Um novo estudo liderado por pesquisadores da UCL (University College London) mostra que a combinação da computação quântica com a inteligência artificial pode melhorar significativamente a previsão de sistemas físicos complexos durante longos períodos de tempo. Os métodos híbridos superam os principais modelos que dependem exclusivamente de computadores convencionais.
Resultados, publicados A ciência avançaPode melhorar as simulações de como os líquidos e gases se comportam, conhecido como dinâmica de fluidos. Esses modelos são essenciais em áreas como ciência climática, transporte, medicina e produção de energia.
Por que a computação quântica faz a diferença
A precisão aprimorada parece vir da forma como os computadores quânticos processam as informações. Ao contrário dos computadores tradicionais que usam bits definidos como 1 ou 0, os computadores quânticos usam qubits, que podem ser 1, 0 ou qualquer valor intermediário. Além disso, cada qubit pode influenciar os outros, 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, explicou o desafio:”Para fazer previsões sobre sistemas complexos, podemos executar uma simulação completa, que pode levar semanas – muitas vezes muito mais – ou podemos usar um modelo de IA que é mais rápido, mas menos confiável em escalas de tempo mais longas.
“Nosso modelo de IA com informações quânticas significa que podemos fornecer rapidamente previsões mais precisas. Prever o fluxo de fluidos e a turbulência é um desafio científico fundamental, mas também tem muitas aplicações. Nossa abordagem poderia ser usada na previsão climática, na modelagem do fluxo sanguíneo e nas interações moleculares, ou eles poderiam projetar melhor parques para produção eólica. “
Como funcionam os métodos híbridos de IA quântica
Embora se espere que os computadores quânticos superem em muito a potência das máquinas clássicas, suas aplicações no mundo real são até agora limitadas. Este novo método integra a computação quântica em uma etapa específica do processo de treinamento de 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 detecta padrões estatísticos importantes que permanecem estáveis ao longo do tempo. Esses padrões, conhecidos como recursos estatísticos invariantes, são então usados para treinar um modelo de IA executado em um supercomputador convencional.
Alta precisão com menos memória
O sistema de IA com informação quântica forneceu uma precisão cerca de 20% maior do que os modelos de IA padrão que não usam padrões gerados por quânticos. Ele mantém previsões estáveis por longos períodos de tempo, mesmo ao modelar sistemas caóticos.
Outra grande vantagem foi a eficiência. O método requer centenas de vezes menos memória, tornando-o muito mais prático para simulações em larga escala.
Efeitos quânticos por trás da eficiência
Esse aumento de desempenho vem de dois recursos específicos da computação quântica. O emaranhamento permite que os qubits influenciem uns aos outros, independentemente da distância, enquanto a superposição permite que um qubit esteja em vários estados ao mesmo tempo até ser medido. Juntas, essas propriedades permitem que sistemas quânticos processem grandes quantidades de informações de forma compacta.
Demonstrando instalações quânticas práticas
A primeira autora, Maida Wang, do UCL Center for Computational Science, disse:”Nosso novo método parece demonstrar uma ‘vantagem quântica’ de uma forma prática – isto é, um computador quântico supera o que é possível apenas com a computação clássica. Esses resultados podem inspirar o desenvolvimento de novos métodos clássicos que podem alcançar uma precisão ainda maior, embora ofereçam desvantagens computacionais e inadequações de computação de dados. Nosso método é ampliar o método usando conjuntos de dados maiores e aplicá-lo a situações do mundo real geralmente envolve mais complexidade.
O co-primeiro autor Xiao Xue, da Advanced Research Computing da UCL, acrescentou: “Neste trabalho, mostramos pela primeira vez que a computação quântica pode ser integrada de forma significativa com métodos clássicos de aprendizado de máquina para lidar com sistemas dinâmicos complexos, incluindo mecânica de fluidos. É emocionante ver a abordagem prática de tais abordagens de ‘prática quântica’.”
Capturando a física de sistemas complexos
Os pesquisadores sugerem que os computadores quânticos são particularmente adequados para modelar esses sistemas porque podem representar de forma compacta a física subjacente. Muitos sistemas complexos se comportam de maneira semelhante a efeitos quânticos, onde mudanças em uma região podem afetar partes distantes do sistema, semelhante ao emaranhamento.
Excedendo os limites do hardware quântico atual
Os computadores quânticos atuais enfrentam desafios como ruído, erros e interferências, que muitas vezes exigem muitas medições. A nova abordagem evita esses problemas usando um computador quântico apenas uma vez durante um fluxo de trabalho, em vez de trocar dados repetidamente entre sistemas quânticos e clássicos.
Detalhes do exame e perspectivas futuras
A pesquisa usou um computador quântico IQM de 20 qubits conectado a poderosos recursos de computação clássica no Centro de Supercomputação Leibniz, na Alemanha.
Para funcionar, os computadores quânticos devem operar em temperaturas extremamente baixas, menos 273ºC (mais perto do zero absoluto, mais frio do que qualquer coisa no espaço).
A pesquisa foi financiada pela UCL e pelo Conselho de Pesquisa em Ciências Físicas e de Engenharia (EPSRC) do Reino Unido, com apoio adicional do IQM Quantum Computer 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.
