Algoritmos Genéticos Como Forma de Otimização Para Classificadores
Quânticos
Computação Quântica. Aprendizado de máquina quântico.
Otimização. Algoritmos Genéticos. Circuitos Quânticos Variacionais. Computação
Evolutiva.
Circuitos Quânticos Variacionais (VQCs) são promissores para aprendizado de
máquina
no regime NISQ, porém a otimização de seus parâmetros ainda é um gargalo
prático. Esta
dissertação investiga Algoritmos Genéticos (AGs) como estratégia de
otimização livre de gradiente para treinar classificadores quânticos
variacionais, mantendo o AG como eixo central e avaliando, de forma
controlada, o impacto de escolhas arquiteturais do circuito. Os
experimentos consideram tarefas de classificação binária (Sonar, Breast
Cancer Diagnostic e Banknote Authentication), com validação cruzada em 10
dobras, e comparam o AG a otimizadores por gradiente (Adam e Momentum de
Nesterov). No estudo base, utiliza-se Amplitude Encoding para codificação
dos dados; como extensão, incorpora-se uma análise comparativa com o ZZ
Feature Map, visando quantificar sua influência na treinabilidade quando o
esquema de otimização por AG é mantido fixo. Os resultados do estudo base
indicam desempenho competitivo do AG e redução do número de iterações até a
convergência em relação aos métodos por gradiente.