Computador quântico tem sucesso onde um algoritmo clássico falha

Os computadores quânticos combinados com o aprendizado de máquina tradicional mostram benefícios claros.

As pessoas realizaram muitas provas matemáticas para mostrar que um computador quântico superará amplamente os computadores tradicionais em vários algoritmos. Mas os computadores quânticos que temos agora são propensos a erros e não têm qubits suficientes para permitir a correção de erros. As únicas demonstrações que tivemos envolvem hardware de computação quântica evoluindo de uma configuração aleatória e computadores tradicionais falhando em simular seu comportamento normal. Cálculos úteis são um exercício para o futuro.

Mas um novo artigo do grupo de computação quântica do Google agora foi além desses tipos de demonstrações e usou um computador quântico como parte de um sistema que pode nos ajudar a entender os sistemas quânticos em geral. E eles mostram que, mesmo no hardware propenso a erros de hoje, o sistema pode superar os computadores clássicos no mesmo problema.

Sondando sistemas quânticos

Para entender o que o novo trabalho envolve, é útil voltar atrás e pensar em como normalmente entendemos os sistemas quânticos. Como o comportamento desses sistemas é probabilístico, normalmente precisamos medi-los repetidamente. Os resultados dessas medições são então importados para um computador clássico, que os processa para gerar uma compreensão estatística do comportamento do sistema. Com um computador quântico, por outro lado, pode ser possível espelhar um estado quântico usando os próprios qubits, reproduzi-lo quantas vezes for necessário e manipulá-lo conforme necessário. Este método tem o potencial de fornecer um caminho para uma compreensão mais direta do sistema quântico em questão.

Grande parte do artigo é dedicado a descrever situações em que esse deveria ser o caso, em parte elaborando ideias descritas em artigos anteriores.

A primeira dessas ideias descreve alguma propriedade de um sistema quântico envolvendo um número arbitrário de itens – como um computador quântico com n qubits. Esta é exatamente a circunstância descrita acima, onde medições repetidas precisam ser feitas antes que um computador clássico possa identificar com segurança uma propriedade. Por outro lado, um computador quântico pode armazenar uma cópia do sistema em sua memória, permitindo que seja duplicado e processado repetidamente.

Esses problemas, os autores mostram, podem ser resolvidos em um computador quântico no que é chamado de tempo polinomial, onde o número de qubits é elevado a uma potência constante (denotada nk). Usando hardware clássico, por outro lado, a escala de tempo é uma constante elevada à potência relacionada ao número de qubits. À medida que o número de qubits aumenta, o tempo necessário para o hardware clássico aumenta muito mais rápido.

Opções dois e três

A segunda tarefa que eles identificam é uma análise de componentes principais quânticos, onde os computadores são usados ​​para identificar a propriedade que tem a maior influência no comportamento do sistema quântico. Isso foi escolhido em parte porque essa análise é considerada relativamente insensível ao ruído introduzido por erros nos processadores quânticos atuais. Matematicamente, a equipe mostra que o número de vezes que você precisa repetir as medições para análise em um sistema clássico cresce exponencialmente com o número de qubits. Usando um sistema quântico, a análise pode ser feita com um número constante de repetições.

A situação final envolve permitir que um processo físico influencie o estado de um sistema quântico, fazendo com que ele evolua para um novo estado. O objetivo é encontrar um modelo do processo que possa prever com precisão qual seria o novo estado. Novamente, usar um sistema clássico significa o desafio de obter escalas de medições suficientes exponencialmente com o número de qubits, mas cresce muito mais lentamente quando a computação quântica é usada.

Por que um computador quântico funciona muito melhor? Os pesquisadores dizem que um passo fundamental é armazenar duas cópias do sistema examinado e depois enredá-las. Esse método é algo que só é possível em hardware quântico.

Exemplos do mundo real

Embora tudo isso funcione matematicamente, não é uma demonstração de que os computadores quânticos fornecerão essa vantagem sobre as máquinas clássicas. Mas o Google tem acesso a um computador quântico de ponta e teve duas ideias para testar isso em seu hardware.

A primeira é, pelo menos para a mecânica quântica, relativamente simples: descubra quantas medições são necessárias para treinar um algoritmo de aprendizado de máquina para identificar uma propriedade de uma coleção de estados quânticos. Como sempre, em um sistema puramente clássico, você precisa fazer muitas medições antes que o algoritmo tenha dados suficientes para realizar previsões precisas. Para o computador quântico, no entanto, é possível fazer duas cópias do estado e realizar medições que envolvem ambas as cópias, que então extraem informações sobre o estado do sistema.

Em ambos os casos, a IA foi treinada em sistemas pequenos (8 qubits) que evitaram problemas com os erros que surgem nesses sistemas. Quando usada em sistemas maiores, a IA treinada em dados do processador quântico tinha um nível de precisão competitivo com um algoritmo especializado projetado especificamente para essa função. Isso supera significativamente a versão clássica do mesmo treinamento.

O segundo exemplo do mundo real é aquele em que os sistemas foram solicitados a determinar se uma transformação de um sistema quântico é simétrica de reversão no tempo, o que significa que poderia ser revertida se pudéssemos ter tempo para voltar. Nesse caso, um processo clássico de aprendizado de máquina não poderia fazer essa determinação quando treinado com dados de experimentos de medição tradicionais. Para a versão quântica, a equipe fez uma cópia dos qubits, entrelaçou o original e a cópia, realizou a transformação em ambos e, em seguida, mediu os pares de qubits (original e cópia). Os dados dessa medição foram usados ​​para treinar o algoritmo de aprendizado de máquina de maneira não supervisionada (o que significa que o algoritmo não foi informado sobre qual transformação era qual).

Este método funcionou. O algoritmo treinado pôde distinguir casos em que as transformações eram simétricas de reversão de tempo, algo que parece ser muito difícil ou impossível com o sistema clássico.

O que isso nos diz?

Há muito para descompactar aqui. Primeiro, neste artigo, o Google está reivindicando uma vantagem quântica em vez de supremacia quântica. Há uma grande diferença entre os dois, com o primeiro sendo usado para casos em que os computadores quânticos superam os clássicos e o segundo para quando é improvável que os computadores clássicos forneçam uma solução. Em termos desses experimentos, são casos em que um sistema clássico provavelmente poderia gerar uma solução; só levaria mais tempo.

O que chama a atenção nisso é que o sistema quântico nem precisava ser muito bom para gerar uma vantagem. O processador Sycamore do Google tem 53 qubits (dos quais apenas 40 foram usados ​​aqui), e eles ainda são bastante propensos a erros, mas foi capaz de funcionar bem o suficiente para produzir uma vantagem significativa.

O outro fato positivo aqui é que os casos anteriores em que os computadores quânticos mostraram uma grande vantagem envolveram apenas serem definidos para uma configuração aleatória e deixados para evoluir para um novo estado - não havia nenhum indício de cálculo envolvido. Aqui, ambos os testes envolveram operações específicas que só podem ser feitas em hardware de computação quântica. Ainda não estamos nos cálculos, mas esse trabalho definitivamente exigia a capacidade de manipular sistemas quânticos. E, em teoria, abordagens semelhantes podem ser usadas para nos ajudar a entender os sistemas quânticos.

Passar da teoria para a prática é o maior problema em desenvolver isso em um meio de entender os sistemas quânticos. Para que isso aconteça, precisaríamos de uma maneira de transferir o estado de um sistema quântico para o estado dos qubits. E, para muitos sistemas nos quais podemos estar interessados, não há uma maneira óbvia de fazer isso sem voltar a medir o sistema e usar as informações clássicas resultantes em seus estados para definir os qubits - nesse ponto, podemos ter que desistir de algumas ou todas as vantagens sobre os sistemas clássicos.

A última coisa que vale a pena notar é que essa abordagem usou um sistema híbrido: parte quântico e parte clássico (o aprendizado de máquina ocorreu em hardware clássico). Esses sistemas híbridos estão sendo amplamente explorados para tirar o máximo proveito dos sistemas de baixa contagem de qubits, então esta é uma boa demonstração de que eles são eficazes. O intrigante aqui é que ele funcionava com aprendizado não supervisionado: o algoritmo não era informado sobre quais propriedades importavam, mas podia reconhecer as diferenças por conta própria. O que é interessante lá, sugere a equipe do Google, é que um sistema semelhante poderia identificar distinções que nem sabemos que existem e, assim, nos ajudar a obter uma melhor compreensão da mecânica quântica.