Um algoritmo de classificação quântica confiável classifica corretamente um cogumelo tóxico como "venenoso" enquanto ruidoso, perturbado, classifica-o erroneamente como “comestível”. Crédito:npj Quantum Information / DS3Lab ETH Zurich
Quem coleciona cogumelos sabe que é melhor manter separados os venenosos e os não venenosos. Em tais "problemas de classificação, "que requerem distinguir certos objetos uns dos outros e atribuir os objetos que procuramos a certas classes por meio de características, os computadores já fornecem suporte útil.
Métodos inteligentes de aprendizado de máquina podem reconhecer padrões ou objetos e selecioná-los automaticamente em conjuntos de dados. Por exemplo, eles poderiam escolher essas fotos em um banco de dados de fotos que mostram cogumelos não tóxicos. Particularmente com conjuntos de dados muito grandes e complexos, O aprendizado de máquina pode fornecer resultados valiosos que os humanos não seriam capazes de determinar sem muito tempo e esforço. Contudo, para certas tarefas computacionais, até mesmo os computadores mais rápidos disponíveis hoje atingem seus limites. É aqui que a grande promessa dos computadores quânticos entra em jogo - um dia, eles podiam realizar cálculos super-rápidos que os computadores clássicos não conseguem resolver em um período de tempo útil.
A razão para essa "supremacia quântica" está na física:os computadores quânticos calculam e processam informações explorando certos estados e interações que ocorrem dentro de átomos ou moléculas ou entre partículas elementares.
O fato de que os estados quânticos podem se sobrepor e se entrelaçar cria uma base que permite aos computadores quânticos o acesso a um conjunto fundamentalmente mais rico de lógica de processamento. Por exemplo, ao contrário dos computadores clássicos, computadores quânticos não calculam com códigos binários ou bits, que processam informações apenas como 0 ou 1, mas com bits quânticos ou qubits, que correspondem aos estados quânticos das partículas. A diferença crucial é que os qubits podem realizar não apenas um estado - 0 ou 1 - por etapa computacional, mas também uma superposição de ambos. Esses métodos mais gerais de processamento de informações, por sua vez, permitem uma drástica aceleração computacional em certos problemas.
Traduzindo a sabedoria clássica para o reino quântico
Essas vantagens de velocidade da computação quântica também são uma oportunidade para aplicativos de aprendizado de máquina - afinal, os computadores quânticos poderiam computar as enormes quantidades de dados que os métodos de aprendizado de máquina precisam para melhorar a precisão de seus resultados muito mais rápido do que os computadores clássicos.
Contudo, para realmente explorar o potencial da computação quântica, é necessário adaptar os métodos clássicos de aprendizado de máquina às peculiaridades dos computadores quânticos. Por exemplo, algoritmos, ou seja, as regras matemáticas que descrevem como um computador clássico resolve um certo problema, deve ser formulado de forma diferente para computadores quânticos. O desenvolvimento de algoritmos quânticos que funcionam bem para o aprendizado de máquina não é totalmente trivial, porque ainda existem alguns obstáculos a serem superados ao longo do caminho.
Por um lado, isso se deve ao hardware quântico. Na ETH Zurique, pesquisadores atualmente têm computadores quânticos que funcionam com até 17 qubits (veja "ETH Zurich e PSI encontraram Quantum Computing Hub" de 3 de maio de 2021). Contudo, se os computadores quânticos devem realizar todo o seu potencial um dia, eles podem precisar de milhares a centenas de milhares de qubits.
Ruído quântico e a inevitabilidade de erros
Um desafio que os computadores quânticos enfrentam diz respeito à sua vulnerabilidade a erros. Os computadores quânticos de hoje operam com um nível de ruído muito alto, já que erros ou perturbações são conhecidos no jargão técnico. Para a American Physical Society, esse ruído é "o maior obstáculo para aumentar a escala dos computadores quânticos". Não existe uma solução abrangente para corrigir e atenuar erros. Ainda não foi encontrada nenhuma maneira de produzir hardware quântico livre de erros, e computadores quânticos com 50 a 100 qubits são pequenos demais para implementar software ou algoritmos de correção.
Até certo ponto, erros na computação quântica são, em princípio, inevitáveis, porque os estados quânticos nos quais as etapas computacionais concretas são baseadas só podem ser distinguidos e quantificados com probabilidades. O que pode ser alcançado, por outro lado, são procedimentos que limitam a extensão do ruído e das perturbações a tal ponto que os cálculos fornecem resultados confiáveis. Os cientistas da computação referem-se a um método de cálculo de funcionamento confiável como "robusto, "e, neste contexto, também falam da necessária "tolerância ao erro".
É o que o grupo de pesquisa liderado por Ce Zhang, Professor de ciência da computação da ETH e membro do ETH AI Center, explorou recentemente, de alguma forma, "acidentalmente" durante um esforço para raciocinar sobre a robustez das distribuições clássicas com o propósito de construir melhores sistemas e plataformas de aprendizado de máquina. Junto com a professora Nana Liu da Shanghai Jiao Tong University e com o professor Bo Li da University of Illinois at Urbana, eles desenvolveram uma nova abordagem que prova as condições de robustez de certos modelos de aprendizado de máquina baseados em quantum, para o qual a computação quântica é garantida como confiável e o resultado correto. Os pesquisadores publicaram sua abordagem, que é um dos primeiros de seu tipo, na revista científica npj Quantum Information .
Proteção contra erros e hackers
"Quando percebemos que os algoritmos quânticos, como algoritmos clássicos, estão sujeitos a erros e perturbações, nos perguntamos como podemos estimar essas fontes de erros e perturbações para certas tarefas de aprendizado de máquina, e como podemos garantir a robustez e confiabilidade do método escolhido, "diz Zhikuan Zhao, pós-doutorado no grupo de Ce Zhang. "Se nós sabemos disso, podemos confiar nos resultados computacionais, mesmo que sejam barulhentos. "
Os pesquisadores investigaram esta questão usando algoritmos de classificação quântica como exemplo - afinal, erros em tarefas de classificação são complicados porque podem afetar o mundo real, por exemplo, se cogumelos venenosos foram classificados como não tóxicos. Talvez o mais importante, usando a teoria do teste de hipótese quântica - inspirado no trabalho recente de outros pesquisadores na aplicação de teste de hipótese no cenário clássico - que permite que os estados quânticos sejam distinguidos, os pesquisadores do ETH determinaram um limite acima do qual as atribuições do algoritmo de classificação quântica são garantidas como corretas e suas previsões robustas.
Com seu método de robustez, os pesquisadores podem até verificar se a classificação de um erro, entrada ruidosa produz o mesmo resultado que uma entrada limpa, entrada silenciosa. A partir de suas descobertas, os pesquisadores também desenvolveram um esquema de proteção que pode ser usado para especificar a tolerância ao erro de um cálculo, independentemente de um erro ter uma causa natural ou ser o resultado da manipulação de um ataque de hacker. Seu conceito de robustez funciona tanto para ataques de hackers quanto para erros naturais.
"O método também pode ser aplicado a uma classe mais ampla de algoritmos quânticos, "diz Maurice Weber, aluno de doutorado de Ce Zhang e primeiro autor da publicação. Uma vez que o impacto do erro na computação quântica aumenta à medida que o tamanho do sistema aumenta, ele e Zhao agora estão conduzindo pesquisas sobre esse problema. "Estamos otimistas de que nossas condições de robustez serão úteis, por exemplo, em conjunto com algoritmos quânticos projetados para entender melhor a estrutura eletrônica das moléculas. "