Computação Quântica e Machine Learning: Aprendizado de Máquina para Classificação de Estados Quân...

Palestra: Computação Quântica e Machine Learning: Aprendizado de Máquina para Classificação de Estados Quânticos e Detecção de Emaranhamento Palestrante: Andrômeda Surak Doge Resumo: A caracterização eficiente de estados quânticos representa um dos principais desafios da Ciência da Informação Quântica, especialmente diante do crescimento exponencial do espaço de Hilbert em sistemas multipartículas. Recentemente, abordagens baseadas em Machine Learning têm demonstrado elevado potencial para a classificação automática de estados quânticos e para a detecção de emaranhamento sem a necessidade de reconstrução completa do estado por tomografia quântica. Esta palestra apresenta uma revisão dos fundamentos teóricos que conectam aprendizado de máquina e informação quântica, explorando arquiteturas de redes neurais, Support Vector Machines, métodos de aprendizado profundo e estratégias híbridas quântico-clássicas. Serão discutidos resultados experimentais e computacionais que evidenciam ganhos em escalabilidade, robustez a ruído e eficiência computacional, além dos desafios atuais relacionados à interpretabilidade dos modelos e à implementação em dispositivos quânticos de próxima geração. A proposta oferece uma visão abrangente sobre uma das áreas mais promissoras da física contemporânea, situada na convergência entre Computação Quântica, Inteligência Artificial e Ciência de Dados. Lista de presença: https://forms.gle/vRPqFRViebkcRSnX9 V Congresso Brasileiro de Física https://www.congressobrasileirodefisi... REALIZAÇÃO Associação Brasileira de Física https://www.abfisica.org.br APOIO Revista Brasileira de Física https://www.revistabrasileiradefisica...