Dissertação
Quantum perceptrons EVALUATED
A recente adição de memristors quânticos às ferramentas disponíveis em circuitos quânticos abriu um novo mundo de possiblidades em computação neuromórfica quântica. Por outro lado, houve uma explosão de interesse em redes neuronais quânticas (RNQ). Este trabalho tem como objectivo combinar estas áreas propondo uma abordagem completamente original às RNQs baseada em memristors quânticos. Nesse sentido, propomos modelos para perceptrões clássicos de uma e várias camadas baseados exclusivamente em memristors clássicos, preenchendo uma lacuna na literatura de memristors no contexto de computação neuromórfica. Desenvolvemos algoritmos de treino baseados no algoritmo de backpropagation. Efectuamos simulações de ambos os modelos e dos algoritmos. Estas mostram que têm um bom desempenho e estão de acordo com o teorema de Minsky-Papert, motivando a possibilidade de construir redes neuronais físicas baseadas em memristors. Este trabalho resultou num artigo submetido para publicação. Passando para a quantização destes modelos, temos que memristors quânticos são sistemas quânticos abertos e canais quânticos são uma estrutura matemática extensivamente estudada que descreve o comportamento desses sistemas. Portanto, para estudar RNQs no contexto de sistemas quânticos abertos, propomos um modelo de uma RNQ baseada em canais quânticos, bem como um método de treino baseado em optimização em variedades de Stiefel. Mostramos que a rede é universal no sentido de portas lógicas clássicas, sendo capaz de implementar padrões não linearmente separáveis tais como o XOR. Isto implica que a RNQ é mais poderosa do que o seu equivalente clássico e que não se lhe aplica uma versão quântica do teorema de Minsky-Papert.
novembro 30, 2018, 16:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
