Agenda de defesas Agenda de defesas

Voltar

Pós-Graduação em Ciência da Computação promove defesa de dissertação de mestrado e tese de doutorado nesta segunda-feira (13)

As defesas serão realizadas de forma virtual às 10h e 14h, respectivamente

O Programa de Pós-Graduação em Ciência da Computação vinculado ao Centro de Informática (CIn) da Universidade Federal de Pernambuco (UFPE) promove nesta segunda-feira (13) a defesa de uma dissertação de mestrado e de uma tese de doutorado. A dissertação “MAPDI - Modelo auto-ajustável para predição de aumento de número de casos de doenças infectocontagiosas”, produzida pelo mestrando Iúri Batista Tele e orientada pela professora Patrícia Cabral de Azevedo Restelli Tedesco, será defendida às 10h. A banca examinadora será composta pela orientadora e pelos professores Renata Maria Cardoso Rodrigues de Souza (UFPE/Centro de Informática) e Renata Maria Cardoso Rodrigues de Souza (UFPE/Centro de Informática). Os interessados em assistir entrar em contato com o aluno.

Já a tese “Circuit-based quantum random access memory for sparse quantum state preparation”, escrita pelo doutorando Tiago Mendonça Lucena de Veras, orientada pelo professor Ruy José Guerra Barretto de Queiroz e coorientada pelo professor Adenilton José da Silva, será defendida às 14h. Participarão da banca examinadora os professores Antônio Murilo Santos Macedo (UFPE/Departamento de Física); Fernando Maciano de Paula Neto (UFPE/Centro de Informática); Franklin Marquezino (UFRJ/Departamento de Engenharia de Sistemas e Computação); Leon Denis da Silva (UFRPE/Departamento de Matemática) e Leon Denis da Silva (UFRPE/Departamento de Matemática). A defesa também será virtual e os interessados em assistir entrar em contato com o aluno.

Resumo 1

Doenças infectocontagiosa possuem um potencial devastador de transmissão do agente hospedeiro a seus pares, a exemplo da SARS-Cov-2 e vírus da influenza, o uso de modelos computacionais conhecidos, tais como ARIMA, LSTM e Prophet, podem contribuir de forma significativa para o controle de sua disseminação. Modelos de aprendizagem de máquina vêm se provando muito eficazes no auxílio de gestores da saúde, amenizando as consequências da proliferação do contágio destas infecções, visto que auxiliam a construção de ações antecipadas às ocorrências de doenças. A classificação de tais doenças se dá pela Classificação Internacional de doenças (CIDs) e Classificação Internacional de Assistência Primária (CIAPs) utilizadas hoje na cidade do Recife, para classificação de doenças infecciosas. No âmbito da pesquisa, desenvolvemos o MAPDI (Modelo Auto-ajustável para Predição de Aumento de Número de Casos de Doenças Infectocontagiosas) com intuito de integrar análise preditiva no âmbito do gerenciamento epidemiológica de forma proativa. Utilizamos dados coletados de unidade de saúde proveniente da solução Atende APS. O MAPDI é composto de cinco etapas principais: 1 - Coleta e pré processamento dos dados; 2 - Identificação CIDs/CIAPs anômalos; 3 -Ajuste automático dos algoritmos de séries temporais; 4 - Execução das previsões; e 5 - Indexação e apresentação dos resultados. O MAPDI inicialmente irá obter os dados epidemiológicos para análise proveniente do sistema Atende APS, o qual irá executar rotinas semanais para ajuste do modelo e projeção futura da possível quantidade de ocorrência para os próximos 7 dias. Os dados serão indexados no existe Elastic, através da própria API disponível, já utilizado pela prefeitura de Recife e governo de Pernambuco. Dessa forma, a apresentação dos dados irá se dá através do Kibana, o que possibilitará também a personalização da melhor apresentação. Dessa forma, é apresentado uma metodologia e integração aplicada a cidade do Recife; bem como a possibilidade de integração em outras localidades, para auxiliares atuantes do gerenciamento da saúde a análise de ocorrência de CIDs/CIAPs de forma proativa.

Resumo 2

Carregar dados clássicos em um dispositivo quântico é necessário em muitas aplicações atuais. Além disso, muitos algoritmos precisam recarregar o estado inicial várias vezes durante sua execução. Portanto, a tarefa de obter um estado quântico adequado para ser utilizado como estado inicial de um algoritmo quântico, onde este estado é preparado de forma eficiente é uma etapa essencial no desenvolvimento de algoritmos quânticos eficientes. O custo para inicializar um estado quântico pode comprometer o funcionamento do algoritmo se este processo não for realizado de forma eficiente. A preparação de estados quânticos é um tópico da computação quântica que tem concentrado bastante atenção nos dias atuais, dentro deste tema a preparação de estados quânticos esparsos é um problema mais específico e ainda em aberto, uma vez que muitos algoritmos quânticos também precisam de uma inicialização esparsa. Esta tese tem como objetivo apresentar os resultados obtidos na pesquisa realizada no campo de preparação de estados quânticos esparsos, onde foram desenvolvidos três algoritmos. O primeiro é o algoritmo FFP-QRAM Pré-processado, um algoritmo probabilístico capaz de preparar um estado quântico com amplitudes contínuas, exigindo uma pós-seleção. Este algoritmo realiza um pré-processamento nas amplitudes do padrão de entrada e, em seguida, usa a primeira parte do algoritmo PQM (TRUGENBERGER, 2001) para preparar o estado inicial do algoritmo FF-QRAM (PARK; PETRUCCIONE; RHEE,2019). Combinando o pré-processamento de dados com os algoritmos PQM e FF-QRAM, melhoramos a probabilidade de pós-seleção em comparação com o FF-QRAM. O segundo é o algoritmo CV-QRAM, um algoritmo capaz de preparar um estado quântico com amplitudes contínuas, sem pós-seleção, a partir de padrões de entrada do tipo (¿_¿,¿_¿) onde ¿_¿ são amplitudes complexas associadas aos padrões ¿_¿ ¿ {0,1}^n. O algoritmo CV-QRAM (VERAS et al., 2020) foi construído com base no algoritmo FF-QRAM (PARK; PETRUCCIONE; RHEE, 2019), que é um algoritmo de preparação de estado quântico que pode carregar ¿ padrões de bits ¿ com custo computacional ¿(¿¿¿) para carregar dados contínuos, onde ¿ depende da distribuição dos dados. No CV-QRAM, propomos uma estratégia para carregar dados contínuos com custo computacional ¿(¿¿), eliminando a pós-seleção e obtendo seus melhores resultados na preparação de estados quânticos esparsos. O terceiro é o algoritmo CVO-QRAM, ele é uma otimização CV-QRAM e foi  construído com o objetivo principal de reduzir o número de portas CNOT necessárias na preparação de um estado quântico, quando comparado ao algoritmo CV-QRAM (VE-RAS et al., 2020), uma vez que o ruído causado por essas portas torna o resultado mais suscetível a erros. CVO-QRAM provou ser mais eficiente do que CV-QRAM em todos os cenários para a preparação de estado quântico. O algoritmo CVO-QRAM obteve um custo computacional de ¿(¿¿), para preparar um estado quântico onde ¿ é o número de amplitudes de probabilidade diferentes de zero, e ¿ é o número máximo de bits com valor 1 na string binária dos padrões que serão armazenados. Quando o estado quântico desejado é esparso, o CVO-QRAM algoritmo obteve resultados competitivos em comparação a outros algoritmos eficientes já conhecidos (SHENDE;BULLOCK; MARKOV, 2006)(MÖTTÖNEN et al., 2005) (PLESCH; BRUKNER, 2011). Quando o estado quântico desejado possuir um grande número de qubits e for duplamente esparso (no número de amplitudes e no número de 1s em cada ¿¿), o CVO-QRAM apresentou resultados promissores em comparação com o estado quântico esparso algoritmo de preparação proposto em (MALVETTI; ITEN; COLBECK, 2021).

Data da última modificação: 10/09/2021, 17:18