Aplicações de aprendizado de máquina clássico e quântico em informação quântica

Abstract

Esta tese explora as interseções entre Aprendizado de Máquina e Informação Quântica, investigando como ferramentas de inteligência artificial podem ser aplicadas para resolver problemas fundamentais em sistemas quânticos complexos. O trabalho foca em dois desafios principais: a classificação de fases quânticas e a predição de sincronização quântica. Na classificação de fases quânticas, apresentamos três abordagens complementares. A primeira explora a independência de modelo, demonstrando como é possível treinar um classificador em dados provenientes de um modelo de Hamiltoniano e utilizá-lo para classificar fases em um modelo distinto. A segunda abordagem emprega algoritmos de Aprendizado de Máquina Quântico (QML) com seleção de atributos baseada na técnica SHAP (Shapley Additive Explanations), otimizando a escolha de features relevantes para melhorar a precisão dos classificadores. Por fim, introduzimos o uso de redes generativas adversárias (GANs) para criar dados sintéticos, permitindo ampliar e diversificar os conjuntos de dados e, assim, aumentar a eficiência e a precisão das classificações. No segundo desafio, a predição de sincronização quântica, aplicamos um algoritmo de aprendizado supervisionado para prever a ocorrência de sincronização ou antissincronização em sistemas quânticos. Baseando-nos em dados iniciais da evolução temporal do sistema, demonstramos como identificar padrões que indicam a dinâmica futura desses fenômenos com alta confiabilidade. Esta tese contribui apresentando soluções inovadoras e um conjunto abrangente de ferramentas que conectam inteligência artificial à compreensão de sistemas quânticos. Os resultados obtidos oferecem insights valiosos para a compreensão e manipulação desses sistemas.

This thesis explores the intersections between Machine Learning and Quantum Information, investigating how artificial intelligence tools can be applied to solve fundamental problems in complex quantum systems. The work focuses on two main challenges: quantum phase classification and quantum synchronization prediction. In quantum phase classification, we present three complementary approaches. The first explores model independence, demonstrating how a classifier can be trained on data from one Hamiltonian model and used to classify phases in a distinct model. The second approach employs Quantum Machine Learning (QML) algorithms with feature selection based on the SHAP (Shapley Additive Explanations) technique, optimizing the choice of relevant features to improve classifier accuracy. Finally, we introduce the use of Generative Adversarial Networks (GANs) to create synthetic data, enabling the expansion and diversification of datasets and, consequently, increasing the efficiency and accuracy of classifications. For the second challenge, the prediction of quantum synchronization, we apply a supervised learning algorithm to predict the occurrence of synchronization or antisynchronization in quantum systems. Using initial data from the system’s temporal evolution, we demonstrate how to identify patterns that indicate the future dynamics of these phenomena with high reliability. This thesis contributes by presenting innovative solutions and a comprehensive set of tools that connect artificial intelligence to the understanding of quantum systems. The results provide valuable insights into the comprehension and manipulation of these systems.