Tem havido muito burburinho sobre computadores quânticos e por boas razões. Os computadores futuristas são projetados para imitar o que acontece na natureza em escalas microscópicas, o que significa que eles têm o poder de entender melhor o reino quântico e acelerar a descoberta de novos materiais, incluindo produtos farmacêuticos, produtos químicos ecológicos e muito mais. No entanto, especialistas dizem que computadores quânticos viáveis ​​ainda estão a uma década ou mais. O que os pesquisadores devem fazer nesse meio tempo?
Um novo estudo liderado pelo Caltech na revista Science descreve como as ferramentas de aprendizado de máquina, executadas em computadores clássicos, podem ser usadas para fazer previsões sobre sistemas quânticos e, assim, ajudar os pesquisadores a resolver alguns dos problemas mais complicados de física e química. Embora essa noção tenha sido demonstrada experimentalmente antes, o novo relatório é o primeiro a provar matematicamente que o método funciona.

"Os computadores quânticos são ideais para muitos tipos de problemas de física e ciência dos materiais", diz o autor principal Hsin-Yuan (Robert) Huang, um estudante de pós-graduação que trabalha com John Preskill, o professor Richard P. Feynman de Física Teórica e o Allen V. C. Davis e Lenabelle Davis Presidente de Liderança do Instituto de Ciência e Tecnologia Quântica (IQIM). "Mas ainda não chegamos lá e ficamos surpresos ao saber que os métodos clássicos de aprendizado de máquina podem ser usados ​​nesse meio tempo. Em última análise, este artigo mostra o que os humanos podem aprender sobre o mundo físico."

Em níveis microscópicos, o mundo físico se torna um lugar incrivelmente complexo governado pelas leis da física quântica. Neste reino, as partículas podem existir em uma superposição de estados, ou em dois estados ao mesmo tempo. E uma superposição de estados pode levar ao emaranhamento, um fenômeno no qual as partículas estão ligadas, ou correlacionadas, sem sequer estarem em contato umas com as outras. Esses estados e conexões estranhos, difundidos em materiais naturais e feitos pelo homem, são muito difíceis de descrever matematicamente.

"Prever o estado de baixa energia de um material é muito difícil", diz Huang. "Há um grande número de átomos, e eles estão sobrepostos e emaranhados. Você não pode escrever uma equação para descrever tudo."

O novo estudo é a primeira demonstração matemática de que o aprendizado de máquina clássico pode ser usado para preencher a lacuna entre nós e o mundo quântico. O aprendizado de máquina é um tipo de aplicativo de computador que imita o cérebro humano para aprender com dados.

"Somos seres clássicos vivendo em um mundo quântico", diz Preskill. “Nossos cérebros e nossos computadores são clássicos, e isso limita nossa capacidade de interagir e entender a realidade quântica”.

Embora estudos anteriores tenham mostrado que aplicativos de aprendizado de máquina têm a capacidade de resolver alguns problemas quânticos, esses métodos normalmente operam de maneiras que dificultam para os pesquisadores aprender como as máquinas chegaram às suas soluções.

"Normalmente, quando se trata de aprendizado de máquina, você não sabe como a máquina resolveu o problema. É uma caixa preta", diz Huang. “Mas agora descobrimos essencialmente o que está acontecendo na caixa por meio de nossas simulações numéricas”. Huang e seus colegas fizeram extensas simulações numéricas em colaboração com o AWS Center for Quantum Computing da Caltech, que corroboraram seus resultados teóricos.

O novo estudo ajudará os cientistas a entender e classificar melhor as fases complexas e exóticas da matéria quântica.

“A preocupação era que as pessoas criando novos estados quânticos no laboratório pudessem não ser capazes de entendê-los”, explica Preskill. "Mas agora podemos obter dados clássicos razoáveis ​​para explicar o que está acontecendo. As máquinas clássicas não apenas nos dão uma resposta como um oráculo, mas nos guiam para uma compreensão mais profunda."

O co-autor Victor V. Albert, físico do NIST (Instituto Nacional de Padrões e Tecnologia) e ex-bolsista de pós-doutorado do Prêmio DuBridge na Caltech, concorda. "A parte que mais me empolga neste trabalho é que agora estamos mais perto de uma ferramenta que ajuda você a entender a fase subjacente de um estado quântico sem exigir que você saiba muito sobre esse estado antecipadamente."

Em última análise, é claro, as futuras ferramentas de aprendizado de máquina baseadas em quantum superarão os métodos clássicos, dizem os cientistas. Em um estudo relacionado publicado em 10 de junho de 2022 na Science , Huang, Preskill e seus colaboradores relatam usar o processador Sycamore do Google, um computador quântico rudimentar, para demonstrar que o aprendizado de máquina quântico é superior às abordagens clássicas.

"Ainda estamos no início deste campo", diz Huang. “Mas sabemos que o aprendizado de máquina quântica acabará sendo o mais eficiente”.

A Ciência O estudo é intitulado "Aprendizado de máquina comprovadamente eficiente para problemas quânticos de muitos corpos". + Explorar mais

A teoria sugere que os computadores quânticos devem ser exponencialmente mais rápidos em algumas tarefas de aprendizado do que as máquinas clássicas