Modelo híbrido de método kernel para computadores quânticos

Reconhecendo que a área de aprendizado de máquina quântica é um caminho promissor para oferecer uma revolução nos métodos inteligentes de processamento de dados, propõe-se um método de aprendizado híbrido baseado nos métodos de kernel clássicos. Esta proposta também exige que um algoritmo quântico seja desenvolvido para o cálculo de produto interno entre vetores sobre valores contínuos. Para isso ser possível, foi preciso realizar adaptações no método kernel clássico, visto que é necessário considerar as limitações impostas pelo espaço de Hilbert do processador quântico. Como um caso de teste, foi verificada a capacidade do algoritmo de aprender a classificar se novos pontos gerados aleatoriamente, em um quadrado finito localizado sob um plano, se encontravam dentro ou fora de um círculo localizado no interior deste quadrado. Verificou-se que o algoritmo foi capaz de detectar corretamente novos pontos em 99% dos casos testados, com uma pequena diferença devido a considerar o raio levemente maior do que o idealizado. O método kernel se mostrou capaz de realizar classificações corretamente, assim como o algoritmo do produto interno efetuou satisfatoriamente os cálculos de produto interno utilizando recursos quânticos. Assim, o presente trabalho representa uma contribuição para a área propondo um novo modelo de aprendizado de máquina acessível tanto a físicos quanto a cientistas da computação.