Um novo estudo liderado por pesquisadores da University College London (UCL) mostra que a combinação da computação quântica com a inteligência artificial pode melhorar significativamente as previsões de longo prazo de sistemas físicos complexos. A abordagem híbrida supera os modelos líderes que dependem exclusivamente de computadores tradicionais.
Os resultados foram publicados em progresso científicopode aprimorar a simulação do comportamento de líquidos e gases, conhecida como dinâmica de fluidos. Esses tipos de modelos são críticos em áreas como ciência climática, transporte, medicina e produção de energia.
Por que a computação quântica pode fazer a diferença
O aumento da precisão parece vir da maneira como os computadores quânticos processam as informações. Ao contrário dos computadores convencionais, 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 outros qubits, permitindo que um número relativamente pequeno de qubits represente um grande número de estados possíveis.
O autor sênior, Professor Peter Coveney, do Centro de Química e Computação de Pesquisa Avançada da UCL, explica o desafio:”Para fazer previsões sobre sistemas complexos, podemos executar simulações completas, que podem levar semanas – muitas vezes muito tempo para serem úteis – ou podemos usar modelos de inteligência artificial, que são mais rápidos, mas menos confiáveis em escalas de tempo mais longas.
“Nosso modelo quântico de IA significa que podemos fornecer previsões mais precisas rapidamente. Prever o fluxo de fluidos e a turbulência é um desafio científico fundamental, mas também tem muitas aplicações. Nossa abordagem poderia ser usada para previsões climáticas, modelagem de fluxo sanguíneo e interações moleculares, ou para projetar melhor parques eólicos para que produzam mais energia.”
Como funcionam os métodos híbridos de inteligência artificial quântica
Embora se espere que os computadores quânticos ultrapassem as máquinas clássicas em termos de potência, as suas aplicações no mundo real têm permanecido limitadas até agora. Esta nova abordagem integra a computação quântica em etapas específicas do processo de treinamento em IA.
Normalmente, os modelos de IA aprendem com grandes conjuntos de dados gerados por 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 orientar o treinamento de modelos de inteligência artificial executados em supercomputadores tradicionais.
Mais precisão, menos memória
Os sistemas de IA baseados em quântica são aproximadamente 20% mais precisos do que os modelos de IA padrão que não usam modos derivados de quântica. Ele mantém previsões estáveis por longos períodos de tempo, mesmo ao modelar sistemas caóticos.
Outra grande vantagem é a eficiência. Este método requer centenas de vezes menos memória, tornando-o mais prático para simulações em larga escala.
Efeitos quânticos por trás da eficiência
Esse aumento de desempenho vem de duas características definidoras da computação quântica. O emaranhamento permite que os qubits influenciem uns aos outros, independentemente da distância, enquanto a superposição permite que os qubits existam em vários estados ao mesmo tempo até serem medidos. Juntas, essas propriedades permitem que sistemas quânticos processem grandes quantidades de informações de forma compacta.
Demonstrando vantagem quântica prática
A primeira autora, Maida Wang, do Centro de Ciência Computacional da UCL, disse:”Nosso novo método parece demonstrar de forma prática a ‘vantagem quântica’ – isto é, o desempenho dos computadores quânticos é melhor do que o que pode ser alcançado apenas por meio de cálculos clássicos. Essas descobertas podem inspirar o desenvolvimento de novos métodos clássicos para alcançar maior precisão, embora possam não ter a compressão de dados significativa e a eficiência de parâmetros fornecida por nosso método. O próximo passo é estender o método com conjuntos de dados maiores e aplicar sua estrutura a situações mais complexas. “
O co-autor Xiao Xue, da UCL Advanced Research Computing, acrescentou: “Neste trabalho, demonstramos pela primeira vez que a computação quântica pode ser combinada de forma significativa com métodos clássicos de aprendizado de máquina para resolver sistemas dinâmicos complexos, incluindo dinâmica de fluidos. É emocionante ver esta abordagem de ‘informação quântica’ avançando em direção a aplicações práticas. “
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 comportam-se de forma semelhante aos efeitos quânticos, onde mudanças numa região podem afectar partes distantes do sistema, semelhante ao emaranhamento.
Superando as limitações do hardware quântico atual
Os computadores quânticos atuais enfrentam desafios como ruído, erros e interferências, e muitas vezes exigem grandes quantidades de medições. O novo método evita esses problemas usando um computador quântico apenas uma vez no fluxo de trabalho, em vez de trocar dados repetidamente entre os sistemas quântico e clássico.
Detalhes experimentais e potencial futuro
A pesquisa usou um computador quântico IQM de 20 qubits conectado aos poderosos recursos de computação clássica do Centro de Supercomputação Leibniz, na Alemanha.
Para funcionar, os computadores quânticos devem operar em temperaturas extremamente baixas, em torno de -273°C (próximo do zero absoluto, mais frio do que qualquer coisa no espaço).
A pesquisa foi financiada pela University College London 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 dimensionar esta abordagem, ela poderá abrir a porta para previsões mais precisas e eficientes numa vasta gama de aplicações científicas e de engenharia.
