Publicações
Banner CSBC2026: dc-qml: data-centric quantum machine learning
Ano: 2026
Cite este artigo: Flores, E. S., Dalla Riva Cucco Barbosa, K. D. R. C., Guterres, B. V., Silva da Costa Botelho, S. S. C., & Rita Pias, M. R. dc qml: data centric quantum machine learning. CSBC 2026 (2026). Presented at the Brazilian Symposium on Computing and Quantum Communications (SBCCQ 2026).
Local da publicação: Gramado, Rio Grande do Sul, Brazil
Resumo:Este banner apresenta a proposta da metodologia dc-qml (data-centric quantum machine learning), que organiza as etapas de preparação, codificação e representação de dados em um fluxo integrado para aprendizado de máquina quântico. O trabalho destaca a importância de abordagens centradas nos dados para melhorar o desempenho de sistemas quânticos em hardware de curto prazo, além de apresentar resultados preliminares em detecção de anomalias industriais. O banner foi apresentado no I Simpósio Brasileiro de Computação e Comunicação Quânticas (SBCCQ 2026), realizado em 23 de julho de 2026, em Gramado, Rio Grande do Sul.
PDF |
Data-Centric Quantum Machine Learning: data-to-models continuum
Ano: 2026
Cite este artigo: Rita Pias, M., Flores, E., Guterres, B., Dalla Riva Cucco Barbosa, K., & da Silva Costa Botelho, S. Data Centric Quantum Machine Learning: data to models continuum. IEEE Access (2026). Accepted for publication.
Local da publicação: IEEE ACCESS
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 a area de QML.
dc-qml: data-centric quantum machine learning
Ano: 2026
Cite este artigo: Flores, E., Dalla Riva Cucco Barbosa, K., Guterres, B., Botelho, S., & Rita Pias, M. dc qml: data centric quantum machine learning. Zenodo (2026). https://doi.org/10.5281/zenodo.20651665
Local da publicação: Zenodo
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
Cite este artigo: Dalla Riva Cucco Barbosa, K., Flores, E., Guterres, B., Silva da Costa Botelho, S., & Rita Pias, M. Unsupervised Quantum Kernels for One Class Fault Detection in Industrial Time Series. Zenodo (2026). https://doi.org/10.5281/zenodo.20805908
Local da publicação: Zenodo
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
Cite este artigo: Dalla Riva Cucco Barbosa, K., Flores, E., Guterres, B., Botelho, S. S. da C., & Rita Pias, M. Data Centric Sensitivity Analysis of Quantum Kernels for Industrial Time Series. Zenodo (2026). https://doi.org/10.5281/zenodo.20805560
Local da publicação: Zenodo
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
Cite este artigo: Dalla Riva Cucco Barbosa, K., Flores, E., Guterres, B., Silva da Costa Botelho, S. & Rita Pias, M. Data Centric Evaluation of Quantum Machine Learning for Industrial Fault Detection. Zenodo (2026). https://doi.org/10.5281/zenodo.20805780
Local da publicação: Zenodo
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.