Defesa de Dissertação de Gabriela Pinheiro Costa, 13/08/25, 10h, na sala 310 do Instituto de Computação e por videoconferência
Link para defesa:https://meet.google.com/cwv-qyhs-sru
LS-SVM Generation Using an Optimized HHL Quantum Algorithm
Resumo:
A Máquina de Vetores de Suporte de Quadrados Mínimos (LS-SVM) é uma reformulação do modelo de aprendizado Máquina de Vetores de Suporte (SVM) que utiliza um hiperplano para classificar elementos em um conjunto de dados, com os coeficientes do hiperplano sendo determinados pela resolução de um sistema linear de equações. Um algoritmo quântico, o Harrow-Hassidim-Lloyd (HHL), tem o potencial de oferecer vantagens exponenciais sobre algoritmos clássicos para a resolução de sistemas lineares, embora uma implementação eficiente ainda esteja em desenvolvimento. A era atual da computação quântica apresenta uma série de desafios técnicos para a implementação e execução de circuitos, com circuitos menores sendo menos suscetíveis a ruído. Em resposta a esse cenário, otimizações de redução de circuitos foram desenvolvidas para aprimorar a qualidade das execuções. Esta dissertação apresenta o processo de uso de circuitos quânticos HHL otimizados para gerar LS-SVMs aplicadas à classificação de candidatas a pulsares, onde as SVMs geradas quanticamente apresentaram desempenho muito próximo ao de suas versões clássicas e de outros métodos de Aprendizado de Máquina Quântico, com os circuitos otimizados apresentando um aumento significativo na velocidade de execução em relação aos originais.
Abstract:
Least Squares Support Vector Machine (LS-SVM) is a reformulation of the Support Vector Machine(SVM) machine learning model that uses a hyperplane to classify elements in a dataset, with the coefficients of the hyperplane being determined by solving a linear system of equations. A quantum algorithm, the Harrow-Hassidim-Lloyd (HHL) algorithm, has the potential to offer exponential advantages over classical algorithms for solving linear systems, although an efficient implementation is still under development. The current era of quantum computing presents a series of technical challenges for implementing and executing circuits, with smaller circuits being less susceptible to noise. In response to this scenario, circuit reduction optimizations have been developed to enhance executions quality. This dissertation presents the process of using optimized HHL quantum circuits to generate LS-SVMs applied to the classification of pulsar candidates, where the quantum generated SVMs closely matched the performance of their classical counterparts and other Quantum Machine Learning methods, with the optimized circuits having a significant execution speedup over the originals.
Banca examinadora:
Prof. Luis Antonio Brasil Kowada, UFF – Presidente
Prof. Luís Felipe Ignácio Cunha, UFF
Profa. Flavia Cristina Bernardini, UFF
Prof. Franklin de Lima Marquezino, UFRJ
Prof. Renato Portugal, LNCC