Neste repositório o Classificador Variacional Quântico (conhecido como VQC, do inglês Variational Quantum Classifier) é apresentado, e um modelo híbrido clássico-quântico é treinado utilizando a biblioteca PennyLane, através de sua interface com o Keras.
O circuito quântico do VQC pode ser esquematicamente visualizado em 3 componentes, ou camadas:
-
Feature map: parte do circuito responsável por codificar os dados clássicos em estados quânticos que serão processados no circuito quântico pelo algoritmo. Ou seja, é nesse passo que a informação clássica é representada na forma de informação quântica;
-
Variational layer: parte do circuito parametrizada. Esses são os parâmetros ajustados no processo de treinamento;
-
Medida: último passo do circuito, que consiste em medidas dos qubits, o que produz informação clássica.
O VQC é um algoritmo híbrido, isto é, a rotina completa é parte clássica e parte quântica.
Podemos imaginar desta maneira:
-
O "forward propagation" é quântico;
-
Com a medida, recuperamos informação clássica, e construímos a função de perda/custo classicamente;
-
Os parâmetros são atualizados de modo a otimizar classicamente a função de custo;
-
Neste sentido, o "backpropagation" é clássico.
Para além disso, construiremos arquiteturas em que o forward propagation também será híbrido (isto é, uma rede neural com camadas clássicas e camadas quânticas, em uma única estrutura sequencial).
O "variacional" que nomeia o VQC tem origem nos métodos variacionais da mecânica quântica.
Historicamente, estes princípios variacionais têm sido utilizados como métodos aproximativos, notoriamente em problemas de simulação quântica.
Alguns algoritmos quânticos foram propostos com base nestes métodos, em particular:
-
VQE, que foi introduzido no contexto de simulação quântica;
-
QAOA, que foi introduzido para endereçar problemas de otimização combinatória.
Ambos estes algoritmos são rotinas híbridas. Por este motivo, cunhou-se o termo "algoritmos variacionais" para designar esta abordagem híbrida, que envolve circuitos quânticos parametrizados cujos parâmetros são otimizados classicamente.
Este repositório contém os seguintes arquivos:
-
variational_quantum_classifier_pennylane.ipynb: Notebook com a apresentação e implementação do modelo híbrido em Python, utilizando a PennyLane. O algoritmo é treinado no dataset iris.
-
iris.csv: arquivo csv com o dataset iris.
-
figuras: pasta com figuras que são utilizadas no markdown do notebook.