Aprendizagem de Máquina Quântica

Resultados Esperados:

• Integração da computação quântica em pipelines de pré-processamento de dados e fluxos de trabalho de aprendizagem para tarefas intensivas em dados ou computacionalmente intensivas, demonstrando melhorias claras na velocidade de processamento, complexidade computacional, precisão de modelagem e requisitos de amostra reduzidos em escalas alcançáveis com dispositivos da era NISQ,
• Modelos e algoritmos de Aprendizagem de Máquina Quântica (QML) confiáveis e escaláveis, integrados com estruturas e pipelines de IA existentes, permitindo processamento de dados mais rápido, precisão de previsão aprimorada e capacidades computacionais melhoradas,
• Métodos de IA aprimorados por quântica validados demonstrando melhorias mensuráveis em relação às linhas de base clássicas em termos de velocidade, precisão, eficiência de dados, complexidade ou escalabilidade, apoiados por rigorosa avaliação comparativa e análise de complexidade,
• Técnicas de QML robustas e sensíveis ao ruído adequadas para hardware NISQ, incluindo estratégias de mitigação de erros e adaptações algorítmicas que melhoram a confiabilidade, desempenho e reprodutibilidade em processadores quânticos reais,
• Demonstradores ou aplicações de prova de conceito mostrando a relevância do QML para desafios do mundo real (por exemplo, modelagem climática e ambiental, observação da Terra, saúde e ciências da vida, descoberta de materiais, finanças, robótica, manufatura e segurança cibernética),
• Liderança europeia fortalecida e soberania tecnológica em computação quântica e IA confiável, apoiada por colaboração intersetorial, transferência de conhecimento e contribuições para padrões emergentes, benchmarks e melhores práticas.
• Colaboração aprimorada entre computação quântica, aprendizado de máquina e domínios de aplicação, promovendo uma comunidade europeia coordenada de pesquisa e inovação em QML.

Escopo:

Espera-se que as propostas abordem múltiplas direções de pesquisa chave em Aprendizagem de Máquina Quântica (QML), visando tanto a excelência científica quanto a relevância industrial. As propostas devem descrever claramente como contribuir para o desenvolvimento, validação e demonstração de abordagens de IA aprimoradas por quântica, com caminhos claros para aplicações práticas. O trabalho proposto deve fortalecer as capacidades científicas e tecnológicas da Europa em computação quântica e acelerar a adoção industrial de soluções de IA aprimoradas por quântica.

As atividades podem incluir, mas não estão limitadas a

• design e análise de algoritmos de QML quânticos, inspirados em quântica ou híbridos,
• modelagem de desempenho, análise de complexidade e avaliação comparativa de métodos de IA aprimorados por quântica,
• desenvolvimento de estratégias de mitigação de erros e sensíveis ao ruído adaptadas a cargas de trabalho de QML,

As propostas devem avançar algoritmos de QML escaláveis capazes de abordar problemas de grande escala e computacionalmente intensivos, isso inclui abordagens que

• podem gerenciar volumes massivos de dados e tarefas computacionais complexas,
• permitem processamento de dados mais rápido e desempenho preditivo aprimorado em domínios de aplicação relevantes (por exemplo, pesquisa hidrológica, modelagem climática, classificação de terreno a partir de sensoriamento remoto por satélite, descoberta de medicamentos e diagnóstico médico baseado em imagens).

Muitos métodos atuais de QML permanecem intimamente inspirados em algoritmos clássicos e, portanto, ainda não alcançam uma vantagem quântica genuína, exigindo desenvolvimentos adicionais em

• modelos de aprendizagem nativos quânticos,
• kernels quânticos eficientes e mapeamentos de características quânticas,
• algoritmos demonstrando vantagens comprováveis ou empíricas sobre abordagens clássicas.

As propostas também podem incluir análises formais de complexidade, identificação de classes de problemas que podem se beneficiar da aceleração quântica.

Os desenvolvimentos devem abordar múltiplas das seguintes direções de pesquisa chave...