Experimentally Extending Quantum Kernel Learning to Quantum Data by NMR

O aprendizado de máquina tornou-se uma ferramenta poderosa para encontrar padrões em vastas quantidades de informações, desde a previsão do tempo até o reconhecimento de faces. No entanto, quando os próprios dados vêm do mundo quântico — o reino dos átomos e partículas subatômicas onde as regras da física se comportam de forma muito diferente — programas de computador padrão costumam ter dificuldades. Eles são projetados para lidar com informações clássicas, como números e imagens, mas não conseguem processar facilmente as estruturas complexas e invisíveis de sistemas quânticos sem antes traduzi-las para uma forma que perde grande parte de seu caráter único. Cientistas há muito teorizam que, se pudéssemos ensinar máquinas a aprender diretamente de dados quânticos, usando as propriedades naturais de sistemas quânticos para realizar o trabalho, poderíamos desbloquear um novo nível de eficiência. Essa ideia situa-se na interseção de dois campos em rápido avanço: a ciência da informação quântica, que estuda como usar a mecânica quântica para computação, e o aprendizado estatístico, que ensina computadores a fazer previsões. O desafio tem sido passar da teoria para a prática, provando que uma máquina pode realmente aprender a partir de entradas quânticas sem precisar de um computador quântico massivo e livre de erros para fazer isso.

Uma equipe de pesquisadores do Instituto Indiano de Ciência, Educação e Pesquisa em Pune deu agora um passo significativo para tornar isso uma realidade. Eles demonstraram com sucesso um método chamado aprendizado de kernel quântico em um dispositivo quântico físico, mostrando que ele pode não apenas processar dados padrão, mas também aprender diretamente de operadores quânticos, que são as descrições matemáticas de como os sistemas quânticos mudam. O trabalho deles, conduzido usando um sistema de ressonância magnética nuclear de estado líquido — uma técnica que utiliza as propriedades magnéticas dos núcleos atômicos em moléculas para atuar como um processador quântico — prova que essas máquinas podem identificar padrões complexos em dados quânticos que métodos tradicionais perdem. Ao treinar seu sistema em um conjunto específico de operações quânticas, eles mostraram que ele poderia classificar corretamente novas operações não vistas com alta precisão, mesmo quando essas novas operações eram completamente diferentes das que havia estudado. Isso sugere que o método captura a estrutura profunda e subjacente do mundo quântico, permitindo que generalize seu conhecimento muito além de seu treinamento.

Para entender o que a equipe alcançou, ajuda olhar para como eles abordaram o problema em duas etapas. Primeiro, eles testaram seu sistema em dados clássicos, que é o tipo de informação que usamos todos os dias, como números representando uma curva ou um conjunto de pontos em um gráfico. Eles usaram uma molécula chamada trifosfito de trimetila, que contém dez núcleos atômicos que atuam como qubits, as unidades básicas de informação quântica. Nesta configuração, um núcleo central está conectado a outros nove, formando uma forma de estrela. Os pesquisadores codificaram números clássicos no sistema quântico aplicando pulsos magnéticos específicos que rotacionavam os spins desses núcleos. Eles então mediram como o sistema respondia a pares desses números para criar um "kernel", que é essencialmente uma medida de quão semelhantes são dois pontos de dados em um espaço de alta dimensão. Os resultados foram impressionantes: o sistema pôde prever a forma de uma onda senoidal e uma curva polinomial complexa com mais de 98% de precisão, e pôde separar dois tipos diferentes de pontos de dados em um espaço bidimensional com pouquíssimos erros. Isso confirmou que seu hardware quântico poderia realizar tarefas de aprendizado de máquina padrão de forma confiável.

A verdadeira descoberta, no entanto, veio quando eles foram além dos dados clássicos para enfrentar o problema muito mais difícil de aprender a partir dos próprios dados quânticos. Na segunda fase, a entrada para sua máquina não foi um número, mas um operador quântico — uma descrição de uma transformação que altera o estado de um sistema quântico. Especificamente, eles queriam saber se o sistema poderia distinguir entre dois tipos de transformações: aquelas que criam "emaranhamento", uma conexão quântica única onde as partículas tornam-se ligadas independentemente da distância, e aquelas que não o fazem. Para fazer isso, eles usaram uma molécula diferente, dibromofluorometano, que forneceu um sistema de três qubits arranjados em uma estrutura de estrela de camada dupla. Eles alimentaram a máquina com vários operadores quânticos, alguns dos quais eram conhecidos por criar emaranhamento e outros que não, e pediram ao sistema que aprendesse a diferença.

Os resultados deste experimento foram impressionantes e destacaram uma vantagem fundamental de aprender diretamente de dados quânticos. Quando os pesquisadores simularam uma abordagem tradicional, na qual tentaram descrever os operadores quânticos usando um conjunto de parâmetros clássicos, o sistema falhou em generalizar. Ele só conseguia reconhecer os padrões que havia visto durante o treinamento e falhava completamente quando apresentado a novos dados fora desse intervalo específico. Em contraste, o método de aprendizado de kernel quântico, que processou os operadores diretamente sem convertê-los em números clássicos, alcançou uma precisão de 85% nos dados experimentais e 94% nas simulações numéricas. Crucialmente, o modelo foi treinado apenas em operadores de uma metade do intervalo possível de variações, mas identificou com sucesso os operadores de emaranhamento na outra metade, uma região que ele nunca havia visto antes. Essa capacidade de generalização sugere que o método de kernel quântico não está apenas memorizando exemplos, mas está realmente aprendendo a simetria fundamental e a estrutura do espaço dos operadores quânticos.

Este trabalho demonstra que máquinas quânticas podem aprender a partir de entradas quânticas de uma forma que computadores clássicos não conseguem replicar facilmente. Os pesquisadores mostraram que, ao usar a linguagem nativa da mecânica quântica, eles poderiam comparar operações quânticas diretamente, evitando a necessidade de técnicas de medição caras e complexas que seriam necessárias para entender os dados. Embora o experimento tenha sido conduzido em pequena escala usando uma plataforma de RMN especializada, as descobertas fornecem um roteiro prático para como computadores quânticos poderão eventualmente ser usados para analisar e aprender de outros sistemas quânticos. Isso pode ter implicações profundas para a compreensão de materiais complexos, simulação de física de altas energias e desenvolvimento de novas tecnologias quânticas, pois oferece uma maneira de extrair padrões significativos do mundo quântico sem perder a própria informação que o torna único. O estudo confirma que o aprendizado de kernel quântico é um caminho viável, oferecendo uma ferramenta que pode ver a ordem oculta nos dados quânticos onde outros métodos falham.