FuzzyFeatureMap: Uma Codificação Quântica Baseada em Amplitudes para Representações Fuzzy em Modelos VQC

• Cecilia Botelho UFPEL https://orcid.org/0000-0002-2167-7139
• Larissa Schönhofen UFPEL
• Helida Santos FURG https://orcid.org/0000-0003-2994-2862
• Giancarlo Lucca UCPEL https://orcid.org/0000-0002-3776-0260
• Adenauer Yamin UFPEL https://orcid.org/0000-0002-7333-244X
• Renata Reiser UFPEL https://orcid.org/0000-0001-9934-3115

Resumo

A integração entre computação quântica e lógica fuzzy tem-se mostrado promissora para tratar problemas com incertezas e representações linguísticas. No entanto, os circuitos de codificação (feature maps) tradicionais utilizados em algoritmos de aprendizado quântico não foram projetados para lidar com dados fuzzy. Este trabalho propõe o FuzzyFeatureMap, um novo circuito de codificação quântica desenvolvido especificamente para representar variáveis fuzzy em classificadores quânticos variacionais (VQC). Para validar a proposta, conduzimos experimentos comparativos com os feature maps PauliFeatureMap e ZZFeatureMap, utilizando um conjunto de dados simulado com variáveis fuzzy representando decisões de agentes sociais. Os resultados mostram que o FuzzyFeatureMap alcançou melhor desempenho em termos de acurácia, F1-macro e eficiência computacional, destacando sua adequação para tarefas que envolvem incerteza e gradualidade semântica.

Palavras-chave: Computação quântica, Simulação quântica, Qiskit, Sistemas Fuzzy, Algoritmos quânticos

Referências

Acampora, G., Ambainis, A., Ares, N., Banchi, L., Bhardwaj, P., Binosi, D., Briggs, G., Calarco, T., Dunjko, V., Eisert, J., Ezratty, O., Erker, P., Fedele, F., Gil-Fuster, E., Gärttner, M., Granath, M., Heyl, M., Kerenidis, I., Klusch, M., and Wilhelm, F. (2025). Quantum computing and artificial intelligence: status and perspectives. DOI: 10.48550/arXiv.2505.23860

Botelho, C., Buss, J., Santos, H., Lucca, G., Cruz, A., Yamin, A., and Reiser, R. (2024). Exploring social decision models through quantum fuzzy approaches. In 2024 IEEE International Conference on Systems, Man, and Cybernetics (SMC), pages 3025–3030. DOI: 10.1109/SMC54092.2024.10831576

Cupertino, F., Giordano, V., Naso, D., and Delfine, L. (2006). Fuzzy control of a mobile robot. IEEE Robotics & Automation Magazine, 13(4):74–81. DOI: 10.1109/MRA.2006.250563

IBM (2024). Qiskit. Available at: [link]. Accessed: 2024-02-22.

Klement, E. P., Mesiar, R., and Pap, E. (2000). Triangular Norms. Kluwer Academic Publisher, Dordrecht. DOI: 10.1007/978-94-015-9540-7

Maheshwari, D., Sierra-Sosa, D., and Zapirain, B. (2021). Variational quantum classifier for binary classification: Real vs synthetic dataset. volume PP, pages 1–1. DOI: 10.1109/ACCESS.2021.3139323

Nielsen, M. A. and Chuang, I. L. (2000). Quantum Computation and Quantum Information. Cambridge University Press.

Xu, L., Meng, M. Q.-H., and Wang, K. (2007). Pulse image recognition using fuzzy neural network. In 2007 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pages 3148–3151. DOI: 10.1109/IEMBS.2007.4352997

Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3):338–353. DOI: 10.1016/S0019-9958(65)90241-X

Zadeh, L. A. (1975). The concept of a linguistic variable and its application to approximate reasoning - I. Information Sciences, 8(3):199–249. DOI: 10.1016/0020-0255(75)90036-5

Zhou, S., Zhou, Y., Liu, C., Zhu, Y., Zheng, H., Liang, D., and Wang, H. (2024). Quantum neural network for accelerated magnetic resonance imaging. In 2024 IEEE International Conference on Imaging Systems and Techniques (IST), pages 1–5. DOI: 10.1109/IST63414.2024.10759235