A criptografia clássica utiliza suposições de dificuldade computacional, como a fatoração de grandes números, para garantir segurança na comunicação. Tal uso pode ser comprometido por avanços de hardware ou software, como a implementação do algoritmo de Shor pela computação quântica. O trabalho em tela explora a segurança da criptografia quântica atrelada inteiramente às leis da mecânica quântica, em um contexto no qual busca-se gerar, de forma segura, chaves clássicas por meios quânticos com a Distribuição Quântica de Chaves para posterior uso em algoritmos como o one-time-pad. A pesquisa teve foco na QKD dependente de equipamentos, mais especificamente dentro da categoria de preparação e medição, contemplando implementações práticas do protocolo de seis estados feitas no IBM Quantum Experience platform. Explora-se cenários ideais, ruidosos, com e sem adversários, analisando os resultados através do QBER. O trabalho abrange ainda conceitos sobre os procedimentos de pós-processamento de reconciliação da informação e amplificação privada, mencionando eventuais ataques quânticos e suas contramedidas, citando a distribuição quântica de chaves independente de dispositivos como uma das possíveis abordagens de solução.

A Análise Topológica de Dados (Topological Data Analysis - TDA) é um campo interdisciplinar que utiliza conceitos da topologia para examinar e extrair informações essenciais sobre a estrutura de dados complexos. Neste estudo, adotamos uma técnica específica da TDA conhecida como Homologia Persistente, buscando extrair informações topológicas do espaço de dados e utilizá- las como características para aprendizado profundo. O foco está no uso de combinações de características topológicas, obtidas usando técnicas de TDA, para a classificação de imagens usando redes neurais. Para isso, utilizamos banco de imagens da MNIST, composto por dígitos manuscritos de 0 a 9. No âmbito de TDA, os conceitos fundamentais de complexos e filtração são fundamentais. As classes de Homologia Persistente são calculadas, e sua evolução ao longo do processo de filtração é descrita através de Diagramas de Persistência. Técnicas de vetorização são empregadas para tornar as informações topológicas compatíveis com algoritmos de aprendizado de máquina. Arquiteturas de redes neurais, modeladas com base em redes do tipo perceptron multi-camadas (multilayer perceptron- MLP) e redes neurais convolucionais (Convolutional Neural Networks- CNN) são utilizadas para incorporar características topológicas nas estratégias de aprendizado profundo. A avaliação dos resultados obtidos mostra que a inclusão de informações topológicas pode aprimorar a acurácia das redes neurais do tipo MLP em tarefas de classificação multi-classe. O mesmo não foi constatado para as redes do tipo CNN. Contudo, é importante notar que o aprimoramento observado está associado a um aumento na complexidade computacional durante o cálculo das classes de Homologia Persistente. Uma análise detalhada dos resultados identifica casos em que as técnicas de características topológicas melhoraram a acurácia. Esse fato, juntamente com a alta dimensionalidade dos espaços motivou a aplicação de técnicas de seleção de características e análise das mesmas, permitindo a redução da dimensionalidade e aumento das taxas de reconhecimento em vários cenários.

Ato normativo que define as regras para composição de Banca Examinadora para Defesa de Mestrado no Programa de Pós-Graduação do LNCC. As regras atendem a Portaria LNCC/MCTI No 290, DE 14 de março de 2023.

Ato normativo que define as regras para composição de Banca Examinadora para Defesa de Doutorado no Programa de Pós-Graduação do LNCC. As regras atendem a Portaria LNCC/MCTI Nº 290, DE 14 de março de 2023.

Ato normativo que define as regras para a realização do Seminário de Avaliação no Programa de Pós-Graduação do LNCC.