Submitted by (ana.araujo@ufrpe.br) on 2016-08-09T14:23:02Z
No. of bitstreams: 1
Patricia Silva Nascimento.pdf: 1820001 bytes, checksum: f1196e1a5ad73d884c17e09610faf980 (MD5) / Made available in DSpace on 2016-08-09T14:23:02Z (GMT). No. of bitstreams: 1
Patricia Silva Nascimento.pdf: 1820001 bytes, checksum: f1196e1a5ad73d884c17e09610faf980 (MD5)
Previous issue date: 2011-02-21 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES / Quantum computing is a recent area of research that encompasses three known areas: mathematics, physics and computing. With the research in quantum algorithms came the need to understand and express such algorithms in terms of programming. Several languages and programming models for high-level quantum have been proposed in recent years. Quantum mechanics (QM) is a set of mathematical rules that serve for the construction of physical theories, from its inception until the present day it has been applied in various branches. In this context we developed the Quantum Computation, perhaps the most spectacular proposal for practical implementation of QM. The difficulty in developing quantum algorithms provides the use of alternative techniques to the solution of purely algorithmic problems, such as machine learning and genetic algorithms. Carlo Trugenberger proposes a model of quantum associative memory which binary patterns of n bits are stored in a quantum superposition of an appropriate subset of the computational basis of n qubits. This model solves the problem of insufficient capacity of the well known classical associative memory, providing a large improvement in capacity. The distribution proposed by Trugenberger uses the Hamming distance, where the amplitudes have a peak in the stored patterns, which has smaller distance from the entrance. The accuracy of pattern recognition can be adjusted by the parameter b, in other words increasing b increases the probability of recognition. This study examines the genetic diversity of stingless bees Melipona quinquefasciata, obtained from several wild colonies in different localities of the Chapada do Araripe-CE, Chapada da Ibiapaba-CE, city’s Canto do Buriti-PI and Luziânia-GO. DNA sequences were processed by replacing A by 00, G by 01, C by 10 and T by 11. The results show that this probability is very efficient to recognize the patterns of DNA sequences of the stingless bees Melipona quinquefasciata regions 18S and ITS1 partial. The algorithm is not computationally efficient on a classical computer, but is extremely efficient on a quantum computer. It was concluded that this method of recognition of quantum standards is better than the classic method used by Pereira. / A computação quântica é uma área de pesquisa recente que engloba três áreas conhecidas: matemática, física e computação. Com as pesquisas na área de algoritmos quânticos veio a necessidade de entender e expressar tais algoritmos do ponto de vista de programação. Diversas linguagens e modelos para programação quântica de alto nível têm sido propostas nos últimos anos. A Mecânica Quântica (MQ) é um conjunto de regras matemáticas que servem para a construção de teorias físicas, desde a sua criação até os dias de hoje ela tem sido aplicada em diversos ramos. Neste contexto se desenvolveu a Computação Quântica, talvez a mais espetacular proposta de aplicação prática da MQ. A dificuldade de se desenvolver algoritmos quânticos propicia o uso de técnicas alternativas à solução de problemas puramente algorítmica, como por exemplo o aprendizado de máquinas e algoritmos genéticos. Carlo Trugenberger propõe um modelo de memória quântica associativa onde os padrões binários de n bits são armazenados em superposição com um subconjunto apropriado da base computacional de n qubits. Este modelo resolve o problema de escassez de capacidade bem conhecida da memória clássica associativa,provendo uma melhoria grande em capacidade. A distribuição proposta por Trugenberger usa a distância de Hamming, em que as amplitudes tem um pico nos padrões armazenados, que tem menor distância em relação à entrada. A precisão do reconhecimento de padrões pode ser ajustado por um parâmetro b, isto é, aumentando b aumenta a probabilidade de reconhecimento. Este trabalho analisa a diversidade genética das abelhas sem ferrão Melipona quinquefasciata, obtidas de várias colônias silvestres, em localidades distintas da Chapada do Araripe-CE, Chapada da Ibiapaba-CE, cidade do Canto do Buriti-PI e Luziânia-GO. As sequências de DNA foram transformados substituindo A por 00, G por 01, C por 10 e T por 11. Os resultados mostram que essa probabilidade é muito eficiente para reconhecer os padrões de sequências de DNA das abelhas sem ferrão Melipona quinquefasciata das regiões 18S e ITS1 parcial. O algoritmo não é computacionalmente eficiente em um computador clássico, mas será extremamente eficiente em um computador quântico. Concluiu-se que este método de reconhecimento quântico de padrões é melhor que o método clássico utilizado por Pereira.
| Identifer | oai:union.ndltd.org:IBICT/oai:tede2:tede2/5238 |
| Date | 21 February 2011 |
| Creators | BARROS, Patrícia Silva Nascimento |
| Contributors | OLIVEIRA JUNIOR, Wilson Rosa de, STOSIC, Tatijana, STOSIC, Borko, FRANÇA, Felipe Maia Galvão |
| Publisher | Universidade Federal Rural de Pernambuco, Programa de Pós-Graduação em Biometria e Estatística Aplicada, UFRPE, Brasil, Departamento de Estatística e Informática |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da UFRPE, instname:Universidade Federal Rural de Pernambuco, instacron:UFRPE |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | 768382242446187918, 600, 600, 600, 600, -6774555140396120501, -5836407828185143517, 2075167498588264571 |
Page generated in 0.0034 seconds