O circuito quântico

Para realizar a aplicação quântica na solução desse problema, iremos utilizar uma Rede Neural Quântica (QNN) definindo um circuito quântico utilizando os blocos de construção de circuitos quânticos do Qiskit. Essa QNN é projetada para ser usada em conjunto modelos clássicos de Machine Learning, formando, assim, um modelo híbrido quântico-clássico.

Abaixo, é possível ver o modelo:

def parity(x):
    return "{:b}".format(x).count("1") % 2
 
def create_qnn(output_dim, backend):
    feature_map = ZZFeatureMap(output_dim)
    ansatz = RealAmplitudes(output_dim, reps=1)
    qc = QuantumCircuit(output_dim)
    qc.compose(feature_map, inplace=True)
    qc.compose(ansatz, inplace=True)
 
    qnn = CircuitQNN(
        circuit=qc,
        input_params=feature_map.parameters,
        weight_params=ansatz.parameters,
        interpret=parity,
        output_shape=output_dim,
        quantum_instance=backend,
    )
 
    return qnn

Características do Modelo

No modelo acima:

1 - Feature Map -> É uma camada de circuito quântico que codifica os dados de entrada em um estado quântico. Os mapas de recursos quânticos podem ser usados para capturar características específicas dos dados em uma forma quântica. O uso de mapas de recursos quânticos pode potencialmente ajudar o modelo a representar e processar dados de uma maneira que as redes neurais clássicas talvez não sejam capazes de alcançar. Isso pode ser vantajoso em tipos específicos de dados e tarefas;

2 - Ansatz -> É outra camada de circuito quântico usada para criar um estado quântico que representa a saída do modelo. Variando os parâmetros no ansatz, o modelo quântico pode aprender a representar padrões complexos nos dados. Esta parte é crucial para a expressividade do modelo quântico;

3 - CircuitQNN -> Em resumo, o CircuitQNN é um componente que encapsula a lógica quântica em uma rede neural quântica mais ampla. Ele facilita a integração de operações quânticas em tarefas de aprendizado de máquina, permitindo que os benefícios da computação quântica sejam explorados em conjunto com técnicas clássicas de aprendizado profundo.

Benefícios do Modelo

Com a aplicação desse modelo quântico-clássico híbrido, diversos potenciais benefícios podem surgir:

1 - Vantagem Quântica -> Computadores quânticos têm o potencial de resolver certos problemas de forma mais eficiente do que computadores clássicos. Usando um circuito quântico, você pode aproveitar propriedades quânticas para aprimorar o desempenho do seu modelo em tarefas específicas, como certos tipos de problemas de otimização.

2 - Poder de Representação -> Mapas de recursos quânticos e camadas de ansatz podem fornecer uma maneira diferente de representar e processar dados. Isso pode ser vantajoso para tarefas em que as redes neurais clássicas têm dificuldade em capturar padrões ou estruturas específicas nos dados.

3 - Aprendizado Híbrido -> Combinar processamento quântico e clássico permite o uso das vantagens de ambos os paradigmas. A parte clássica do seu modelo pode lidar com pré-processamento de dados, pós-processamento e partes do modelo para as quais computadores quânticos podem não ser adequados. Essa abordagem híbrida pode oferecer um framework de modelagem mais versátil e poderoso.

O modelo GPU