Fast Quantum Amplitude Encoding of Typical Classical Data

Os computadores quânticos prometem resolver certos problemas com uma velocidade que as máquinas clássicas simplesmente não podem igualar. Entre as ferramentas mais poderosas neste novo arsenal está a transformada de Fourier quântica, uma operação matemática que pode analisar padrões em dados exponencialmente mais rápido do que a sua contraparte clássica. Esta capacidade possui um potencial imenso para campos que vão desde a criptografia até o diagnóstico por imagem médica. No entanto, existe um obstáculo significativo no caminho para a realização deste potencial. Antes que um computador quântico possa realizar estes cálculos ultrarrápidos, os dados que ele precisa processar devem ser traduzidos do mundo clássico de bits e bytes para o mundo quântico dos qubits. Este processo de tradução, conhecido como preparação de estado, tem sido historicamente um gargalo lento e penoso. Se o tempo necessário para carregar os dados for maior do que o tempo que o computador quântico economiza durante o cálculo, toda a vantagem desaparece. Para conjuntos de dados massivos, como as imagens detalhadas capturadas por satélites, este problema de carregamento tem sido um grande obstáculo.

Uma equipa de investigadores do Centro Aeroespacial Alemão e da Universidade de Colónia desenvolveu um novo método para superar este gargalo, oferecendo uma forma de carregar dados clássicos num estado quântico muito mais rapidamente do que antes. A sua abordagem foca-se numa técnica chamada codificação de amplitude, onde os valores de um vetor clássico são armazenados como as probabilidades, ou amplitudes, de um estado quântico. Os investigadores melhoraram um protocolo existente ao introduzir uma forma inteligente de lidar com os dados em paralelo e ao utilizar um truque matemático chamado amplificação de amplitude para aumentar a taxa de sucesso da codificação. Nas suas simulações, este novo método reduziu o tempo necessário para preparar o estado quântico de uma relação linear com o tamanho dos dados para uma escala muito mais favorável. Para dados típicos, distribuídos aleatoriamente, o tempo necessário para carregar a informação cresce muito lentamente, seguindo um padrão de O(log^1.5 N), o que é significativamente melhor do que o que se pensava anteriormente possível para entradas genéricas.

O cerne do desafio reside no volume colossal de dados envolvidos nas aplicações modernas. Considere um único conjunto de dados de um radar de abertura sintética, que pode conter biliões de amostras individuais representando um mapa da superfície da Terra. Para processar isto num computador quântico, cada número nesse enorme array deve ser convertido num estado quântico. Os métodos anteriores para fazer isto eram frequentemente demasiado lentos, exigindo um número de passos que crescia diretamente com o tamanho dos dados, anulando efetivamente a vantagem de velocidade do processador quântico. O novo algoritmo aborda isto permitindo a codificação de múltiplas entradas do vetor de dados simultaneamente. Os investigadores introduziram um parâmetro que controla quantos pedaços de dados são processados em paralelo de cada vez. Ao ajustar este parâmetro, eles podem fazer uma troca entre a quantidade de memória que o computador quântico necessita e a velocidade com que os dados são carregados.

O processo começa com um computador clássico que prepara os dados para a máquina quântica. Ele converte os números de entrada num formato binário específico que o circuito quântico consegue compreender. Este passo de pré-processamento é altamente eficiente e pode ser feito em paralelo para todos os pontos de dados. Uma vez que os dados estejam prontos, o circuito quântico assume o controlo. Ele utiliza uma série de rotações controladas para transformar uma superposição uniforme de estados numa superposição ponderada, onde os pesos correspondem aos valores dos dados originais. Uma inovação fundamental neste trabalho é o uso da amplificação de amplitude. Na versão original deste protocolo, o circuito só produziria o resultado correto se uma medição específica resultasse num determinado desfecho, o que acontecia com uma probabilidade igual à "densidade" dos dados. Se a medição falhasse, todo o processo tinha de ser reiniciado. O novo método utiliza uma técnica semelhante ao algoritmo de busca de Grover para amplificar a probabilidade do desfecho correto, reduzindo o número de vezes que o circuito precisa de ser executado de um número linear para a raiz quadrada desse número. Este aumento quadrático é a razão principal pela qual o processo total se torna muito mais rápido.

Os investigadores testaram a sua teoria não apenas com números aleatórios, mas com dados do mundo real. Eles analisaram imagens do satélite Sentinel-1A, que captura vistas de radar detalhadas da Terra. Ao dividir estas imagens grandes em setores menores e calcular a densidade de dados para cada um, descobriram que o comportamento médio dos dados do mundo real correspondia de perto às previsações teóricas para entradas aleatórias. A densidade dos dados nestas imagens era baixa o suficiente para que o novo algoritmo pudesse carregar a informação num estado quântico num tempo que escala como O(log^1.5 N) com o tamanho dos dados. Isto significa que, mesmo à medida que as imagens se tornam maiores e maiores, o tempo necessário para as carregar no computador quântico cresce muito lentamente, embora não tão lentamente quanto uma escala puramente logarítmica. Esta descoberta é crucial porque sugere que a transformada de Fourier quântica pode agora ser aplicada a estes conjuntos de dados massivos com uma vantagem de velocidade real, preservando o aumento exponencial que torna o algoritmo quântico tão poderoso.

Embora o método exija um número significativo de qubits auxiliares para operar em paralelo, os investigadores observam que esta é uma troca gerível. O registo quântico principal que detém o estado codificado final é exponencialmente menor do que a memória clássica necessária para armazenar os dados originais. Esta compressão é um dos benefícios fundamentais da computação quântica. A capacidade de carregar dados rapidamente e depois processá-los com a transformada de Fourier quântica abre a porta a novas aplicações em análise de imagem e aprendizagem automática. Por exemplo, os dados transformados poderiam ser usados diretamente como entrada para outros algoritmos quânticos sem necessidade de serem medidos e convertidos de volta para a forma clássica, preservando ainda mais a vantagem de velocidade. O estudo fornece evidência numérica forte de que esta escala favorável se mantém para cenários complexos do mundo real, aproximando o campo das aplicações práticas onde os computadores quânticos podem verdadeiramente superar os seus homólogos clássicos.

O trabalho também se estende para além dos números reais simples para lidar com números complexos, que são essenciais para muitas tarefas de processamento de sinal, como as encontradas em radares. Ao codificar tanto a magnitude como a fase dos dados separadamente, o algoritmo mantém a sua eficiência mesmo para estes inputs mais complexos. Os investigadores enfatizam que a sua abordagem não é uma solução mágica para todos os tipos de dados; o aumento de velocidade depende das características específicas do input, como a sua densidade. No entanto, para a vasta classe de dados que se comporta como uma distribuição aleatória ou que possui a natureza esparsa e estruturada da imagiologia de satélite, os resultados são promissores. O estudo demonstra que o longo gargalo do carregamento de dados pode ser significativamente aliviado, permitindo que o poder teórico dos algoritmos quânticos seja realizado na prática. Ao provar que o tempo de execução médio para inputs típicos é muito mais rápido do que o pior cenário, os investigadores forneceram um caminho claro para integrar o processamento quântico em fluxos de trabalho que lidam com quantidades massivas de informação.