Linha de pesquisa: Sistemas de Computação

Resumo: A predição precisa e escalável de interações moleculares é um dos gargalos centrais do desenho de fármacos e da descoberta de materiais. Métodos clássicos de aprendizado de máquina, embora eficazes para propriedades moleculares dominadas por contribuições atômicas aditivas, encontram limitações fundamentais na captura de correlações eletrôni cas não locais, que governam propriedades como as energias dos orbitais moleculares ocupado e desocupado de mais alta energia (HOMO e LUMO) e o gap HOMO–LUMO. Esta tese propõe uma arquitetura de atenção quântica que combina três primitivas quân ticas desenvolvidas ao longo do trabalho: codificação em bloco via Hierarchical Linear Combination of Unitaries (H-LCU), multiplicação de matrizes via Tree Tensor Network Operators (TTNO) e normalização não linear via Generalized Quantum Signal Processing (GQSP). A metodologia adota uma representação de tamanho fixo baseada em seleção de espaço ativo, garantindo compatibilidade com as primitivas quânticas, e divide o processo de atenção entre processamento clássico, que realiza as projeções lineares e as decom posições de Pauli, e execução quântica, que implementa a codificação em bloco, a normal ização e a medição. A validação é conduzida sobre os conjuntos de dados QM9, QM7 e QM8, com protocolos de divisão por esqueleto molecular e avaliação fora da distribuição, seguindo as recomendações de uma revisão sistemática sobre predição de orbitais de fron teira conduzida como parte desta tese. Espera-se demonstrar que a atenção quântica, construída sobre primitivas eficientes e adaptadas a hardware NISQ, oferece um cam inho viável para a predição de HOMO, LUMO e gap com precisão competitiva e custo computacional caracterizado.

Link para a defesa: https://teams.microsoft.com/dl/launcher/launcher.html?url=%2F_%23%2Fmeet...