Desempenho de algoritmos quânticos e clássicos em treinamento de machine learning supervisionado

Abstract

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 a 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.

This article addresses the interdisciplinary theme of Quantum Computing with Machine Learning, two technologies potentially capable of making changes in how computing is performed, solving initially unsolvable problems. The focus of this research was Quantum Computing applications that result in computational performance gain in specific Machine Learning tasks. The objective is to analyze the feasibility of using quantum algorithms for Machine Learning. More specifically, to analyze which quantum algorithms can be applied to Machine Learning tasks, compared to classical algorithms, in the search for better performance. For the development of the research, a bibliographic review of quantum algorithms was carried out and, subsequently, the implementation and performance verification of the quantum algorithm QSVM and its corresponding classic version SVM, in supervised learning with the AD HOC and IRIS datasets.