Um novo estudo liderado por pesquisadores da UCL (University College London) mostra que a combinação da computação quântica com a inteligência artificial poderia melhorar significativamente as previsões de longo prazo de sistemas físicos complexos. A abordagem híbrida supera os modelos líderes que dependem apenas de computadores convencionais.
Resultados publicados em Conquistas da ciênciapode melhorar a modelagem de como os líquidos e gases se comportam, conhecida como dinâmica de fluidos. Esses tipos de modelos são necessários em áreas como ciência climática, transporte, medicina e produção de energia.
Por que a computação quântica faz a diferença
O aumento na precisão parece estar relacionado à forma como os computadores quânticos processam as informações. Ao contrário dos computadores tradicionais, que usam bits definidos como 1 ou 0, os computadores quânticos usam qubits, que podem existir como 1, 0 ou qualquer valor intermediário. Além disso, cada qubit pode influenciar os outros, permitindo que um número relativamente pequeno de qubits represente um grande número de estados possíveis.
O professor Peter Coveney, autor sênior da UCL Chemistry e do Center for Advanced Studies, explicou o problema: “Para fazer previsões sobre sistemas complexos, podemos executar simulações completas, que podem levar semanas – muitas vezes longas demais para serem úteis – ou podemos usar um modelo de inteligência artificial, que funciona mais rápido, mas é menos confiável em escalas de tempo mais longas.
“Nosso modelo de inteligência artificial baseado em dados quânticos significa que podemos fornecer rapidamente previsões mais precisas. Fazer previsões sobre fluxo de fluidos e turbulência é uma tarefa científica fundamental, mas também tem muitas aplicações. Nosso método pode ser usado na previsão climática, na modelagem do fluxo sanguíneo e nas interações moleculares, ou para projetar melhor parques eólicos para produzir mais energia.”
Como funciona o método de inteligência artificial quântica híbrida
Embora se espere que os computadores quânticos ultrapassem as máquinas clássicas em potência, seu uso real tem sido limitado até agora. Esta nova abordagem integra a computação quântica em uma fase específica do processo de aprendizagem de IA.
Normalmente, os modelos de IA aprendem com grandes conjuntos de dados gerados a partir de simulações ou observações. Neste caso, os dados são primeiro processados por um computador quântico, que identifica padrões estatísticos importantes que permanecem estáveis ao longo do tempo. Esses padrões, conhecidos como propriedades estatísticas invariantes, são então usados para treinar um modelo de inteligência artificial executado em um supercomputador convencional.
Maior precisão com menos memória
O sistema de IA com informação quântica fornece cerca de 20% mais precisão em comparação com modelos de IA padrão que não usam modelos derivados de quantum. Também manteve previsões estáveis durante períodos mais longos, mesmo ao simular sistemas caóticos.
Outra vantagem importante foi a eficiência. Este método requer centenas de vezes menos memória, tornando-o muito mais prático para simulações em larga escala.
Efeitos quânticos por trás da eficiência
Esse aumento de desempenho vem de dois recursos definidores da computação quântica. O emaranhamento permite que os qubits influenciem uns aos outros, independentemente da distância, enquanto a superposição permite que um qubit exista em vários estados simultaneamente até ser medido. Juntas, essas propriedades permitem que os sistemas quânticos processem grandes quantidades de informações de forma compacta.
Demonstração de supremacia quântica prática
A primeira autora, Maida Wang, do UCL Center for Computational Science, disse: “Nosso novo método parece demonstrar uma ‘vantagem quântica’ na prática – o que significa que um computador quântico supera o que é possível apenas com a computação clássica. Essas descobertas podem inspirar o desenvolvimento de novas abordagens clássicas que alcançam precisão ainda maior, embora possam carecer de excelente compressão de dados e eficiência de parâmetros proposta por nosso método. As próximas etapas são refinar o método usando conjuntos de dados maiores e aplicá-lo a situações do mundo real envolvendo complexidade ainda maior. Além disso, um prova de conceito será fornecida.”
O coautor Xiao Xue, da Advanced Research Computing da UCL, acrescentou: “Neste trabalho, demonstramos pela primeira vez que a computação quântica pode ser integrada de forma significativa com técnicas clássicas de aprendizado de máquina para resolver sistemas dinâmicos complexos, incluindo a mecânica dos fluidos. É muito emocionante ver esse tipo de abordagem ‘informada quântica’ avançando para o uso prático. “
Capturando a física de sistemas complexos
Os pesquisadores acreditam que os computadores quânticos são particularmente adequados para modelar esses sistemas porque podem representar de forma compacta a física subjacente. Muitos sistemas complexos se comportam de maneira semelhante a efeitos quânticos, onde mudanças em uma região podem afetar partes distantes do sistema, semelhante ao emaranhamento.
Superando as limitações do hardware Quantum atual
Os computadores quânticos modernos enfrentam problemas como ruído, erros e interferências, que muitas vezes exigem um grande número de medições. O novo método evita esses problemas usando um computador quântico apenas uma vez durante um fluxo de trabalho, em vez de trocar dados repetidamente entre sistemas quânticos e clássicos.
Detalhes experimentais e potencial futuro
A pesquisa utilizou o computador quântico IQM de 20 qubits, conectado a poderosos recursos de computação clássica no Centro de Supercomputação Leibniz, na Alemanha.
Para funcionar, os computadores quânticos devem operar em temperaturas muito baixas, em torno de 273ºC negativos (próximo do zero absoluto, mais frio do que qualquer coisa no espaço).
A pesquisa foi financiada pela UCL e pelo Conselho de Pesquisa em Engenharia e Ciências Físicas do Reino Unido (EPSRC), com apoio adicional da IQM Quantum Computers e do Leibniz Supercomputing Center em Munique.
À medida que os investigadores continuam a expandir esta abordagem, ela poderá abrir a porta para previsões mais precisas e eficientes numa vasta gama de aplicações científicas e de engenharia.
