Defesa de Tese de Doutorado: Redes Neurais Quânticas na Classificação de Imagens de Artefatos Arqueológicos

Orientadores:
Renato Portugal - Laboratório Nacional de Computação Científica - LNCC

Banca Examinadora:
Renato Portugal - Laboratório Nacional de Computação Científica - LNCC (presidente)
Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
Leandro Carlos de Souza - Universidade Federal da Paraíba - UFPB
Daniela Cisneiros - Universidade Federal de Pernambuco - UFPE

Suplentes:
José Karam Filho - Laboratório Nacional de Computação Científica - LNCC
Carlile Campos Lavor - Universidade Estadual de Campinas - IMECC/UNICAMP

Resumo:

Esta pesquisa investiga o uso de Redes Neurais Convolucionais (CNNs) e Redes Neurais Quânticas (QNNs) na classificação de 1.918 imagens de artef atos arqueológicos da coleção FUMDHAM, provenientes da Serra da Capivara, distribuídas em quatro classes: vidro, cerâmica, louça e lítico. Duas novas arquiteturas de QNN são propostas, operando com um ou dois qubits, reduzindo parâmetros e operações computacionais para otimizar o tempo de processamento sem comprometer a precisão. A revisão de literatura abrange 27 artigos das áreas de arqueologia e computação (redes neurais e aprendizado de máquina), destacando contribuições, lacunas e limitações das pesquisas existentes. A fundamentação teórica apresenta conceitos essenciais sobre redes neurais clássicas, computação quântica e redes neurais quânticas. A metodologia detalha a coleta e preparação dos dados, as técnicas de pré-processamento de imagens e extração de características, além do desenvolvimento e avaliação dos modelos de CNNs e QNNs. Os resultados são organizados de forma segmentada e seguidos de uma análise comparativa que evidencia as vantagens e desafios de cada abordage m. As QNNs demonstram bom desempenho, comparável ao das CNNs, que apresentam ligeira vantagem em precisão. No entanto, as redes quânticas se destacam pelo menor tempo de treinamento e uso reduzido de parâmetros. Este estudo contribui para o avanço tecnológico na arqueologia, propondo novas ferramentas e metodologias que aprimoram a classificação e documentação de artefatos, além de reduzir custos de processos manuais. A aplicação de QNNs inaugura um campo promissor para futuras investigações na interseção entre computação quântica e aprendizado de máquina, ampliando horizontes para aplicações interdisciplinares.