Dos bits aos qubits: como a otimização quântica está a transformar a IA

A maioria dos sistemas de IA de ponta, desde um carro autónomo até um modelo de previsão de ações, está constantemente a fazer compromissos à medida que se ajusta, aperfeiçoa e aprende com a experiência. Por trás destas decisões está um dos processos mais importantes da IA: a otimização.

Por exemplo, um modelo de IA treinado para reconhecer sinais de trânsito ou prever preços de casas aprende com exemplos. À medida que é treinado, melhora continuamente a forma como aprende. Cada passo ajusta milhões de parâmetros, aperfeiçoando pesos e vieses para reduzir erros de previsão e melhorar a precisão.

Podes pensar neste processo como um problema de otimização em grande escala. O objetivo é encontrar a melhor combinação de parâmetros que produza resultados precisos sem sobreajustar nem desperdiçar recursos computacionais.

Na verdade, a otimização é uma parte essencial da inteligência artificial. Quer um modelo de IA esteja a identificar uma imagem ou a prever um preço, tem de procurar a solução mais eficaz entre inúmeras possibilidades. Mas, à medida que os modelos e os conjuntos de dados crescem, esta pesquisa torna-se cada vez mais complexa e dispendiosa do ponto de vista computacional.

A otimização quântica é uma abordagem emergente que pode ajudar a resolver este desafio. Baseia-se na computação quântica, que utiliza os princípios da mecânica quântica para processar informação de novas formas.

Em vez de bits que só podem ser 0 ou 1, os computadores quânticos utilizam qubits, que podem existir em vários estados ao mesmo tempo. Isto permite-lhes explorar muitas soluções possíveis em paralelo, resolvendo problemas de otimização complexos de forma mais eficiente do que os métodos clássicos em alguns casos.

No entanto, o paralelismo quântico não é o mesmo que executar muitos processadores clássicos ao mesmo tempo. É um processo probabilístico que depende da interferência quântica para produzir resultados úteis.

Em termos simples, isto significa que os computadores quânticos não testam todas as possibilidades ao mesmo tempo. Em vez disso, utilizam a interferência, na qual determinadas possibilidades se reforçam mutuamente e outras se anulam, para aumentar as probabilidades de encontrar a resposta certa.

Neste artigo, vamos explorar como funciona a otimização quântica, por que é importante e o que pode significar para o futuro da computação inteligente. Vamos começar!

O que é a otimização quântica?#

A otimização quântica é uma área em crescimento dentro da computação quântica que se concentra na resolução de problemas de otimização complexos utilizando as propriedades únicas da mecânica quântica. Baseia-se em décadas de investigação em ciência da computação e física, combinando-as para enfrentar desafios com os quais a computação tradicional tem dificuldade.

A ideia de utilizar sistemas quânticos para otimização surgiu no final da década de 1990, quando os investigadores começaram a explorar como princípios quânticos, como a superposição (estados simultâneos) e o entrelaçamento (qubits ligados), poderiam ser aplicados à resolução de problemas.

Com o tempo, isto evoluiu para a otimização quântica, na qual os investigadores desenvolveram algoritmos que utilizam efeitos quânticos para procurar eficientemente soluções ideais em espaços de problemas grandes e complexos.

Os fundamentos da otimização quântica#

No seu núcleo, a otimização quântica assenta em três componentes essenciais: algoritmos quânticos, qubits e circuitos quânticos. Os algoritmos quânticos fornecem a lógica que permite explorar eficientemente grandes conjuntos de soluções possíveis.

Estes algoritmos operam sobre qubits, as unidades fundamentais da informação quântica, que diferem dos bits clássicos (as unidades binárias de dados dos computadores tradicionais, que podem conter um valor de 0 ou 1) porque podem existir num estado de superposição, representando 0 e 1 ao mesmo tempo.

Fig. 1. O que é um qubit? (Fonte: ResearchGate)

Esta propriedade única permite que os sistemas quânticos avaliem várias possibilidades simultaneamente, expandindo significativamente o seu potencial computacional. Entretanto, os circuitos quânticos ligam qubits através de sequências de portas quânticas, que controlam a forma como a informação flui e interage para orientar gradualmente o sistema rumo a uma solução quase ideal.

Otimização clássica vs. quântica#

Eis algumas diferenças essenciais entre as abordagens de otimização clássica e quântica:

• Estilo de computação: Os algoritmos clássicos testam uma solução de cada vez. Os algoritmos quânticos podem considerar muitas possibilidades ao mesmo tempo, utilizando as propriedades únicas da física quântica.
• Poder de processamento: Os computadores clássicos utilizam bits que são 0 ou 1. Os computadores quânticos utilizam qubits, que podem ser 0 e 1 ao mesmo tempo e podem ser ligados entre si, permitindo-lhes lidar com problemas mais complexos.
• Escala do problema: A otimização clássica funciona bem para problemas mais pequenos ou moderadamente complexos. A otimização quântica está a ser desenvolvida para enfrentar problemas muito maiores e mais complexos, que são difíceis para os computadores atuais.
• Resultado: Os resultados clássicos são previsíveis e reproduzíveis. Os resultados quânticos baseiam-se em probabilidades, pelo que a mesma tarefa pode produzir resultados ligeiramente diferentes, que são aperfeiçoados ao longo de várias execuções para encontrar a melhor resposta.

Fig. 2. Otimização clássica vs. quântica (Imagem do autor)

Como funciona a otimização quântica#

De seguida, vamos explicar como funciona realmente a otimização quântica. Tudo começa com a definição de um problema do mundo real e a sua tradução para uma forma que um computador quântico consiga processar.

Eis uma visão geral das principais etapas envolvidas na otimização quântica:

• Passo 1: Formular o problema como uma paisagem de energia: Todos os problemas de otimização, como planear rotas de entrega ou ajustar modelos de aprendizagem automática, podem ser descritos como uma paisagem de níveis de energia. Cada resposta possível tem um valor de energia, e o objetivo é encontrar o valor mais baixo, que representa a solução mais eficiente ou ideal.

• Passo 2: Codificar o problema num circuito quântico: O problema é então convertido num circuito quântico. Aqui, os qubits (bits quânticos) representam dados e podem explorar muitas soluções ao mesmo tempo através da superposição.

• Passo 3: Orientar o sistema para a melhor solução: O computador quântico ajusta então os qubits passo a passo, permitindo que o sistema avance em direção à solução de menor energia, ou à melhor solução. Este processo é conhecido como recozimento quântico ou evolução adiabática, dependendo do método utilizado. Ajuda o sistema a estabilizar no estado mais promissor.

• Passo 4: Medir e interpretar os resultados: Quando o sistema estabiliza, os qubits são medidos, produzindo uma solução aproximada. Normalmente, são realizadas várias execuções para medir a qualidade da solução e confirmar a fiabilidade.

• Passo 5: Combinar com computação clássica para aperfeiçoar os resultados: Por fim, os computadores clássicos voltam a integrar o processo. Analisam e ajustam os resultados das execuções quânticas para melhorar a precisão. Esta abordagem híbrida, utilizada em métodos como o Algoritmo de Otimização Aproximada Quântica (QAOA) e o Solucionador Variacional de Autovalores Quânticos (VQE), combina os pontos fortes dos sistemas clássicos e quânticos para melhorar o desempenho geral.

Principais algoritmos de otimização quântica#

Graças aos avanços recentes na computação quântica, os investigadores desenvolveram vários algoritmos de otimização quântica que procuram resolver problemas complexos de forma mais eficiente. Estas abordagens estão a moldar o futuro da área. Vejamos alguns dos principais.

Recozimento quântico#

O recozimento quântico é uma técnica utilizada para resolver problemas de otimização que envolvem encontrar a melhor disposição ou combinação entre muitas possibilidades. Estes são chamados problemas de otimização combinatória, como programar entregas, definir rotas de veículos ou agrupar pontos de dados semelhantes.

O método é inspirado num processo físico conhecido como recozimento, no qual um material é arrefecido lentamente para atingir um estado estável de baixa energia. De forma semelhante, o recozimento quântico orienta gradualmente um sistema quântico para o seu estado de energia mais baixo, que representa a melhor solução possível para o problema.

Este processo, baseado nos princípios da computação quântica adiabática, permite que o sistema explore muitas soluções potenciais e estabilize numa que seja próxima da ideal. Como os resultados são probabilísticos, o processo é normalmente repetido várias vezes, utilizando-se frequentemente computação clássica posteriormente para aperfeiçoar as respostas.

O recozimento quântico mostra potencial para resolver problemas de otimização do mundo real em áreas como logística, clustering e alocação de recursos. No entanto, os investigadores ainda estão a explorar quando e como poderá ter um desempenho superior ao dos métodos tradicionais.

Fig. 3. Compreender o recozimento quântico (Fonte: ResearchGate)

Algoritmo de Otimização Aproximada Quântica (QAOA)#

O Algoritmo de Otimização Aproximada Quântica (QAOA) também lida com problemas de otimização combinatória, mas de forma diferente do recozimento quântico. Em vez de evoluir gradualmente em direção ao estado de menor energia, o QAOA alterna entre duas funções de energia, chamadas Hamiltonianos.

Uma representa o objetivo e as restrições do problema, enquanto a outra ajuda o sistema a explorar novas configurações. Ao alternar entre estas etapas, o algoritmo avança progressivamente em direção a uma solução quase ideal.

O QAOA é executado em sistemas quânticos e clássicos híbridos, nos quais o computador quântico gera soluções possíveis e um computador clássico ajusta os parâmetros após cada execução. Esta abordagem torna o QAOA uma ferramenta flexível para muitas tarefas de otimização, incluindo programação, definição de rotas e problemas de grafos, como o MaxCut (encontrar a melhor forma de dividir uma rede em duas partes) e a cobertura de vértices (selecionar o menor conjunto de nós que liga a todas as arestas de uma rede). Embora a investigação ainda esteja em curso, o QAOA é amplamente considerado um passo promissor para combinar a otimização clássica e quântica.

Solucionador Variacional de Autovalores Quânticos (VQE)#

Outro algoritmo importante é o Solucionador Variacional de Autovalores Quânticos (VQE). Ao contrário do QAOA e do recozimento quântico, que lidam com problemas de otimização combinatória que envolvem escolhas discretas, o VQE concentra-se na otimização contínua, na qual as variáveis podem assumir um intervalo de valores em vez de opções fixas.

É utilizado principalmente para estimar o estado fundamental, ou a energia mais baixa possível, de um sistema quântico. Isto torna-o especialmente útil para estudar o comportamento de moléculas e materiais em física e química.

O VQE também utiliza uma abordagem híbrida que combina computação quântica e clássica. O computador quântico prepara e testa estados possíveis, enquanto o computador clássico analisa os resultados e ajusta os parâmetros para melhorar a precisão.

Como requer menos qubits e circuitos mais simples, o VQE tem um bom desempenho nos dispositivos NISQ (escala intermédia quântica ruidosa) atuais. Esta é a geração atual de computadores quânticos, que tem um número limitado de qubits e é afetada por ruído, mas ainda é suficientemente poderosa para investigação e experiências práticas iniciais.

O VQE tornou-se uma ferramenta essencial na química quântica, na ciência dos materiais e na otimização de processos. Ajuda os investigadores a modelar moléculas, estudar reações e encontrar configurações estáveis.

Fig. 4. Uma visão do Solucionador Variacional de Autovalores Quânticos (Fonte: ResearchGate)

Programação semidefinida quântica#

A programação semidefinida (SDP) é um método matemático utilizado para resolver problemas de otimização que incluem relações lineares entre variáveis. É frequentemente aplicada quando o objetivo é encontrar o melhor resultado possível, mantendo determinadas condições dentro de um intervalo válido.

Os algoritmos quânticos de SDP procuram tornar estes cálculos mais rápidos, especialmente quando os dados envolvem muitas variáveis ou espaços complexos e de alta dimensionalidade. Utilizam princípios da computação quântica para analisar várias possibilidades ao mesmo tempo, o que pode tornar mais eficiente a resolução de problemas em grande escala.

Estes algoritmos estão a ser explorados em áreas como aprendizagem automática, processamento de sinais e sistemas de controlo, onde podem ajudar os modelos a reconhecer padrões, melhorar previsões ou gerir sistemas complexos. Embora a investigação ainda esteja em curso, a SDP quântica mostra potencial para acelerar tarefas avançadas de otimização que são difíceis para os computadores clássicos.

Aplicações da otimização quântica na IA#

Embora a otimização quântica seja uma área de investigação ativa, também começa a encontrar aplicações práticas em áreas como a inteligência artificial e a aprendizagem automática. Os investigadores estão a explorar como os métodos quânticos podem ajudar a resolver problemas complexos de forma mais eficiente.

De seguida, veremos mais de perto alguns dos exemplos e casos de utilização emergentes que destacam o seu potencial em cenários do mundo real.

Acelerar o ajuste de modelos de aprendizagem automática#

A otimização quântica está a ser explorada para melhorar a forma como os modelos de aprendizagem automática são ajustados, particularmente no que diz respeito à otimização de hiperparâmetros e à seleção de características. Os avanços recentes nos processadores de átomos neutros também estão a expandir o âmbito das experiências de otimização quântica em IA e aprendizagem automática.

Estes processadores utilizam átomos individuais mantidos no lugar por lasers para funcionarem como qubits. Isto permite aos investigadores construir sistemas quânticos escaláveis e estáveis para testar algoritmos complexos.

Aplicações industriais e destaques da investigação#

As principais empresas tecnológicas já estão a experimentar estas ideias. Por exemplo, a equipa de investigação da Google demonstrou recentemente uma vantagem quântica generativa, na qual um processador de 68 qubits aprendeu a gerar distribuições complexas, sugerindo aplicações no treino de modelos generativos.

Da mesma forma, a NVIDIA está a criar pontes entre a computação quântica e a IA, integrando a investigação quântica no seu ecossistema de supercomputação e GPU. Por exemplo, lançou um Centro de Investigação Quântica Acelerada (NVAQC) para combinar hardware quântico com sistemas de IA.

Além disso, a AWS desenvolveu um fluxo de trabalho híbrido quântico e clássico no Amazon Braket que utiliza circuitos quânticos em conjunto com otimização clássica para aperfeiçoar parâmetros de tarefas de classificação de imagens.

Otimização em logística, programação e definição de rotas#

Uma das áreas mais práticas para a otimização quântica é a logística e a programação. Estas tarefas incluem o planeamento de rotas, a atribuição de veículos e a distribuição de recursos.

Um bom exemplo é a programação da rede elétrica, na qual os operadores têm de equilibrar em tempo real a oferta e a procura de eletricidade, reduzindo simultaneamente os custos e mantendo a fiabilidade. Os investigadores utilizaram a otimização quântica para representar este desafio de programação como uma paisagem de energia ou um Hamiltoniano.

Aqui, o objetivo é encontrar o estado de energia mais baixo, que representa a configuração mais eficiente. Por exemplo, os solucionadores quânticos da D-Wave foram testados para este tipo de problemas e apresentaram resultados mais rápidos e flexíveis em comparação com os métodos de otimização tradicionais.

Ideias semelhantes estão agora a ser estudadas em áreas como a gestão de portefólios e o planeamento da cadeia de abastecimento. À medida que o hardware melhora, estas abordagens podem mudar a forma como os sistemas de IA planeiam e tomam decisões sob restrições do mundo real.

IA e computação quântica na descoberta de fármacos e no design de materiais#

A otimização quântica também está a ganhar atenção em áreas nas quais é fundamental compreender interações moleculares e paisagens de energia complexas. Por exemplo, na descoberta de fármacos e na ciência dos materiais, encontrar as estruturas ou configurações moleculares mais estáveis é um desafio de otimização.

Algoritmos quânticos híbridos, como o VQE, estão a ser utilizados para acelerar processos como a previsão da estrutura de proteínas e a pesquisa de conformações moleculares. Os investigadores também estão a explorar formas de combinar computação quântica e inteligência artificial para melhorar a forma como os modelos aprendem e extraem características dos dados.

À medida que o hardware quântico continua a avançar, estas abordagens combinadas podem conduzir a grandes avanços na química, na biologia e na investigação de materiais, permitindo descobertas mais rápidas e simulações mais precisas ao nível molecular.

Vantagens e desvantagens da otimização quântica#

Eis algumas das vantagens da utilização da otimização quântica:

• Algoritmos inspirados na computação quântica: Mesmo antes de estarem disponíveis computadores quânticos de grande escala, os investigadores estão a utilizar métodos de otimização inspirados na computação quântica em sistemas clássicos. Estas abordagens podem oferecer um desempenho mais rápido para tipos específicos de problemas, imitando estratégias quânticas.
• Hardware melhorado e solucionadores híbridos: O desenvolvimento de novos processadores quânticos e solucionadores híbridos baseados na nuvem está a tornar possível combinar computação quântica e clássica. Isto permite realizar testes e experiências práticas atualmente, mesmo com hardware numa fase inicial.
• Progresso da investigação colaborativa: A IBM Quantum, o Qiskit e outras comunidades de investigação aberta estão a desenvolver ativamente algoritmos, conjuntos de ferramentas e recursos educativos que tornam a otimização quântica mais acessível.

Embora a investigação quântica esteja a avançar rapidamente, ainda existem alguns desafios que impedem a adoção em grande escala. Eis algumas das principais limitações a considerar:

• Limitações do hardware: Os computadores quânticos atuais têm um número limitado de qubits e são altamente sensíveis ao ruído, à decoerência e a erros operacionais. Estes fatores reduzem a precisão e a fiabilidade dos resultados, dificultando a expansão dos sistemas para tarefas de otimização complexas.
• Limitações da simulação clássica: Simular grandes sistemas quânticos em computadores clássicos é extremamente exigente, porque os recursos computacionais necessários crescem exponencialmente com o número de qubits. Isto torna difícil testar e validar algoritmos quânticos de grande escala.
• Falta de normas de avaliação comparativa: A investigação em otimização quântica ainda não dispõe de referências consistentes para comparar algoritmos e o desempenho do hardware. Embora estejam em curso esforços para criar métodos de avaliação normalizados, ainda não existe um quadro universal para medir melhorias de desempenho no mundo real.

Principais conclusões#

A otimização quântica está a transformar a forma como pensamos sobre a resolução de problemas na inteligência artificial, na ciência e na indústria. Ao combinar o poder da computação quântica com métodos clássicos, os investigadores estão a encontrar novas formas de lidar com a complexidade e acelerar descobertas. À medida que o hardware melhora e os algoritmos amadurecem, a otimização quântica pode tornar-se um dos principais motores da próxima geração de tecnologias inteligentes.

Consulta o nosso repositório no GitHub para saberes mais sobre IA. Junta-te à nossa comunidade ativa e descobre inovações em setores como a IA no retalho e a IA de visão na indústria. Para começares hoje a trabalhar com visão computacional, consulta as nossas opções de licenciamento.