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

A maioria dos sistemas modernos de IA, desde um automóvel autónomo até um modelo de previsão da bolsa, está constantemente a fazer compromissos enquanto se ajusta, aperfeiçoa e aprende com a experiência. Por detrás destas decisões está um dos processos mais importantes da IA: a otimização.

Por exemplo, um modelo de IA treinado para reconhecer placas de trânsito ou prever preços de imóveis aprende com exemplos. Durante o treinamento, ele aprimora continuamente a forma como aprende. Cada etapa ajusta milhões de parâmetros, refinando pesos e vieses para reduzir erros de previsão e melhorar a precisão.

Você pode pensar nesse processo como um problema de otimização em grande escala. O objetivo é encontrar a melhor combinação de parâmetros que forneça resultados precisos sem sobreajuste nem desperdício de recursos computacionais.

Na verdade, a otimização é uma parte essencial da inteligência artificial. Seja para identificar uma imagem ou prever um preço, um modelo de IA precisa buscar a solução mais eficaz entre inúmeras possibilidades. Mas, à medida que os modelos e conjuntos de dados crescem, essa busca se torna cada vez mais complexa e computacionalmente dispendiosa.

A otimização quântica 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, os computadores quânticos usam qubits, que podem existir em vários estados ao mesmo tempo. Isso permite explorar muitas soluções possíveis em paralelo e, em alguns casos, resolver problemas complexos de otimização com mais eficiência do que os métodos clássicos.

No entanto, o paralelismo quântico não é o mesmo que executar muitos processadores clássicos simultaneamente. Trata-se de um processo probabilístico que depende da interferência quântica para produzir resultados úteis.

Em termos simples, isso significa que os computadores quânticos não testam todas as possibilidades ao mesmo tempo. Em vez disso, usam a interferência — na qual algumas possibilidades se reforçam e outras se anulam — para aumentar as chances de encontrar a resposta correta.

Neste artigo, vamos explorar o funcionamento da otimização quântica, a sua importância e o que poderá significar para o futuro da computação inteligente.

O que é otimização quântica?#

A otimização quântica é um campo em expansão dentro da computação quântica que se concentra em resolver problemas complexos de otimização usando as propriedades exclusivas da mecânica quântica. Ela se apoia em décadas de pesquisas em ciência da computação e física, combinando essas áreas para enfrentar desafios que a computação tradicional tem dificuldade para resolver.

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

Com o tempo, essa ideia evoluiu para a otimização quântica, na qual pesquisadores desenvolveram algoritmos que usam efeitos quânticos para buscar com eficiência soluções ideais em espaços de problemas grandes e complexos.

Fundamentos da otimização quântica#

Em sua essência, a otimização quântica se baseia em três componentes principais: algoritmos quânticos, qubits e circuitos quânticos. Os algoritmos quânticos fornecem a lógica que permite explorar com eficiência grandes conjuntos de soluções possíveis.

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

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

Esta propriedade permite que os sistemas quânticos representem muitas possibilidades em simultâneo, ampliando significativamente o seu potencial computacional. Entretanto, os circuitos quânticos ligam qubits através de sequências de portas quânticas, que controlam o fluxo e a interação das informações para orientar gradualmente o sistema até uma solução quase ótima.

Otimização clássica versus quântica#

Veja algumas diferenças importantes 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 simultaneamente usando as propriedades exclusivas da física quântica.
• Poder de processamento: os computadores clássicos usam bits que podem ser 0 ou 1. Os computadores quânticos usam qubits, que podem ser 0 e 1 ao mesmo tempo e se conectar entre si, permitindo lidar 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 lidar com problemas muito maiores e mais complexos, difíceis de resolver com os computadores atuais.
• Resultado: os resultados clássicos são previsíveis e reproduzíveis. Os resultados quânticos se baseiam em probabilidades, então a mesma tarefa pode gerar resultados um pouco diferentes, que são refinados ao longo de várias execuções para encontrar a melhor resposta.

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

Como funciona a otimização quântica#

Agora, vamos ver como a otimização quântica funciona na prática. Tudo começa com a definição de um problema do mundo real e sua conversão para um formato que um computador quântico possa processar.

Veja uma visão geral das principais etapas da otimização quântica:

• Etapa 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 energético, e o objetivo é encontrar o mais baixo, que representa a solução mais eficiente ou ideal.
• Etapa 2: codificar o problema em um circuito quântico: em seguida, o problema é convertido em um circuito quântico. Nele, os qubits (bits quânticos) representam dados e podem explorar muitas soluções simultaneamente por meio da superposição.
• Etapa 3: guiar o sistema até a melhor solução: em seguida, o computador quântico ajusta os qubits passo a passo, permitindo que o sistema se aproxime da solução de menor energia, ou da melhor solução. Esse processo é conhecido como recozimento quântico ou evolução adiabática, dependendo do método usado. Ele ajuda o sistema a se estabilizar no estado mais promissor.
• Etapa 4: medir e interpretar os resultados: quando o sistema se estabiliza, os qubits são medidos para produzir uma solução aproximada. Muitas vezes, são feitas várias execuções para medir a qualidade da solução e confirmar sua confiabilidade.
• Etapa 5: combinar com a computação clássica para refinar a solução: por fim, os computadores clássicos voltam ao processo. Eles analisam e ajustam os resultados das execuções quânticas para melhorar a precisão. Essa abordagem híbrida, usada em métodos como QAOA (Algoritmo Quântico de Otimização Aproximada) e VQE (Resolvedor Quântico Variacional de Autovalores), 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, pesquisadores desenvolveram vários algoritmos de otimização quântica que buscam resolver problemas complexos com mais eficiência. Essas abordagens estão moldando o futuro da área. Vamos conhecer algumas das principais.

Recozimento quântico#

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

O método se inspira em um processo físico conhecido como recozimento, no qual um material é resfriado lentamente para atingir um estado estável de baixa energia. De forma semelhante, o recozimento quântico guia gradualmente um sistema quântico até seu estado de energia mais baixa, 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 possíveis e se estabilize em uma próxima da ideal. Como os resultados são probabilísticos, o processo costuma ser repetido várias vezes, muitas vezes com o uso posterior da computação clássica para refinar as respostas.

O recozimento quântico mostra potencial para resolver problemas de otimização do mundo real em áreas como logística, agrupamento e alocação de recursos. No entanto, pesquisadores ainda estão estudando quando e como ele pode superar os métodos tradicionais.

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

Algoritmo Quântico de Otimização Aproximada (QAOA)#

O Algoritmo Quântico de Otimização Aproximada (QAOA) 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 hamiltonianas.

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

O QAOA é executado em sistemas híbridos quânticos e clássicos, nos quais o computador quântico gera soluções possíveis e um computador clássico ajusta os 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 forma de dividir uma rede em duas partes) e cobertura de vértices (selecionar o menor conjunto de nós que se conecte a cada aresta de uma rede). Embora as pesquisas ainda estejam em andamento, o QAOA é amplamente considerado um passo promissor para combinar a otimização clássica e a quântica.

Resolvedor Quântico Variacional de Autovalores (VQE)#

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

Ele é usado principalmente para estimar o estado fundamental, ou seja, a energia mais baixa possível, de um sistema quântico. Isso o torna especialmente útil para estudar o comportamento de moléculas e materiais em 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 os parâmetros para melhorar a precisão.

Como exige menos qubits e circuitos mais simples, o VQE tem bom desempenho nos dispositivos NISQ (quânticos ruidosos de escala intermediária) atuais. Eles são os computadores quânticos da geração atual: têm um número limitado de qubits e sofrem interferência de ruído, mas ainda são poderosos o bastante para pesquisas e experimentos práticos iniciais.

O VQE se tornou uma ferramenta essencial em química quântica, ciência dos materiais e otimização de processos. Ele ajuda pesquisadores a modelar moléculas, estudar reações e encontrar configurações estáveis.

Fig. 4. Conheça o Resolvedor Quântico Variacional de Autovalores (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. Ela costuma ser aplicada quando o objetivo é encontrar o melhor resultado possível, mantendo determinadas condições dentro de um intervalo válido.

Os algoritmos quânticos de SDP buscam acelerar esses cálculos, especialmente quando os dados envolvem muitas variáveis ou espaços complexos de alta dimensionalidade. Eles usam princípios da computação quântica para analisar várias possibilidades simultaneamente, o que pode tornar a resolução de problemas em grande escala mais eficiente.

Esses algoritmos estão sendo estudados em áreas como machine learning, processamento de sinais e sistemas de controle, nas quais podem ajudar modelos a reconhecer padrões, melhorar previsões ou gerenciar sistemas complexos. Embora as pesquisas continuem, a SDP quântica é promissora para acelerar tarefas avançadas de otimização que são difíceis para computadores clássicos.

Aplicações da otimização quântica em IA#

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

A seguir, vamos analisar alguns exemplos e casos de uso emergentes que destacam o potencial dessa tecnologia em cenários do mundo real.

Aceleração do ajuste de modelos de machine learning#

A otimização quântica está a ser explorada para melhorar o ajuste dos modelos de aprendizagem automática, especialmente no que diz respeito à otimização de hiperparâmetros e à seleção de características. Os avanços recentes nos processadores de átomos neutros também estão a alargar o âmbito das experiências de otimização quântica em IA e aprendizagem automática.

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

Aplicações na indústria e destaques de pesquisas#

As principais empresas de tecnologia já estão experimentando essas ideias. Por exemplo, a equipe de pesquisa do Google demonstrou recentemente uma vantagem quântica generativa, na qual um processador de 68 qubits aprendeu a gerar distribuições complexas, apontando para possíveis aplicações no treinamento de modelos generativos.

Da mesma forma, a NVIDIA está conectando as áreas quântica e de IA ao integrar pesquisas quânticas ao 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 híbrido quântico e clássico no Amazon Braket, que usa circuitos quânticos em conjunto com otimização clássica para ajustar parâmetros de tarefas de classificação de imagens.

Otimização em logística, agendamento e roteamento#

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

Um bom exemplo é o agendamento de redes elétricas, em que os operadores têm de equilibrar a oferta e a procura de eletricidade em tempo real, reduzindo os custos e mantendo a fiabilidade. Os investigadores utilizaram a otimização quântica para representar este desafio de agendamento como uma paisagem de energia ou um Hamiltoniano.

Nesse caso, o objetivo é encontrar o estado de menor energia, que representa a configuração mais eficiente. Por exemplo, os solucionadores quânticos da D-Wave foram testados em problemas desse tipo e demonstraram resultados mais rápidos e flexíveis em comparação com métodos tradicionais de otimização.

Ideias semelhantes estão sendo estudadas 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 os sistemas de IA planejam e tomam decisões diante de restrições do mundo real.

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

A otimização quântica também está ganhando atenção em áreas nas quais é essencial compreender interações moleculares complexas e paisagens de energia. Por exemplo, na descoberta de medicamentos 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 explorados para acelerar processos como a previsão da estrutura de proteínas e a busca por conformações moleculares. Os pesquisadores também estudam maneiras de combinar computação quântica e inteligência artificial para aprimorar a forma como os modelos aprendem e extraem características dos dados.

À medida que o hardware quântico continua avançando, essas abordagens combinadas podem levar a grandes avanços em química, biologia e pesquisa de materiais, permitindo descobertas mais rápidas e simulações mais precisas em nível molecular.

Vantagens e desvantagens da otimização quântica#

Veja algumas vantagens do uso da otimização quântica:

• Algoritmos inspirados na computação quântica: mesmo antes de haver computadores quânticos de grande escala, pesquisadores usam métodos de otimização inspirados na computação quântica em sistemas clássicos. Essas abordagens podem oferecer desempenho mais rápido para tipos específicos de problemas ao imitar estratégias quânticas.
• Melhorias no hardware e solucionadores híbridos: O desenvolvimento de novos processadores quânticos e solucionadores híbridos baseados na nuvem está possibilitando combinar computação quântica e clássica. Isso permite testes e experimentos práticos hoje, mesmo com hardware em estágio inicial.
• Avanços na pesquisa colaborativa: IBM Quantum, Qiskit e outras comunidades de pesquisa abertas estão desenvolvendo ativamente algoritmos, conjuntos de ferramentas e recursos educacionais que tornam a otimização quântica mais acessível.

Embora a pesquisa quântica esteja avançando rapidamente, ainda há alguns desafios que impedem a adoção em grande escala. Confira algumas das principais limitações a considerar:

• Limitações de hardware: Os computadores quânticos atuais têm um número limitado de qubits e são muito 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 exige muitos recursos, pois os recursos computacionais necessários crescem exponencialmente com o número de qubits. Isso dificulta testar e validar algoritmos quânticos de grande escala.
• Falta de padrões de benchmarking: A pesquisa em otimização quântica ainda carece de benchmarks consistentes para comparar algoritmos e o desempenho do hardware. Embora estejam em andamento iniciativas para criar métodos de avaliação padronizados, ainda não existe uma estrutura universal para medir melhorias de desempenho no mundo real.

Principais conclusões#

A otimização quântica está transformando a maneira como pensamos sobre a resolução de problemas em inteligência artificial, ciência e indústria. Ao combinar o poder da computação quântica com métodos clássicos, pesquisadores encontram novas maneiras de lidar com a complexidade e acelerar descobertas. À medida que o hardware melhora e os algoritmos amadurecem, a otimização quântica pode se tornar um dos principais impulsionadores da próxima geração de tecnologias inteligentes.

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