Aprendizagem de máquina quântica e comitê quântico de classificadores

Abstract

Aprendizagem de máquina quântica trata-se de uma subárea de computação quântica que estuda, dentre outras coisas, a criação de equivalentes quânticos de modelos clássicos de classificação. Um comitê de classificadores, trata-se de um modelo de classificação cuja saída é resultado da composição das saídas de diversos classificadores que compõe o comitê. Comitê de classificadores é um modelo de aprendizado supervisionado que pode ser utilizado como tipo de aprendizado livre de otimização de parâmetros. Ou seja, sem o uso da etapa de treinamento. Com a premissa de que ao se utilizar um conjunto suficientemente grande de classificadores medianos pode-se obter um comitê com um bom desempenho. Este trabalho investiga as diferenças de desempenho no uso equivalente quântico do comitê de classificadores, para classificadores treinados e não treinados. Onde foram feitas simulações, cujo desempenho foi mensurado a partir do calculo de amplitudes de probabilidades do sistema. E os modelos de aprendizagem de máquina do comitê foram executados sobre bases benchmark disponíveis pela biblioteca scikitlearn.