Para isso, a máquina foi submetida a um processo de treinamento e alimentação baseado nas alturas e distâncias dos picos do padrão de espalhamento observado em um feixe atômico ao atravessar a cavidade em um estado específ i co (conhecido como efeito Stern-Gerlach óptico). Os estados para a cavidade considerados neste estudo foram Fock, coerente, gato e comprimido. Empregamos 100 amostras para cada tipo de estado, utilizando 60% dos dados para treinamento e reservando 40% para teste, para os quais a máquina retornou acurácias maiores ou iguais a 96% dependendo do estado do átomo quando este atravessa a cavidade e da tarefa da máquina.pt
dc.description.abstractIn recent years, the application of machine learning techniques has been actively and increasingly studied. Acquiring information about a quantum system requires a comprehensive understanding of its state, a task that becomes challenging due to the complexity associated with the growing dimension of the Hilbert space. In this work, support vector machine algorithms were utilized to classify and predict features such as the average photon number in the electromagnetic field state of an optical cavity mode. The machine was trained and fed with data derived from the heights and distances of peaks in the scattering pattern observed in an atomic beam traversing the cavity in a specific state (known as the optical Stern-Gerlach effect). The cavity states considered in this study include Fock, coherent, cat, and squeezed states. For each type of state, 100 samples were employed, with 60% used for training and 40% for testing. The machine demonstrated accuracies of 96% or higher, depending on the atom’s state as it traverses the cavity and the task assigned to the machine.en
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)
dc.description.sponsorshipIdFAPESP: 2022/15394-3.
dc.identifier.urihttps://hdl.handle.net/11449/258671
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (Unesp)
dc.rights.accessRightsAcesso abertopt
dc.subjectStern-Gerlach ópticopt
dc.subjectAprendizado de máquinapt
dc.subjectClassificação de estadospt
dc.subjectEstados quânticospt
dc.subjectCavidade ópticapt
dc.subjectStern-Gerlach Effecten
dc.subjectMachine learningen
dc.subjectQuantum statesen
dc.subjectState classificationen
dc.subjectOptical cavity modeen
dc.titleTécnicas de aprendizado de máquina para a classificação e previsão de estados quânticos via efeito Stern-Gerlach ópticopt
dc.title.alternativeMachine learning techniques for the classification and prediction of quantum states via optical Stern-Gerlach effecten
dc.typeTrabalho de conclusão de cursopt
dspace.entity.typePublication
unesp.campusUniversidade Estadual Paulista (UNESP), Instituto de Geociências e Ciências Exatas, Rio Claropt
unesp.examinationboard.typeBanca públicapt
unesp.undergraduateRio Claro - IGCE - Físicapt

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
duque_gd_tcc_rcla.pdf
Tamanho:
2.71 MB
Formato:
Adobe Portable Document Format

Licença do pacote

Agora exibindo 1 - 2 de 2
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
2.14 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Carregando...
Imagem de Miniatura
Nome:
duque_gd_autorizacao_rcla.pdf
Tamanho:
174.27 KB
Formato:
Adobe Portable Document Format
Descrição: