
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Santos, Ricardo Paupitz Barbosa dos | - |
| Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
| Autor(es): dc.contributor | Rossatto, Daniel Zini | - |
| Autor(es): dc.creator | Duque, Gustavo Del | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T17:07:51Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T17:07:51Z | - |
| Data de envio: dc.date.issued | 2024-12-05 | - |
| Data de envio: dc.date.issued | 2024-12-05 | - |
| Data de envio: dc.date.issued | 2024-11-07 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/258671 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/258671 | - |
| Descrição: dc.description | Nos últimos anos, as aplicações de técnicas de aprendizado de máquina têm sido estudadas ativamente e de forma cada vez mais relevante. Para adquirir informações sobre um sistema quântico, é essencial compreender seu estado de maneira geral, uma tarefa que pode se tornar desaf i adora devido à complexidade associada ao aumento da dimensão do espaço de Hilbert. Durante a realização deste trabalho, foram utilizados algoritmos de máquinas de vetores de suporte para classif i car e prever características como o número médio de fótons do estado do campo eletromagnético de um modo de uma cavidade óptica. Para isso, a máquina foi submetida a um processo de treinamento e alimentação baseado nas alturas e distâncias dos picos do padrão de espalhamento observado em um feixe atômico ao atravessar a cavidade em um estado específ i co (conhecido como efeito Stern-Gerlach óptico). Os estados para a cavidade considerados neste estudo foram Fock, coerente, gato e comprimido. Empregamos 100 amostras para cada tipo de estado, utilizando 60% dos dados para treinamento e reservando 40% para teste, para os quais a máquina retornou acurácias maiores ou iguais a 96% dependendo do estado do átomo quando este atravessa a cavidade e da tarefa da máquina. | - |
| Descrição: dc.description | In recent years, the application of machine learning techniques has been actively and increasingly studied. Acquiring information about a quantum system requires a comprehensive understanding of its state, a task that becomes challenging due to the complexity associated with the growing dimension of the Hilbert space. In this work, support vector machine algorithms were utilized to classify and predict features such as the average photon number in the electromagnetic field state of an optical cavity mode. The machine was trained and fed with data derived from the heights and distances of peaks in the scattering pattern observed in an atomic beam traversing the cavity in a specific state (known as the optical Stern-Gerlach effect). The cavity states considered in this study include Fock, coherent, cat, and squeezed states. For each type of state, 100 samples were employed, with 60% used for training and 40% for testing. The machine demonstrated accuracies of 96% or higher, depending on the atom’s state as it traverses the cavity and the task assigned to the machine. | - |
| Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
| Descrição: dc.description | FAPESP: 2022/15394-3. | - |
| Formato: dc.format | application/pdf | - |
| Idioma: dc.language | pt_BR | - |
| Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
| Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
| Palavras-chave: dc.subject | Stern-Gerlach óptico | - |
| Palavras-chave: dc.subject | Aprendizado de máquina | - |
| Palavras-chave: dc.subject | Classificação de estados | - |
| Palavras-chave: dc.subject | Estados quânticos | - |
| Palavras-chave: dc.subject | Cavidade óptica | - |
| Palavras-chave: dc.subject | Stern-Gerlach Effect | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Quantum states | - |
| Palavras-chave: dc.subject | State classification | - |
| Palavras-chave: dc.subject | Optical cavity mode | - |
| Título: dc.title | Técnicas de aprendizado de máquina para a classificação e previsão de estados quânticos via efeito Stern-Gerlach óptico | - |
| Título: dc.title | Machine learning techniques for the classification and prediction of quantum states via optical Stern-Gerlach effect | - |
| Tipo de arquivo: dc.type | livro digital | - |
| Aparece nas coleções: | Repositório Institucional - Unesp | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: