Resumo interno:
- Os pesquisadores usaram técnicas de aprendizado de máquina quântica, incluindo máquinas de suporte quântico e redes neurais quânticas, para prever a qualidade da água no reservatório de Mngeni Durban, levando em consideração fatores como a composição química e a presença de bactérias.
- Os QSVMs mostraram maior precisão, com conjuntos de bases polinomiais e radiais com desempenho melhor do que os lineares, destacando sua adaptabilidade a conjuntos de dados complexos.
- As QNNs enfrentaram desafios de desempenho, incluindo o “problema dos neurônios mortos”, e apresentam desempenho consistentemente inferior em comparação com as QSVMs, destacando a necessidade de mais desenvolvimento e testes.
- A investigação futura poderá expandir os conjuntos de dados, incorporar características geográficas e integrar modelos de padrões de água potável, contando com a capacidade do QML de enfrentar os desafios ambientais e proporcionar benefícios sociais.
Ao largo da costa de Durban, na África do Sul, uma força invisível está a moldar a qualidade da água. A composição química, o fluxo de sedimentos e as atividades humanas influenciam a adequação da água para recreação, turismo e vida diária. No entanto, estes padrões complexos e entrelaçados nem sempre são facilmente aparentes, tornando a previsão da qualidade da água um desafio. Em um artigo recente do arXiv sobre aprendizado de máquina quântica, pesquisadores da Universidade Zayed e outros lançaram luz sobre esta importante questão, demonstrando o valor da física preditiva.
Aprendizado de máquina quântica para processos naturais
A mecânica quântica está cada vez mais provando o seu valor no estudo de sistemas naturais onde os modelos clássicos falham. Ao contrário dos métodos clássicos, que tendem a enfrentar relacionamentos não lineares, o QML tem a capacidade de analisar dados mais complexos. De acordo com a pesquisa, essa capacidade permite uma compreensão dinâmica da qualidade da água, considerando fatores como amônia, níveis de nitrato e taxas de sedimentação em conjunto, capturando relações que algoritmos antigos podem não levar em consideração.
Conforme destacado no estudo, o QML foi aplicado com sucesso a outras aplicações ambientais, como previsão de inundações e otimização do rendimento agrícola. Por exemplo, pesquisas anteriores usaram máquinas de vetores de suporte quântico para melhorar as previsões das colheitas de arroz e demonstraram redes neurais quânticas para prever padrões de inundação com menos parâmetros do que outros métodos clássicos. Embora seja necessária mais investigação para concretizar plenamente estas soluções, as demonstrações disponíveis demonstram o potencial do QML para enfrentar os desafios ambientais e agrícolas, desde a melhoria da alocação de recursos até à protecção da saúde pública.
Modelos Quânticos Funcionais: Avaliação da Qualidade da Água Portuária
Este estudo utilizou principalmente QSVMs e QNNs para prever a qualidade da água na região de Durban, localizada em Mngeni. Ambos os métodos são utilizados para classificar a água como adequada ou inadequada para uso recreativo, incluindo vários indicadores como a composição química e a presença de bactérias.
As máquinas de vetores de suporte classificam os pontos de dados identificando o hiperplano apropriado em um espaço de alta dimensão. Os QSVMs vão um passo além ao usar mapas de recursos quânticos, onde dados primitivos são codificados em estados quânticos. Esses estados são comparados por meio de pontos quânticos, que medem sua similaridade. No estudo, QSVMs com funções de base polinomial e radial funcionam mais do que linearmente, alcançando alta exatidão e precisão e destacando a flexibilidade do QSVM em conjuntos de dados complexos e multidimensionais.
QNNs, assim como seus nomes clássicos, processam dados com camadas de parâmetros treináveis. No entanto, os QNNs diferem no uso de portas quânticas para codificar e manipular dados, o que pode oferecer vantagens em velocidade e rendimento. Apesar disso, o estudo descobriu que os QNNs enfrentavam desafios, incluindo o “problema dos neurônios mortos”, onde as camadas intermediárias não funcionavam devido a problemas de otimização. Mesmo após a otimização estrutural, os QNNs não tiveram um bom desempenho em comparação com os QSVMs, enfatizando a necessidade de melhorias adicionais.
Os pesquisadores coletaram dados de 32 locais, medindo indicadores como os níveis de E. coli para classificar a água como aceitável ou inaceitável. O conjunto de dados era desigual, com apenas três áreas consideradas adequadas para recreação. As técnicas de estimativa de classe melhoraram o desempenho do modelo, especialmente para QSVMs. Os modelos QSVM gerais mostraram alta precisão, com modelos polinomiais e RBF alcançando desempenho moderado em métricas como recall e pontuação F1. Em contraste, os QNNs têm enfrentado dificuldades, produzindo consistentemente resultados insatisfatórios, independentemente de ajustes nas taxas de aprendizagem ou técnicas de otimização.
Desafios e direções futuras em QML para previsão ambiental
Embora os QSVMs superem os QNNs nesta pesquisa, a aplicação de QML, com espinhos e tudo, a processos naturais fornece informações importantes sobre como essas tecnologias podem ser desenvolvidas e usadas em áreas de alto impacto, como a previsão nas ciências naturais. As limitações atuais, incluindo restrições de hardware e gargalos algorítmicos, precisam ser mais abordadas para aproveitar todo o potencial do QML.
O trabalho futuro irá expandir o conjunto de dados e modelos de teste desenvolvidos para padrões de água potável, que podem incorporar fatores geográficos para refinar as previsões. À medida que a tecnologia quântica avança, a sua aplicação a processos ambientais, desde a qualidade da água à agricultura, traz não só avanços científicos, mas também impacto social.
Os autores que participaram deste estudo incluem Muhammad Al-Zafar Khan, Jamal Al-Karaki e Marwan Omar.
