De bits a qubits: Como a otimização quântica está remodelando a IA

A maior parte dos sistemas de IA de ponta, desde um carro autônomo até um modelo de previsão de ações, faz concessões constantes à medida que se ajusta, refina e aprende com a experiência. Por trás dessas decisões está um dos processos mais importantes da IA: a optimization.

Por exemplo, um modelo de IA treinado para reconhecer sinais de trânsito ou prever preços de casas aprende com exemplos. À medida que treina, ele melhora continuamente sua forma de aprender. Cada etapa ajusta milhões de parâmetros, refinando pesos e vieses para reduzir erros de previsão e melhorar a precisão.

Podes pensar nesse processo como um problema de otimização em larga escala. O objetivo é encontrar a melhor combinação de parâmetros que entregue resultados precisos sem overfitting ou desperdício de recursos computacionais.

De fato, a otimização é uma parte fundamental da artificial intelligence. Quer um modelo de IA esteja identificando uma imagem ou prevendo um preço, ele deve buscar a solução mais eficaz entre inúmeras possibilidades. Mas, à medida que modelos e conjuntos de dados crescem, essa busca se torna cada vez mais complexa e computacionalmente cara.

A Quantum optimization é uma abordagem emergente que pode ajudar a resolver esse desafio. Ela se baseia na computação quântica, que usa os princípios da mecânica quântica para processar informações de novas maneiras.

Em vez de bits que só podem ser 0 ou 1, computadores quânticos usam qubits que podem existir em vários estados ao mesmo tempo. Isso permite que explorem muitas soluções possíveis em paralelo, resolvendo problemas complexos de otimização de forma mais eficiente do que 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.

De forma simples, isso significa que computadores quânticos não testam todas as possibilidades de uma vez. Em vez disso, usam a interferência, onde certas possibilidades reforçam-se mutuamente e outras cancelam-se, para aumentar as chances de encontrar a resposta certa.

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

O que é otimização quântica?#

A otimização quântica é um campo em crescimento dentro da computação quântica que se concentra em resolver problemas complexos de otimização usando as propriedades únicas da mecânica quântica. Ela baseia-se em décadas de pesquisa em ciência da computação e física, combinando-as para enfrentar desafios com os quais a computação tradicional tem dificuldade.

A ideia de usar sistemas quânticos para otimização surgiu pela primeira vez no final da década de 1990, quando pesquisadores começaram a explorar como princípios quânticos como superposição (estados simultâneos) e emaranhamento (qubits vinculados) poderiam ser aplicados à resolução de problemas.

Com o tempo, isso evoluiu para a otimização quântica, onde pesquisadores desenvolveram algoritmos que usam efeitos quânticos para buscar eficientemente soluções ideais em espaços de problemas grandes e complexos.

O básico da otimização quântica#

Em sua essência, a otimização quântica é construída sobre três componentes principais: algoritmos quânticos, qubits e circuitos quânticos. Algoritmos quânticos fornecem a lógica que permite a exploração eficiente de grandes conjuntos de possíveis soluções.

Esses algoritmos operam em qubits, as unidades fundamentais da informação quântica, que diferem dos bits clássicos (as unidades binárias de dados em computadores tradicionais que podem manter um valor de 0 ou 1) porque podem existir em um estado de superposição, representando tanto 0 quanto 1 ao mesmo tempo.

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

Essa propriedade única permite que sistemas quânticos avaliem várias possibilidades simultaneamente, expandindo significativamente seu potencial computacional. Enquanto isso, circuitos quânticos conectam qubits através de sequências de portas quânticas, que controlam como a informação flui e interage para guiar o sistema em direção a uma solução quase ideal gradualmente.

Otimização clássica vs quântica#

Aqui estão algumas diferenças principais entre as abordagens de otimização clássica e quântica:

• Estilo de computação: Algoritmos clássicos testam uma solução de cada vez. Algoritmos quânticos podem considerar muitas possibilidades de uma vez usando as propriedades únicas da física quântica.
• Poder de processamento: Computadores clássicos usam bits que são 0 ou 1. Computadores quânticos usam qubits, que podem ser 0 e 1 ao mesmo tempo e podem ser conectados, permitindo que lidem com problemas mais complexos.
• Escala do problema: A otimização clássica funciona bem para problemas menores ou moderadamente complexos. A otimização quântica está sendo desenvolvida para enfrentar problemas muito maiores e mais complicados que são difíceis para os computadores de hoje.
• Resultado: Resultados clássicos são previsíveis e repetíveis. Resultados quânticos baseiam-se em probabilidades, portanto, a mesma tarefa pode dar resultados ligeiramente diferentes que são refinados ao longo de múltiplas execuções para encontrar a melhor resposta.

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

Como a otimização quântica funciona#

A seguir, vamos percorrer como a otimização quântica realmente funciona. Tudo começa definindo um problema do mundo real e traduzindo-o para uma forma que um computador quântico possa processar.

Aqui está uma visão geral das principais etapas envolvidas na otimização quântica:

• Passo 1: Formular o problema como uma paisagem energética: Todo problema de otimização, como planejar rotas de entrega ou ajustar modelos de machine learning, pode ser descrito como uma paisagem de níveis de energia. Cada resposta possível tem um valor de energia, e o objetivo é encontrar o mais baixo, que representa a solução mais eficiente ou ideal.

• Passo 2: Codificar o problema em um circuito quântico: O problema é então convertido em um circuito quântico. Aqui, qubits (bits quânticos) representam dados e podem explorar muitas soluções de uma vez através da superposição.

• Passo 3: Guiar o sistema em direção à melhor solução: O computador quântico ajusta então os qubits passo a passo, permitindo que o sistema se mova em direção à solução de menor energia, ou seja, a melhor. Esse processo é conhecido como recozimento quântico (quantum annealing) ou evolução adiabática, dependendo do método usado. Isso ajuda o sistema a se estabelecer no estado mais promissor.

• Passo 4: Medir e interpretar os resultados: Quando o sistema estabiliza, os qubits são medidos, produzindo uma solução aproximada. Execuções repetidas são frequentemente usadas para medir a qualidade da solução e confirmar a confiabilidade.

• Passo 5: Combinar com computação clássica para refinamento: Finalmente, computadores clássicos são trazidos de volta ao loop. Eles analisam e refinam os resultados das execuções quânticas para melhorar a precisão. Essa abordagem híbrida, usada em métodos como QAOA (Quantum Approximate Optimization Algorithm) e VQE (Variational Quantum Eigensolver), combina os pontos fortes de sistemas clássicos e quânticos para um melhor desempenho geral.

Algoritmos principais de otimização quântica#

Graças aos avanços recentes na computação quântica, pesquisadores desenvolveram uma gama de algoritmos de otimização quântica que visam resolver problemas complexos com mais eficiência. Essas abordagens estão moldando o futuro do campo. Vamos dar uma olhada em alguns dos principais.

Recozimento quântico#

O recozimento quântico é uma técnica usada para resolver problemas de otimização que envolvem encontrar o melhor arranjo ou combinação entre muitas possibilidades. Esses são chamados problemas de otimização combinatória, como agendar entregas, rotear veículos ou agrupar pontos de dados semelhantes.

O método é inspirado em um processo físico conhecido como recozimento, onde um material é resfriado lentamente para atingir um estado estável de baixa energia. De forma semelhante, o recozimento quântico guia gradualmente um sistema quântico em direção ao seu estado de energia mais baixo, que representa a melhor solução possível para o problema.

Esse processo, baseado nos princípios da computação quântica adiabática, permite que o sistema explore muitas soluções potenciais e se estabeleça em uma que esteja próxima da ideal. Como os resultados são probabilísticos, o processo é geralmente repetido várias vezes, com a computação clássica sendo frequentemente usada posteriormente para refinar as respostas.

O recozimento quântico mostra potencial para resolver problemas de otimização do mundo real em áreas como logistics, agrupamento e alocação de recursos. No entanto, os pesquisadores ainda estão explorando quando e como ele pode ter um desempenho melhor do que os métodos tradicionais.

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

Quantum Approximate Optimization Algorithm (QAOA)#

O QAOA (Quantum Approximate Optimization Algorithm) também lida com problemas de otimização combinatória, mas de uma 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 Hamiltonians.

Uma representa o objetivo e as restrições do problema, enquanto a outra ajuda o sistema a explorar novas configurações. Ao alternar entre esses estágios, o algoritmo move-se constantemente em direção a uma solução quase ideal.

O QAOA é executado em sistemas híbridos quânticos e clássicos, onde o computador quântico gera possíveis soluções e um computador clássico ajusta parâmetros após cada execução. Essa abordagem torna o QAOA uma ferramenta flexível para muitas tarefas de otimização, incluindo agendamento, roteamento e problemas de grafos como MaxCut (encontrar a melhor maneira de dividir uma rede em duas partes) e vertex cover (selecionar o menor conjunto de nós que se conectam a cada aresta em uma rede). Embora a pesquisa ainda esteja em andamento, o QAOA é amplamente visto como um passo promissor em direção à combinação da otimização clássica e quântica.

Variational Quantum Eigensolver (VQE)#

Outro algoritmo importante é o VQE (Variational Quantum Eigensolver). Ao contrário do QAOA e do recozimento quântico, que lidam com problemas de otimização combinatória envolvendo escolhas discretas, o VQE concentra-se na otimização contínua, onde as variáveis podem assumir uma gama de valores em vez de opções fixas.

É usado principalmente para estimar o estado fundamental, ou a menor energia possível, de um sistema quântico. Isso torna-o especialmente útil para estudar o comportamento molecular e de materiais na física e química.

O VQE também usa 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 parâmetros para melhorar a precisão.

Como requer menos qubits e circuitos mais simples, o VQE funciona bem em dispositivos NISQ (Noisy Intermediate Scale Quantum) atuais. Esses são a geração atual de computadores quânticos que possuem um número limitado de qubits e são afetados por ruído, mas ainda são poderosos o suficiente para pesquisa e experimentos práticos iniciais.

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

Fig 4. Uma olhada no Variational Quantum Eigensolver (Fonte: ResearchGate)

Programação semidefinida quântica#

A programação semidefinida (SDP) é um método matemático usado para resolver problemas de otimização que incluem relações lineares entre variáveis. É frequentemente aplicada quando o objetivo é encontrar o melhor resultado possível mantendo certas condições dentro de uma faixa válida.

Algoritmos de SDP quântica visam tornar esses cálculos mais rápidos, especialmente quando os dados envolvem muitas variáveis ou espaços complexos de alta dimensão. Eles usam princípios da computação quântica para analisar várias possibilidades de uma vez, o que pode tornar a resolução de problemas em larga escala mais eficiente.

Esses algoritmos estão sendo explorados em campos como machine learning, processamento de sinais e sistemas de controle, onde podem ajudar os modelos a reconhecer padrões, melhorar previsões ou gerenciar sistemas complexos. Embora a pesquisa ainda esteja em andamento, o SDP quântico é promissor para acelerar tarefas avançadas de otimização que são difíceis para computadores clássicos.

Aplicações da otimização quântica na IA#

Embora a otimização quântica seja uma área ativa de pesquisa, também está começando a encontrar aplicações práticas em campos como inteligência artificial e machine learning. Pesquisadores estão explorando como métodos quânticos podem ajudar a resolver problemas complexos com mais eficiência.

A seguir, examinaremos mais de perto alguns dos exemplos e casos de uso emergentes que destacam seu potencial em cenários do mundo real.

Acelerando o ajuste de modelos de machine learning#

A otimização quântica está sendo explorada para melhorar a forma como modelos de machine learning são ajustados, particularmente no que diz respeito à otimização de hiperparâmetros e seleção de características. Avanços recentes em processadores de átomos neutros também estão expandindo o escopo de experimentos de otimização quântica em IA e machine learning.

Esses processadores usam átomos individuais mantidos no lugar por lasers para atuar como qubits. Isso permite que pesquisadores construam sistemas quânticos escaláveis e estáveis para testar algoritmos complexos.

Aplicações industriais e destaques de pesquisa#

Empresas de tecnologia líderes já estão experimentando essas ideias. Por exemplo, a equipe de pesquisa do Google demonstrou recentemente uma generative quantum advantage, em que um processador de 68 qubits aprendeu a gerar distribuições complexas, apontando para aplicações no treinamento de modelos gerativos.

Da mesma forma, a NVIDIA está construindo pontes entre computação quântica e IA, integrando pesquisa quântica em seu ecossistema de supercomputação e GPU. Por exemplo, lançou um Centro de Pesquisa Quântica Acelerada (NVAQC) para combinar hardware quântico com sistemas de IA.

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

Otimização em logística, agendamento e roteamento#

Uma das áreas mais práticas para a otimização quântica é logística e agendamento. Essas tarefas incluem planejamento de rotas, atribuição de veículos e distribuição de recursos.

Um bom exemplo é o agendamento de energy grid, em que os operadores devem equilibrar a oferta e a demanda de eletricidade em tempo real, reduzindo custos e mantendo a confiabilidade. Os pesquisadores usaram a otimização quântica para representar esse desafio de agendamento como uma paisagem energética ou um Hamiltoniano.

Aqui, o objetivo é encontrar o estado de menor energia, que representa a configuração mais eficiente. Por exemplo, os D-Wave’s quantum solvers foram testados para tais problemas e mostraram resultados mais rápidos e flexíveis em comparação com os métodos tradicionais de otimização.

Ideias semelhantes estão sendo estudadas agora em áreas como gestão de portfólio e planejamento da cadeia de suprimentos. À medida que o hardware melhora, essas abordagens podem mudar a forma como sistemas de IA planejam e tomam decisões sob restrições do mundo real.

IA e computação quântica na descoberta de medicamentos e design de materiais#

A otimização quântica também está chamando a atenção em áreas onde a compreensão de interações moleculares complexas e paisagens energéticas é crítica. Por exemplo, na drug discovery 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 sendo usados para acelerar processos como previsão de estrutura proteica e busca de conformação molecular. Pesquisadores também estão explorando maneiras 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, essas abordagens combinadas podem levar a grandes descobertas em química, biologia e pesquisa de materiais, permitindo descobertas mais rápidas e simulações mais precisas no nível molecular.

Prós e contras da otimização quântica#

Aqui estão algumas das vantagens de usar a otimização quântica:

• Algoritmos inspirados no quântico: Mesmo antes de computadores quânticos em larga escala estarem disponíveis, pesquisadores estão usando métodos de otimização inspirados no quântico em sistemas clássicos. Essas abordagens podem oferecer desempenho mais rápido para tipos específicos de problemas ao imitar estratégias quânticas.
• Melhor hardware e solucionadores híbridos: O desenvolvimento de novos processadores quânticos e solucionadores híbridos baseados em nuvem está tornando possível combinar a computação quântica e a clássica. Isso permite testes práticos e experimentação hoje, mesmo com hardware em estágio inicial.
• Progresso na pesquisa colaborativa: IBM Quantum, Qiskit e outras comunidades de pesquisa aberta estão desenvolvendo ativamente algoritmos, kits de ferramentas e recursos educacionais que tornam a otimização quântica mais acessível.

Embora a pesquisa quântica esteja avançando rapidamente, ainda existem certos desafios que impedem a adoção em larga escala. Aqui estão algumas das principais limitações a considerar:

• Hardware limitations: Os computadores quânticos atuais têm um número limitado de qubits e são altamente sensíveis a ruídos, decoerência e erros operacionais. Esses fatores reduzem a precisão e a confiabilidade dos resultados, dificultando a escalabilidade de sistemas para tarefas complexas de otimização.
• Restrições de simulação clássica: Simular grandes sistemas quânticos em computadores clássicos é extremamente exigente porque os recursos computacionais necessários crescem exponencialmente com o número de qubits. Isso torna desafiador testar e validar algoritmos quânticos de larga escala.
• Falta de padrões de benchmarking: A pesquisa em otimização quântica ainda carece de benchmarks consistentes para comparar algoritmos e desempenho de hardware. Embora esforços estejam em andamento para criar métodos de avaliação padronizados, ainda não existe uma estrutura universal para medir melhorias de desempenho no mundo real.

Principais pontos#

A otimização quântica está reformulando a forma como pensamos sobre a resolução de problemas em inteligência artificial, ciência e indústria. Ao combinar o poder da computação quântica com métodos clássicos, pesquisadores estão encontrando novas maneiras de lidar com a complexidade e acelerar a descoberta. À medida que o hardware melhora e os algoritmos amadurecem, a otimização quântica pode se tornar um impulsionador chave da próxima geração de tecnologias inteligentes.

Confere o nosso GitHub repository para descobrir mais sobre IA. Entra na nossa community ativa e descobre inovações em setores como a indústria de AI in the retail e Vision AI in manufacturing. Para começar com visão computacional hoje, confere as nossas licensing options.