Computadores quânticos podem se beneficiar do caminho do princípio da incerteza de Heisenberg
Marijan Murat/dpa/Alamy
O princípio da incerteza de Heisenberg limita a precisão com que podemos medir certas propriedades de objetos quânticos. Mas os pesquisadores podem ter encontrado uma maneira de superar essa limitação usando uma versão quântica das redes neurais.
Digamos que uma molécula quimicamente útil, como você pode prever quais propriedades ela poderá ter daqui a uma hora ou amanhã? Para fazer estas previsões, os investigadores começam por medir as suas propriedades atuais. Mas para objetos quânticos, incluindo algumas moléculas, isto pode ser difícil porque cada medição pode interferir ou alterar os resultados de medições subsequentes. O princípio da incerteza de Heisenberg afirma que várias propriedades quânticas de um objeto não podem ser medidas com precisão ao mesmo tempo. Por exemplo, se você medir muito bem o momento de uma partícula quântica, medir sua posição produzirá apenas um número aproximado.
Agora, Duanlu Zhou da Academia Chinesa de Ciências e seus colegas provaram matematicamente que o uso de versões quânticas de redes neurais pode evitar algumas dessas dificuldades.
A equipe de Zhou explorou esta questão por razões práticas. Quando os pesquisadores operam computadores quânticos, eles precisam conhecer as propriedades dos componentes constituintes do computador, chamados qubits, para avaliar e medir os dispositivos, ou para usar esses qubits de forma eficaz ao imitar objetos como moléculas ou materiais. Para determinar as propriedades de um qubit, os pesquisadores normalmente aplicam várias operações, semelhantes à forma como aplicam “dividir por 2” para determinar se um número é par. Mas o princípio da incerteza significa que algumas destas operações serão incompatíveis – o equivalente a não ser capaz de multiplicar um número por três e depois dividi-lo por dois e estes cálculos ainda produzirem uma resposta significativa.
Os cálculos dos pesquisadores mostram agora que o problema de incompatibilidade pode ser resolvido se um algoritmo de aprendizado de máquina quântico – rede neural quântica (QNN) – for aplicado em vez de operações mais simples.
É importante ressaltar que algumas etapas do algoritmo devem ser escolhidas aleatoriamente a partir de uma sequência predeterminada. Estudos anteriores descobriram que tal aleatoriedade pode tornar os QNNs mais eficazes na determinação de uma única propriedade de um objeto quântico, mas Zhou e seus colegas ampliaram a ideia medindo múltiplas propriedades, incluindo combinações de propriedades que são normalmente limitadas pelo princípio da incerteza. Eles podem fazer isso porque os resultados de muitas operações aleatórias consecutivas podem ser analisados com métodos estatísticos especiais para produzir resultados mais precisos do que se apenas uma operação fosse executada repetidamente.
Roberto Huang do Instituto de Tecnologia da Califórnia diz que a capacidade de medir eficientemente muitas propriedades incompatíveis significa que os cientistas serão capazes de estudar certos sistemas quânticos mais rapidamente, o que é importante para aplicações de computadores quânticos em química e ciência de materiais – bem como para a compreensão dos próprios computadores quânticos maiores.
Faz sentido aplicar a nova abordagem na prática, mas seu sucesso depende de quão útil ela é em comparação com abordagens semelhantes que também exploram a aleatoriedade para fazer medições quânticas informativas, disse Huang.
Tópico:
