← Últimos artigos
⚛️ física quântica

Uncertainty-aware quantum machine learning based on Dempster-Shafer theory

Este artigo introduz uma estrutura de classificação quântica consciente da incerteza baseada na teoria de Dempster-Shafer que permite que circuitos quânticos parametrizados aprendam e expressem a incerteza de predição sobre conjuntos de rótulos, oferecendo uma abordagem de fusão de Dempster-Shafer quântica eficiente em termos de recursos.

Autor original: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

Publicado 2026-11-13
📖 4 min de leitura🧠 Leitura aprofundada

Autor original: Marie Kempkes, Jakob Spiegelberg, Evert van Nieuwenburg, Vedran Dunjko

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelo autor. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

No mundo da inteligência artificial, um modelo que simplesmente acerta a resposta na maioria das vezes muitas vezes não é suficiente. Imagine um carro autônomo que identifica corretamente um pedestre nove em cada dez vezes, mas falha ao reconhecer um obstáculo raro e incomum na décima tentativa. Se o sistema não puder sinalizar que está incerto, as consequências podem ser graves. Este é o desafio da incerteza: saber não apenas o que um computador pensa, mas o quão confiante ele está nesse pensamento. Embora o aprendizado de máquina tradicional tenha desenvolvido formas de medir essa dúvida, o campo emergente do aprendizado de máquina quântico tem se concentrado amplamente em velocidade bruta e precisão, deixando a questão da confiabilidade amplamente sem resposta. Pesquisadores estão agora questionando como construir computadores quânticos que possam admitir quando não sabem a resposta, uma capacidade essencial para implantar essas ferramentas poderosas em situações reais de alto risco.

Uma equipe de pesquisadores deu um passo significativo para resolver este problema ao ensinar circuitos quânticos a expressar incerteza usando uma estrutura matemática chamada teoria de Dempster-Shafer. Diferente da probabilidade padrão, que atribui uma porcentagem única de probabilidade a um resultado específico, esta teoria permite que um modelo atribua peso a grupos de possibilidades de uma só vez. Pense nisso como a diferença entre dizer "estou 90% seguro de que é um cachorro" e dizer "tenho certeza de que é um cachorro ou um lobo, mas não consigo distinguir qual". Esta distinção é crucial porque separa a incerteza causada pela falta de informação da incerteza causada pela própria ambiguidade dos dados. Ao adaptar este método clássico para sistemas quânticos, os pesquisadores criaram um novo tipo de classificador que não apenas gera uma única previsão, mas sim um mapa estruturado do que sabe e do que não sabe.

O núcleo do trabalho deles envolve um circuito quântico parametrizado, um tipo de programa quântico onde as configurações podem ser ajustadas durante o treinamento. Os pesquisadores projetaram um processo de treinamento que incentiva o circuito a distribuir sua "confiança" entre diferentes conjuntos de rótulos, em vez de concentrá-la toda em uma única resposta específica. Quando o circuito recebe uma imagem, ele produz um estado quântico onde as probabilidades de diferentes resultados correspondem a esses pesos de confiança. Se a entrada for clara e familiar, o modelo concentra seu peso no rótulo único e correto. No entanto, se a entrada for confusa ou incomum, o modelo naturalmente espalha seu peso por um grupo maior de rótulos potenciais, sinalizando efetivamente que está incerto. Esse comportamento emerge diretamente dos dados durante o treinamento, sem exigir ajustes externos complexos.

Para testar se essa abordagem realmente funciona, a equipe realizou simulações usando conjuntos de dados de imagens do mundo real. Eles treinaram seus modelos quânticos para reconhecer dígitos e depois os desafiaram com imagens que nunca haviam visto antes. Um sistema de incerteza confiável deve sinalizar essas imagens desconhecidas como arriscadas. Os resultados mostraram que o método deles foi altamente eficaz nesta tarefa. Os modelos distinguiram com sucesso imagens familiares de imagens estranhas ou fora do comum, com as medidas de incerteza identificando corretamente os dados desconhecidos com alta precisão. Isso sugere que os circuitos quânticos aprenderam a reconhecer os limites de seu próprio conhecimento, um traço vital para qualquer sistema destinado a operar com segurança no mundo real.

Os pesquisadores também exploraram como esses modelos poderiam trabalhar juntos. Em muitos cenários complexos, múltiplos sensores ou diferentes tipos de dados podem fornecer informações conflitantes ou parciais. A equipe demonstrou que seus modelos quânticos poderiam combinar suas avaliações individuais em uma conclusão única e mais confiável. Ao fundir os mapas de incerteza de vários classificadores quânticos diferentes, o sistema poderia chegar a um quadro mais claro do que qualquer modelo individual conseguiria alcançar sozinho. Esse processo, conhecido como fusão de massa, mostrou-se capaz de melhorar a precisão geral, provando que esses modelos quânticos podem colaborar para reduzir a dúvida e refinar as previsões.

Embora os experimentos atuais tenham sido conduzidos em computadores quânticos simulados, e não em hardware físico, as descobertas oferecem um roteiro prático para o futuro. O estudo sugere que as máquinas quânticas podem ser treinadas para serem honestas sobre suas limitações, indo além de simples pontuações de precisão para fornecer uma avaliação mais rica e confiável de suas decisões. Ao integrar esses métodos conscientes da incerteza, o campo se aproxima de sistemas quânticos que são não apenas poderosos, mas também seguros e confiáveis o suficiente para aplicações críticas, como direção autônoma ou diagnóstico médico. O trabalho estabelece que os modelos quânticos podem aprender a expressar todo o espectro de seu conhecimento, desde a certeza absoluta até a ignorância completa, fornecendo uma base necessária para a próxima geração de máquinas inteligentes.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →