Code quality metrics for circuit optimization in a quantum anomaly detection context

Abstract

A cibersegurança é uma preocupação crescente, sendo a privacidade e a proteção contra ataques pontos de discórdia importantes entre organizações e clientes. A aplicação de tecnologias modernas, como modelos de aprendizado de máquina para detecção de anomalias, pode ser eficaz para a privacidade e a segurança, e há uma urgência em compreender como a aplicação de tecnologias modernas, como computadores quânticos, pode trazer ainda mais avanços para essas aplicações. A computação quântica encontra-se atualmente em uma era de ruído, na qual os computadores quânticos existentes não conseguem executar tarefas sem gerar quantidades consideráveis de erros. Este projeto de pesquisa visa analisar o desempenho de um modelo de Rede Neural Quântica quando aplicado a tarefas de detecção de anomalias usando os conjuntos de dados UNSW-NB15 e CSE-CIC-IDS2018. Além disso, avaliará como a remoção de "code smells" quânticos impacta as simulações e o desempenho do modelo. O modelo é reproduzido usando simulações com e sem ruído, e o impacto da otimização na redução de ruído também será avaliado.

Cybersecurity is a growing concern, with privacy and protection against attacks being important contention points between organizations and customers. The application of modern technologies, such as machine learning models for anomaly detection, can be effective for privacy and security, and there is an urgency to understand how the application of modern technologies, like quantum computers, can bring even more advancements to these applications. Quantum computing is currently in a noisy era where the existing quantum computers cannot perform tasks without generating considerable amounts of error. This research project aims to analyze the performance of a Quantum Neural Network model when applied to anomaly detection tasks using the UNSW-NB15 and CSE-CIC-IDS2018 datasets. Furthermore, it will evaluate how the removal of quantum code smells impacts the simulations and performance of the model. The model is reproduced using noisy and noiseless simulation, and the impact of the optimization on noise reduction will also be evaluated.