Publicações
Data-Centric Quantum Machine Learning: data-to-models continuum
Ano: 2026
Autores: Dalla Riva Cucco Barbosa, Kauã; Flores, Everson; Guterres, Bruna; Silva da Costa Botelho, Silvia; Rita Pias, Marcelo
Resumo:Este trabalho apresenta uma revisão sobre abordagens data-centric em aprendizado de máquina quântico (QML). O estudo analisa os requisitos de preparação e representação de dados em diferentes arquiteturas de QML, propondo uma taxonomia baseada em redução de dimensionalidade, codificação, balanceamento e compressão de dados. Com base nessa análise, é apresentado o framework dc-qml, que integra etapas como ingestão, abstração, tokenização, codificação quântica e geração sintética de dados. Os resultados indicam que melhorias no desempenho de sistemas quânticos frequentemente estão associadas a estratégias de preparação de dados, destacando a importância de abordagens centradas nos dados para o avanço do QML.
dc-qml: data-centric quantum machine learning
Ano: 2026
Autores: Dalla Riva Cucco Barbosa, Kauã; Flores, Everson; Guterres, Bruna; Silva da Costa Botelho, Silvia; Rita Pias, Marcelo
Resumo:Este trabalho apresenta a metodologia dc-qml, uma abordagem data-centric para aprendizado de máquina quântico. A proposta organiza as etapas de ingestão, preparação, codificação e geração sintética de dados em um fluxo integrado voltado ao treinamento de modelos quânticos. Diferentemente das abordagens tradicionais, que priorizam o desenvolvimento de algoritmos e circuitos, a metodologia enfatiza a qualidade e a representação dos dados como fatores fundamentais para o desempenho dos sistemas QML. Os resultados preliminares destacam o potencial da abordagem para apoiar o desenvolvimento de aplicações quânticas mais eficientes.
Unsupervised Quantum Kernels for One-Class Fault Detection in Industrial Time Series
Ano: 2026
Autores: Dalla Riva Cucco Barbosa, Kauã; Flores, Everson; Guterres, Bruna; Silva da Costa Botelho, Silvia; Rita Pias, Marcelo
Resumo:Este trabalho avalia o uso de kernels quânticos para detecção de anomalias em séries temporais industriais com pouca disponibilidade de dados rotulados. Foram comparados os modelos OC-SVM e OC-QSVM em dez cenários industriais, utilizando as mesmas etapas de pré-processamento e treinamento. Os resultados mostram que ambos apresentam desempenho semelhante em casos simples, mas diferenças mais significativas surgem em cenários com padrões multivariados complexos. O modelo OC-QSVM alcançou o melhor desempenho em um dos cenários analisados, sugerindo que espaços de características quânticos podem capturar relações entre variáveis que não são facilmente identificadas por abordagens clássicas.
Data-centric Sensitivity Analysis of Quantum Kernels for Industrial Time Series
Ano: 2026
Autores: Dalla Riva Cucco Barbosa, Kauã; Flores, Everson; Guterres, Bruna; Silva da Costa Botelho, Silvia; Rita Pias, Marcelo
Resumo:Este trabalho investiga o comportamento de kernels clássicos e quânticos na detecção de anomalias em ambientes industriais. Foram comparados modelos SVM com kernel RBF e QSVM com kernel quântico qIT, considerando diferentes resoluções de codificação e volumes de treinamento. Os resultados mostram que o desempenho dos modelos depende das condições de representação dos dados, com respostas distintas para cada kernel. O kernel quântico qIT apresentou maior estabilidade entre as configurações avaliadas, indicando potencial para aplicações industriais de aprendizado de máquina quântico.
Data-Centric Evaluation of Quantum Machine Learning for Industrial Fault Detection
Ano: 2026
Autores: Dalla Riva Cucco Barbosa, Kauã; Flores, Everson; Guterres, Bruna; Silva da Costa Botelho, Silvia; Rita Pias, Marcelo
Resumo:Este trabalho investiga o uso de aprendizado de máquina quântico para detecção de falhas industriais sob uma perspectiva data-centric. Modelos QSVM e SVM foram avaliados em diferentes protocolos de particionamento de dados, mantendo constantes as etapas de pré-processamento e codificação. Os resultados mostram que o desempenho do QSVM é mais sensível à forma como os dados são divididos, enquanto o SVM apresenta comportamento mais estável. O estudo destaca a importância do particionamento de dados na avaliação de soluções de aprendizado de máquina quântico.