Update README.md

Author: IsaacAlves7

README.md

@@ -37,10 +37,6 @@ No entanto, a computação quântica ainda enfrenta desafios técnicos significa
 
 Embora ainda esteja em seus estágios iniciais, a computação quântica promete revolucionar áreas como a segurança da informação, a simulação de sistemas complexos e o desenvolvimento de novas tecnologias. Cientistas e engenheiros estão trabalhando para superar os obstáculos técnicos e, eventualmente, criar sistemas quânticos que complementem ou até mesmo substituam a computação tradicional em certas áreas, abrindo novas fronteiras para o processamento de informações.
 
-<img height="177" align="right" src="https://github.com/user-attachments/assets/848df633-3781-4441-9961-d0bee132fdb9" />
-
-O *Quantum Machine Learning (QML)* é a intersecção entre o aprendizado de máquina e a computação quântica, uma nova fronteira da ciência computacional que busca aproveitar as propriedades da mecânica quântica para resolver problemas de processamento de dados com uma eficiência inatingível pelos computadores clássicos. Para compreender o QML em profundidade, é necessário entender como os computadores quânticos diferem dos tradicionais, os princípios que sustentam sua operação e como essas propriedades afetam o aprendizado e o raciocínio das máquinas.
-
 A principal diferença entre *computadores clássicos e quânticos* está na forma como eles armazenam e manipulam a informação. Enquanto os computadores clássicos trabalham com **bits**, que assumem apenas dois estados possíveis (0 ou 1), os computadores quânticos utilizam **qubits** (*quantum bits*), que podem existir simultaneamente em uma combinação de 0 e 1 devido à propriedade da **superposição**. Isso permite que um computador quântico realize cálculos paralelos em múltiplos estados ao mesmo tempo, em vez de seguir uma sequência linear de operações. 
 
 Além disso, enquanto o processamento clássico se baseia em portas lógicas determinísticas, os computadores quânticos usam **portas quânticas unitárias**, que manipulam estados probabilísticos. Isso confere ao modelo quântico um poder de paralelismo exponencial — especialmente útil para problemas que crescem em complexidade combinatória, como otimizações, simulações moleculares e redes neurais de alta dimensionalidade.
@@ -85,12 +81,16 @@ Algumas das portas mais importantes são:
 
 Em conjunto, esses fenômenos formam o alicerce dos *algoritmos quânticos*, como o de **Shor** (para fatoração de números primos), o de **Grover** (para busca em banco de dados não ordenado), e as *variações híbridas de aprendizado de máquina quântico*, onde uma rede neural clássica é combinada a camadas quânticas parametrizadas (as chamadas *Quantum Circuits Layers*).
 
+<img height="177" align="right" src="https://github.com/user-attachments/assets/848df633-3781-4441-9961-d0bee132fdb9" />
+
 No contexto do *Quantum Machine Learning*, os algoritmos são desenhados para explorar esses fenômenos de forma a otimizar tarefas de aprendizado e previsão. Um modelo típico de QML pode receber dados codificados em estados quânticos, processá-los em circuitos quânticos parametrizados e aplicar técnicas de retropropagação híbrida, onde os gradientes são calculados parcialmente por operações quânticas e parcialmente por métodos clássicos. Isso resulta em um novo paradigma de aprendizagem: redes neurais quânticas (*Quantum Neural Networks*) que operam sobre amplitudes de probabilidade em vez de valores determinísticos.
 
-Em síntese, o Quantum Machine Learning representa a fusão entre a capacidade analítica da inteligência artificial e o poder probabilístico da física quântica. Se os computadores clássicos imitam a lógica do raciocínio humano, os computadores quânticos simulam o próprio *tecido probabilístico da natureza*. E ao incorporar conceitos como superposição, emaranhamento e interferência aos algoritmos de aprendizado, o QML inaugura um novo paradigma: o de *máquinas que aprendem não apenas com dados, mas com as próprias leis fundamentais do universo*.
+O Quantum Machine Learning (QML) é a intersecção entre o aprendizado de máquina e a computação quântica, uma nova fronteira da ciência computacional que busca aproveitar as propriedades da mecânica quântica para resolver problemas de processamento de dados com uma eficiência inatingível pelos computadores clássicos. Para compreender o QML em profundidade, é necessário entender como os computadores quânticos diferem dos tradicionais, os princípios que sustentam sua operação e como essas propriedades afetam o aprendizado e o raciocínio das máquinas.
 
 <div align="center"><img src="https://github.com/user-attachments/assets/57251cbd-6483-4720-8c65-91a22bfa713f"></div>
 
+Em síntese, o Quantum Machine Learning representa a fusão entre a capacidade analítica da inteligência artificial e o poder probabilístico da física quântica. Se os computadores clássicos imitam a lógica do raciocínio humano, os computadores quânticos simulam o próprio *tecido probabilístico da natureza*. E ao incorporar conceitos como superposição, emaranhamento e interferência aos algoritmos de aprendizado, o QML inaugura um novo paradigma: o de *máquinas que aprendem não apenas com dados, mas com as próprias leis fundamentais do universo*.
+
 ## [QML] Google Cirq x Qiskit
 Quanto às ferramentas e simuladores, hoje existem várias plataformas que permitem experimentar com computação quântica sem necessidade de hardware especializado. O **Qiskit**, da IBM, é um dos frameworks mais populares e fornece tanto simuladores locais quanto acesso a computadores quânticos reais pela nuvem IBM Quantum Experience. O **Cirq**, desenvolvido pelo Google, é outro ambiente amplamente usado para simulações e execução de algoritmos quânticos no *Quantum AI Lab*. Há também o **PennyLane**, da Xanadu, projetado especificamente para integrar redes neurais clássicas e quânticas, permitindo a criação de modelos híbridos de aprendizado profundo. Outras ferramentas incluem o **Braket** (da AWS), **QuTiP** (para simulação de sistemas quânticos), e **Ocean SDK**, da D-Wave, voltado para computação quântica adiabática.