Computação quântica: IA pode ajudar máquinas clássicas a lidar com a tecnologia


Algoritmos aumentam as possibilidades de compreensão de sistemas quânticos

Por Lakshmi Chandrasekaran

QUANTA MAGAZINE - Entender o universo quântico não é fácil. As noções intuitivas de espaço e tempo se desfazem no minúsculo reino da física subatômica, permitindo um comportamento que, para nossa sensibilidade macro, parece completamente estranho.

Os computadores quânticos devem nos permitir aproveitar essa estranheza. Teoricamente, essas máquinas poderiam explorar as interações moleculares para criar novos medicamentos e materiais. Mas talvez o mais importante seja o fato de que o próprio mundo é construído sobre esse universo quântico - se quisermos entender como ele funciona, provavelmente precisaremos de ferramentas quânticas.

continua após a publicidade

Entretanto, os dispositivos quânticos atuais ainda estão longe de cumprir essa promessa, pois não conseguem executar de forma confiável um grande número de interações quânticas. Até que os pesquisadores consigam superar esse problema, os computadores clássicos continuam sendo a melhor maneira de resolver problemas do mundo real, por mais ineficientes que sejam.

Mas talvez haja uma solução alternativa, uma espécie de compromisso quântico. Uma série de artigos recentes sugere que pode ser possível pegar o sistema quântico que você gostaria de entender, inserir suas propriedades em máquinas clássicas e usar essas máquinas para prever o comportamento do sistema quântico. Ao combinar uma nova maneira de modelar sistemas quânticos com algoritmos de aprendizado de máquina cada vez mais sofisticados, os pesquisadores estabeleceram um método para que as máquinas clássicas modelem e prevejam o comportamento quântico.

“Acho que o trabalho é muito significativo”, disse Yi-Zhuang You, físico da Universidade da Califórnia, em San Diego, que não está envolvido nos estudos. “Ele muda fundamentalmente o campo no sentido de que é a maneira correta de combinar computação quântica e aprendizado de máquina.”

continua após a publicidade

O que aprendemos com as sombras

Os pesquisadores têm tentado usar computadores clássicos para prever estados quânticos desde pelo menos 1989. Normalmente, um sistema quântico com n qubits - o equivalente quântico de um bit - pode ser representado por uma matriz clássica de 2n números. O tamanho dessa matriz aumenta exponencialmente com o número de qubits, o que significa que a potência de computação necessária se torna rapidamente proibitiva.

No final de 2017, o cientista da computação Scott Aaronson sugeriu que não é necessário conhecer a representação clássica completa de um sistema quântico. Em vez disso, talvez seja possível aprender sobre um determinado estado quântico e prever suas propriedades usando apenas um subconjunto da representação.

continua após a publicidade

Então, em 2020, os físicos Hsin Yuan “Robert” Huang e Richard Kueng foram pioneiros em uma abordagem prática do método de Aaronson. Sua técnica permitiu que eles previssem muitas características do estado quântico de um sistema a partir de pouquíssimas medições usando métodos clássicos. O processo envolveu a construção de uma “sombra clássica” a partir dessas medições: uma representação clássica sucinta do sistema quântico, semelhante a uma sombra real, que transmite muitas informações - mas não todas - sobre o objeto que a está lançando.

“É preciso baixar a mira e tentar prever apenas determinados observáveis quânticos”, disse John Preskill, físico teórico do Instituto de Tecnologia da Califórnia (Caltech) que trabalhou com Huang e Kueng no projeto.

John Preskill ajudou a mostrar como as "sombras clássicas" dos sistemas quânticos poderiam, em teoria, permitir que os pesquisadores processassem dados quânticos em computadores clássicos Foto: Max Gerber
continua após a publicidade

Com esse modelo, se você quiser prever um determinado número de propriedades do sistema, precisará apenas de medições suficientes - especificamente, um número de medições que se dimensiona como o logaritmo do número de propriedades. “A ideia de Robert é brilhante”, disse Xie Chen, colega de Preskill na Caltech que não participou do estudo. “Isso nos dará uma grande vantagem para aprender o sistema fazendo uma amostragem aleatória.”

A abordagem já teve algum sucesso. Os cientistas já usaram essas sombras clássicas para conduzir a maior simulação de química quântica já realizada, usando um algoritmo clássico com um computador quântico ruidoso e propenso a erros para estudar as forças experimentadas pelos átomos em um cristal de diamante.

Mas talvez ele possa fazer mais. Huang e outros queriam estudar um sistema quântico não apenas em um momento estático - como em um cristal - mas à medida que ele mudava ao longo do tempo. Isso daria aos pesquisadores muito mais informações sobre como esses sistemas se comportam, ao custo de muito mais dados para processar. Felizmente, nessa época, outra ferramenta havia se tornado popular para essa tarefa: o aprendizado de máquina.

continua após a publicidade
Ao usar "sombras clássicas", os computadores comuns podem superar os computadores quânticos na difícil tarefa de compreender os comportamentos quânticos Foto: Kouzou Sakai para Quanta Magazine

Treinamento dos modelos

Nos últimos anos, os modelos clássicos de aprendizado de máquina fizeram avanços revolucionários no aprimoramento das previsões automatizadas. Mas quando os pesquisadores tentaram usá-los para resolver problemas quânticos, disse Preskill, os modelos geralmente acertavam, mas sua precisão não era garantida. Em geral, o aprendizado de máquina progride por meio de tentativa e erro, portanto, você precisaria do tipo certo de dados - e de uma grande quantidade deles - para obter informações úteis.

continua após a publicidade

Um artigo de Huang e colaboradores do Google Quantum AI ressaltou essa intuição: os algoritmos clássicos de aprendizado de máquina treinados com dados quânticos suficientes podem ser computacionalmente avançados o suficiente para modelar sistemas quânticos.

Mas ainda havia um problema. Esses modelos de aprendizado de máquina ainda eram fundamentalmente clássicos, o que significa que é impossível para eles processar dados verdadeiramente quânticos e gerar estados quânticos. Para contornar esse problema, Huang e seus colegas mostraram em um artigo da Science no ano passado como usar sombras clássicas para converter informações quânticas em dados clássicos. Assim, eles poderiam treinar um modelo de aprendizado de máquina para prever as propriedades de novos sistemas quânticos.

“A vantagem que eles criam é um mapa quântico entre as entradas (quânticas) e as saídas (quânticas), ambas sombras clássicas - uma vez que você nunca terá sucesso se o estado quântico completo for atingido”, disse Jarrod McClean, cientista da computação do Google Quantum AI.

Isso parecia viável na prática, pois o modelo precisava apenas de um número polinomial de pontos de dados para obter previsões precisas. Infelizmente, ainda não era o ideal. “O polinômio era muito grande”, disse Huang. Basicamente, era muito difícil obter essa quantidade de dados de treinamento.

A peça final do quebra-cabeça veio em um workshop realizado em julho deste ano no Simons Institute for the Theory of Computing da Universidade da Califórnia, em Berkeley. Lá, uma aluna de graduação do grupo de Preskill chamada Laura Lewis demonstrou uma maneira de contornar o obstáculo.

Laura Lewis mostrou como aprimorar os algoritmos de aprendizado de máquina existentes para permitir que os computadores clássicos aprendam a processar informações quânticas em termos práticos e viáveis Foto: Laura Lewis/Acervo Pessoal

Enquanto os modelos anteriores eram agnósticos em relação à geometria do sistema quântico em estudo, o trabalho de Lewis não era. Em vez de tentar acompanhar as interações entre cada combinação de qubits no sistema, seu algoritmo concentrou-se na interação local entre os qubits localizados próximos uns dos outros. Essa abordagem agora precisava de menos dados de treinamento - apenas uma função logarítmica do número de qubits - para prever com precisão as propriedades do sistema quântico, tornando-o finalmente viável na prática.

Além das sombras

Com esses modelos, os pesquisadores podem explorar a composição e o comportamento de sistemas quânticos cada vez mais complicados. Mas o resultado de Lewis também pode ajudar a melhorar essa linha de pesquisa: agora temos melhores maneiras de entender como reduzir os requisitos de escala para previsões futuras sobre outros sistemas quânticos.

O trabalho de Lewis revela “quantos dados (devem) ser coletados de um sistema físico para fazer previsões confiáveis”, disse McClean.

Enquanto isso, Huang foi mais longe. Com base em seu trabalho sobre sombras clássicas e aprendizado de máquina, ele recentemente usou um algoritmo aprimorado para estudar sistemas quânticos ativos (como a transformação de um estado quântico em outro) com uma quantidade menor de dados. Preskill suspeita que isso é apenas o começo. “O que eu espero é que, nos próximos cinco a dez anos, o principal impacto da computação quântica não sejam os aplicativos comercialmente importantes”, disse ele. “Será a exploração científica.”

Por enquanto, os novos métodos desenvolvidos por Huang e Lewis ainda precisam ser rigorosamente testados em experimentos de laboratório. Os sistemas experimentais vêm com uma bagagem extra, incluindo erros de medição e imprecisões, disse Chen, com os quais esses modelos ainda não conseguem lidar.

Mas, embora esse trabalho ainda esteja em andamento, essas sombras clássicas devem permitir que os pesquisadores aprimorem sua compreensão do domínio teórico quântico de novas maneiras. As sombras clássicas são suficientes para capturar a complexidade quântica ou precisamos de uma abordagem totalmente quântica? Existem propriedades ou dinâmicas quânticas que ficarão para sempre fora de alcance? “Seu trabalho foi pioneiro para começar a pensar nessas questões”, disse Soonwon Choi, físico do Instituto de Tecnologia de Massachusetts.

E talvez um dia, disse Preskill, os pesquisadores coletem dados experimentais suficientes para prever características do sistema que nunca foram encontradas no laboratório. “Esse é um dos objetivos gerais da aplicação da aprendizagem automática à física quântica”, disse ele. “E conseguimos mostrar que, pelo menos em algumas configurações, é possível fazer previsões precisas.” /TRADUÇÃO BRUNO ROMANI

História original republicada com permissão da Quanta Magazine, uma publicação editorialmente independente apoiada pela Simons Foundation. Leia o conteúdo original em Machine Learning Aids Classical Modeling of Quantum Systems

QUANTA MAGAZINE - Entender o universo quântico não é fácil. As noções intuitivas de espaço e tempo se desfazem no minúsculo reino da física subatômica, permitindo um comportamento que, para nossa sensibilidade macro, parece completamente estranho.

Os computadores quânticos devem nos permitir aproveitar essa estranheza. Teoricamente, essas máquinas poderiam explorar as interações moleculares para criar novos medicamentos e materiais. Mas talvez o mais importante seja o fato de que o próprio mundo é construído sobre esse universo quântico - se quisermos entender como ele funciona, provavelmente precisaremos de ferramentas quânticas.

Entretanto, os dispositivos quânticos atuais ainda estão longe de cumprir essa promessa, pois não conseguem executar de forma confiável um grande número de interações quânticas. Até que os pesquisadores consigam superar esse problema, os computadores clássicos continuam sendo a melhor maneira de resolver problemas do mundo real, por mais ineficientes que sejam.

Mas talvez haja uma solução alternativa, uma espécie de compromisso quântico. Uma série de artigos recentes sugere que pode ser possível pegar o sistema quântico que você gostaria de entender, inserir suas propriedades em máquinas clássicas e usar essas máquinas para prever o comportamento do sistema quântico. Ao combinar uma nova maneira de modelar sistemas quânticos com algoritmos de aprendizado de máquina cada vez mais sofisticados, os pesquisadores estabeleceram um método para que as máquinas clássicas modelem e prevejam o comportamento quântico.

“Acho que o trabalho é muito significativo”, disse Yi-Zhuang You, físico da Universidade da Califórnia, em San Diego, que não está envolvido nos estudos. “Ele muda fundamentalmente o campo no sentido de que é a maneira correta de combinar computação quântica e aprendizado de máquina.”

O que aprendemos com as sombras

Os pesquisadores têm tentado usar computadores clássicos para prever estados quânticos desde pelo menos 1989. Normalmente, um sistema quântico com n qubits - o equivalente quântico de um bit - pode ser representado por uma matriz clássica de 2n números. O tamanho dessa matriz aumenta exponencialmente com o número de qubits, o que significa que a potência de computação necessária se torna rapidamente proibitiva.

No final de 2017, o cientista da computação Scott Aaronson sugeriu que não é necessário conhecer a representação clássica completa de um sistema quântico. Em vez disso, talvez seja possível aprender sobre um determinado estado quântico e prever suas propriedades usando apenas um subconjunto da representação.

Então, em 2020, os físicos Hsin Yuan “Robert” Huang e Richard Kueng foram pioneiros em uma abordagem prática do método de Aaronson. Sua técnica permitiu que eles previssem muitas características do estado quântico de um sistema a partir de pouquíssimas medições usando métodos clássicos. O processo envolveu a construção de uma “sombra clássica” a partir dessas medições: uma representação clássica sucinta do sistema quântico, semelhante a uma sombra real, que transmite muitas informações - mas não todas - sobre o objeto que a está lançando.

“É preciso baixar a mira e tentar prever apenas determinados observáveis quânticos”, disse John Preskill, físico teórico do Instituto de Tecnologia da Califórnia (Caltech) que trabalhou com Huang e Kueng no projeto.

John Preskill ajudou a mostrar como as "sombras clássicas" dos sistemas quânticos poderiam, em teoria, permitir que os pesquisadores processassem dados quânticos em computadores clássicos Foto: Max Gerber

Com esse modelo, se você quiser prever um determinado número de propriedades do sistema, precisará apenas de medições suficientes - especificamente, um número de medições que se dimensiona como o logaritmo do número de propriedades. “A ideia de Robert é brilhante”, disse Xie Chen, colega de Preskill na Caltech que não participou do estudo. “Isso nos dará uma grande vantagem para aprender o sistema fazendo uma amostragem aleatória.”

A abordagem já teve algum sucesso. Os cientistas já usaram essas sombras clássicas para conduzir a maior simulação de química quântica já realizada, usando um algoritmo clássico com um computador quântico ruidoso e propenso a erros para estudar as forças experimentadas pelos átomos em um cristal de diamante.

Mas talvez ele possa fazer mais. Huang e outros queriam estudar um sistema quântico não apenas em um momento estático - como em um cristal - mas à medida que ele mudava ao longo do tempo. Isso daria aos pesquisadores muito mais informações sobre como esses sistemas se comportam, ao custo de muito mais dados para processar. Felizmente, nessa época, outra ferramenta havia se tornado popular para essa tarefa: o aprendizado de máquina.

Ao usar "sombras clássicas", os computadores comuns podem superar os computadores quânticos na difícil tarefa de compreender os comportamentos quânticos Foto: Kouzou Sakai para Quanta Magazine

Treinamento dos modelos

Nos últimos anos, os modelos clássicos de aprendizado de máquina fizeram avanços revolucionários no aprimoramento das previsões automatizadas. Mas quando os pesquisadores tentaram usá-los para resolver problemas quânticos, disse Preskill, os modelos geralmente acertavam, mas sua precisão não era garantida. Em geral, o aprendizado de máquina progride por meio de tentativa e erro, portanto, você precisaria do tipo certo de dados - e de uma grande quantidade deles - para obter informações úteis.

Um artigo de Huang e colaboradores do Google Quantum AI ressaltou essa intuição: os algoritmos clássicos de aprendizado de máquina treinados com dados quânticos suficientes podem ser computacionalmente avançados o suficiente para modelar sistemas quânticos.

Mas ainda havia um problema. Esses modelos de aprendizado de máquina ainda eram fundamentalmente clássicos, o que significa que é impossível para eles processar dados verdadeiramente quânticos e gerar estados quânticos. Para contornar esse problema, Huang e seus colegas mostraram em um artigo da Science no ano passado como usar sombras clássicas para converter informações quânticas em dados clássicos. Assim, eles poderiam treinar um modelo de aprendizado de máquina para prever as propriedades de novos sistemas quânticos.

“A vantagem que eles criam é um mapa quântico entre as entradas (quânticas) e as saídas (quânticas), ambas sombras clássicas - uma vez que você nunca terá sucesso se o estado quântico completo for atingido”, disse Jarrod McClean, cientista da computação do Google Quantum AI.

Isso parecia viável na prática, pois o modelo precisava apenas de um número polinomial de pontos de dados para obter previsões precisas. Infelizmente, ainda não era o ideal. “O polinômio era muito grande”, disse Huang. Basicamente, era muito difícil obter essa quantidade de dados de treinamento.

A peça final do quebra-cabeça veio em um workshop realizado em julho deste ano no Simons Institute for the Theory of Computing da Universidade da Califórnia, em Berkeley. Lá, uma aluna de graduação do grupo de Preskill chamada Laura Lewis demonstrou uma maneira de contornar o obstáculo.

Laura Lewis mostrou como aprimorar os algoritmos de aprendizado de máquina existentes para permitir que os computadores clássicos aprendam a processar informações quânticas em termos práticos e viáveis Foto: Laura Lewis/Acervo Pessoal

Enquanto os modelos anteriores eram agnósticos em relação à geometria do sistema quântico em estudo, o trabalho de Lewis não era. Em vez de tentar acompanhar as interações entre cada combinação de qubits no sistema, seu algoritmo concentrou-se na interação local entre os qubits localizados próximos uns dos outros. Essa abordagem agora precisava de menos dados de treinamento - apenas uma função logarítmica do número de qubits - para prever com precisão as propriedades do sistema quântico, tornando-o finalmente viável na prática.

Além das sombras

Com esses modelos, os pesquisadores podem explorar a composição e o comportamento de sistemas quânticos cada vez mais complicados. Mas o resultado de Lewis também pode ajudar a melhorar essa linha de pesquisa: agora temos melhores maneiras de entender como reduzir os requisitos de escala para previsões futuras sobre outros sistemas quânticos.

O trabalho de Lewis revela “quantos dados (devem) ser coletados de um sistema físico para fazer previsões confiáveis”, disse McClean.

Enquanto isso, Huang foi mais longe. Com base em seu trabalho sobre sombras clássicas e aprendizado de máquina, ele recentemente usou um algoritmo aprimorado para estudar sistemas quânticos ativos (como a transformação de um estado quântico em outro) com uma quantidade menor de dados. Preskill suspeita que isso é apenas o começo. “O que eu espero é que, nos próximos cinco a dez anos, o principal impacto da computação quântica não sejam os aplicativos comercialmente importantes”, disse ele. “Será a exploração científica.”

Por enquanto, os novos métodos desenvolvidos por Huang e Lewis ainda precisam ser rigorosamente testados em experimentos de laboratório. Os sistemas experimentais vêm com uma bagagem extra, incluindo erros de medição e imprecisões, disse Chen, com os quais esses modelos ainda não conseguem lidar.

Mas, embora esse trabalho ainda esteja em andamento, essas sombras clássicas devem permitir que os pesquisadores aprimorem sua compreensão do domínio teórico quântico de novas maneiras. As sombras clássicas são suficientes para capturar a complexidade quântica ou precisamos de uma abordagem totalmente quântica? Existem propriedades ou dinâmicas quânticas que ficarão para sempre fora de alcance? “Seu trabalho foi pioneiro para começar a pensar nessas questões”, disse Soonwon Choi, físico do Instituto de Tecnologia de Massachusetts.

E talvez um dia, disse Preskill, os pesquisadores coletem dados experimentais suficientes para prever características do sistema que nunca foram encontradas no laboratório. “Esse é um dos objetivos gerais da aplicação da aprendizagem automática à física quântica”, disse ele. “E conseguimos mostrar que, pelo menos em algumas configurações, é possível fazer previsões precisas.” /TRADUÇÃO BRUNO ROMANI

História original republicada com permissão da Quanta Magazine, uma publicação editorialmente independente apoiada pela Simons Foundation. Leia o conteúdo original em Machine Learning Aids Classical Modeling of Quantum Systems

QUANTA MAGAZINE - Entender o universo quântico não é fácil. As noções intuitivas de espaço e tempo se desfazem no minúsculo reino da física subatômica, permitindo um comportamento que, para nossa sensibilidade macro, parece completamente estranho.

Os computadores quânticos devem nos permitir aproveitar essa estranheza. Teoricamente, essas máquinas poderiam explorar as interações moleculares para criar novos medicamentos e materiais. Mas talvez o mais importante seja o fato de que o próprio mundo é construído sobre esse universo quântico - se quisermos entender como ele funciona, provavelmente precisaremos de ferramentas quânticas.

Entretanto, os dispositivos quânticos atuais ainda estão longe de cumprir essa promessa, pois não conseguem executar de forma confiável um grande número de interações quânticas. Até que os pesquisadores consigam superar esse problema, os computadores clássicos continuam sendo a melhor maneira de resolver problemas do mundo real, por mais ineficientes que sejam.

Mas talvez haja uma solução alternativa, uma espécie de compromisso quântico. Uma série de artigos recentes sugere que pode ser possível pegar o sistema quântico que você gostaria de entender, inserir suas propriedades em máquinas clássicas e usar essas máquinas para prever o comportamento do sistema quântico. Ao combinar uma nova maneira de modelar sistemas quânticos com algoritmos de aprendizado de máquina cada vez mais sofisticados, os pesquisadores estabeleceram um método para que as máquinas clássicas modelem e prevejam o comportamento quântico.

“Acho que o trabalho é muito significativo”, disse Yi-Zhuang You, físico da Universidade da Califórnia, em San Diego, que não está envolvido nos estudos. “Ele muda fundamentalmente o campo no sentido de que é a maneira correta de combinar computação quântica e aprendizado de máquina.”

O que aprendemos com as sombras

Os pesquisadores têm tentado usar computadores clássicos para prever estados quânticos desde pelo menos 1989. Normalmente, um sistema quântico com n qubits - o equivalente quântico de um bit - pode ser representado por uma matriz clássica de 2n números. O tamanho dessa matriz aumenta exponencialmente com o número de qubits, o que significa que a potência de computação necessária se torna rapidamente proibitiva.

No final de 2017, o cientista da computação Scott Aaronson sugeriu que não é necessário conhecer a representação clássica completa de um sistema quântico. Em vez disso, talvez seja possível aprender sobre um determinado estado quântico e prever suas propriedades usando apenas um subconjunto da representação.

Então, em 2020, os físicos Hsin Yuan “Robert” Huang e Richard Kueng foram pioneiros em uma abordagem prática do método de Aaronson. Sua técnica permitiu que eles previssem muitas características do estado quântico de um sistema a partir de pouquíssimas medições usando métodos clássicos. O processo envolveu a construção de uma “sombra clássica” a partir dessas medições: uma representação clássica sucinta do sistema quântico, semelhante a uma sombra real, que transmite muitas informações - mas não todas - sobre o objeto que a está lançando.

“É preciso baixar a mira e tentar prever apenas determinados observáveis quânticos”, disse John Preskill, físico teórico do Instituto de Tecnologia da Califórnia (Caltech) que trabalhou com Huang e Kueng no projeto.

John Preskill ajudou a mostrar como as "sombras clássicas" dos sistemas quânticos poderiam, em teoria, permitir que os pesquisadores processassem dados quânticos em computadores clássicos Foto: Max Gerber

Com esse modelo, se você quiser prever um determinado número de propriedades do sistema, precisará apenas de medições suficientes - especificamente, um número de medições que se dimensiona como o logaritmo do número de propriedades. “A ideia de Robert é brilhante”, disse Xie Chen, colega de Preskill na Caltech que não participou do estudo. “Isso nos dará uma grande vantagem para aprender o sistema fazendo uma amostragem aleatória.”

A abordagem já teve algum sucesso. Os cientistas já usaram essas sombras clássicas para conduzir a maior simulação de química quântica já realizada, usando um algoritmo clássico com um computador quântico ruidoso e propenso a erros para estudar as forças experimentadas pelos átomos em um cristal de diamante.

Mas talvez ele possa fazer mais. Huang e outros queriam estudar um sistema quântico não apenas em um momento estático - como em um cristal - mas à medida que ele mudava ao longo do tempo. Isso daria aos pesquisadores muito mais informações sobre como esses sistemas se comportam, ao custo de muito mais dados para processar. Felizmente, nessa época, outra ferramenta havia se tornado popular para essa tarefa: o aprendizado de máquina.

Ao usar "sombras clássicas", os computadores comuns podem superar os computadores quânticos na difícil tarefa de compreender os comportamentos quânticos Foto: Kouzou Sakai para Quanta Magazine

Treinamento dos modelos

Nos últimos anos, os modelos clássicos de aprendizado de máquina fizeram avanços revolucionários no aprimoramento das previsões automatizadas. Mas quando os pesquisadores tentaram usá-los para resolver problemas quânticos, disse Preskill, os modelos geralmente acertavam, mas sua precisão não era garantida. Em geral, o aprendizado de máquina progride por meio de tentativa e erro, portanto, você precisaria do tipo certo de dados - e de uma grande quantidade deles - para obter informações úteis.

Um artigo de Huang e colaboradores do Google Quantum AI ressaltou essa intuição: os algoritmos clássicos de aprendizado de máquina treinados com dados quânticos suficientes podem ser computacionalmente avançados o suficiente para modelar sistemas quânticos.

Mas ainda havia um problema. Esses modelos de aprendizado de máquina ainda eram fundamentalmente clássicos, o que significa que é impossível para eles processar dados verdadeiramente quânticos e gerar estados quânticos. Para contornar esse problema, Huang e seus colegas mostraram em um artigo da Science no ano passado como usar sombras clássicas para converter informações quânticas em dados clássicos. Assim, eles poderiam treinar um modelo de aprendizado de máquina para prever as propriedades de novos sistemas quânticos.

“A vantagem que eles criam é um mapa quântico entre as entradas (quânticas) e as saídas (quânticas), ambas sombras clássicas - uma vez que você nunca terá sucesso se o estado quântico completo for atingido”, disse Jarrod McClean, cientista da computação do Google Quantum AI.

Isso parecia viável na prática, pois o modelo precisava apenas de um número polinomial de pontos de dados para obter previsões precisas. Infelizmente, ainda não era o ideal. “O polinômio era muito grande”, disse Huang. Basicamente, era muito difícil obter essa quantidade de dados de treinamento.

A peça final do quebra-cabeça veio em um workshop realizado em julho deste ano no Simons Institute for the Theory of Computing da Universidade da Califórnia, em Berkeley. Lá, uma aluna de graduação do grupo de Preskill chamada Laura Lewis demonstrou uma maneira de contornar o obstáculo.

Laura Lewis mostrou como aprimorar os algoritmos de aprendizado de máquina existentes para permitir que os computadores clássicos aprendam a processar informações quânticas em termos práticos e viáveis Foto: Laura Lewis/Acervo Pessoal

Enquanto os modelos anteriores eram agnósticos em relação à geometria do sistema quântico em estudo, o trabalho de Lewis não era. Em vez de tentar acompanhar as interações entre cada combinação de qubits no sistema, seu algoritmo concentrou-se na interação local entre os qubits localizados próximos uns dos outros. Essa abordagem agora precisava de menos dados de treinamento - apenas uma função logarítmica do número de qubits - para prever com precisão as propriedades do sistema quântico, tornando-o finalmente viável na prática.

Além das sombras

Com esses modelos, os pesquisadores podem explorar a composição e o comportamento de sistemas quânticos cada vez mais complicados. Mas o resultado de Lewis também pode ajudar a melhorar essa linha de pesquisa: agora temos melhores maneiras de entender como reduzir os requisitos de escala para previsões futuras sobre outros sistemas quânticos.

O trabalho de Lewis revela “quantos dados (devem) ser coletados de um sistema físico para fazer previsões confiáveis”, disse McClean.

Enquanto isso, Huang foi mais longe. Com base em seu trabalho sobre sombras clássicas e aprendizado de máquina, ele recentemente usou um algoritmo aprimorado para estudar sistemas quânticos ativos (como a transformação de um estado quântico em outro) com uma quantidade menor de dados. Preskill suspeita que isso é apenas o começo. “O que eu espero é que, nos próximos cinco a dez anos, o principal impacto da computação quântica não sejam os aplicativos comercialmente importantes”, disse ele. “Será a exploração científica.”

Por enquanto, os novos métodos desenvolvidos por Huang e Lewis ainda precisam ser rigorosamente testados em experimentos de laboratório. Os sistemas experimentais vêm com uma bagagem extra, incluindo erros de medição e imprecisões, disse Chen, com os quais esses modelos ainda não conseguem lidar.

Mas, embora esse trabalho ainda esteja em andamento, essas sombras clássicas devem permitir que os pesquisadores aprimorem sua compreensão do domínio teórico quântico de novas maneiras. As sombras clássicas são suficientes para capturar a complexidade quântica ou precisamos de uma abordagem totalmente quântica? Existem propriedades ou dinâmicas quânticas que ficarão para sempre fora de alcance? “Seu trabalho foi pioneiro para começar a pensar nessas questões”, disse Soonwon Choi, físico do Instituto de Tecnologia de Massachusetts.

E talvez um dia, disse Preskill, os pesquisadores coletem dados experimentais suficientes para prever características do sistema que nunca foram encontradas no laboratório. “Esse é um dos objetivos gerais da aplicação da aprendizagem automática à física quântica”, disse ele. “E conseguimos mostrar que, pelo menos em algumas configurações, é possível fazer previsões precisas.” /TRADUÇÃO BRUNO ROMANI

História original republicada com permissão da Quanta Magazine, uma publicação editorialmente independente apoiada pela Simons Foundation. Leia o conteúdo original em Machine Learning Aids Classical Modeling of Quantum Systems

Atualizamos nossa política de cookies

Ao utilizar nossos serviços, você aceita a política de monitoramento de cookies.