Parametrized Quantum Circuit Learning for Quantum Chemical Applications

Os químicos há muito dependem de computadores poderosos para prever como as moléculas se comportam, uma tarefa que frequentemente exige a resolução de equações incrivelmente complexas para compreender o mundo invisível dos eletrões. Durante décadas, estes cálculos foram o domínio dos computadores clássicos, que processam informação de uma maneira direta e passo a passo. No entanto, surgiu uma nova fronteira onde os cientistas tentam aproveitar as regras estranhas da mecânica quântica — a física que governa as menores partículas — para resolver estes enigmas químicos. A esperança é que, ao utilizar computadores quânticos, que podem existir em múltiplos estados simultaneamente, os investigadores possam um dia prever propriedades moleculares de forma mais rápida e precisa do que nunca. Uma abordagem específica chamada aprendizagem automática quântica tenta fundir estes dois mundos, utilizando computadores quânticos para aprender padrões em dados químicos tal como um ser humano aprenderia através da experiência. Contudo, embora a teoria seja entusiasmante, permanece incerto se estas máquinas conseguem realmente superar os computadores clássicos que já utilizamos para problemas químicos quotidianos.

Uma equipa de investigadores decidiu testar esta ideia construindo e treinando uma grande variedade de circuitos digitais concebidos para correr em computadores quânticos. Eles focaram-se em dois desafios químicos muito diferentes para ver quão bem estes circuitos conseguiriam aprender. O primeiro desafio envolvia prever a energia necessária para quebrar ligações químicas específicas num grande conjunto de moléculas, uma tarefa que é relativamente simples para computadores padrão. O segundo desafio era mais especializado, envolvendo a previsão do comportamento eletrónico em moléculas de água, um problema que está profundamente enraizado na própria mecânica quântica. Para o fazer, os cientistas construíram 168 versões diferentes destes circuitos quânticos, misturando e combinando 14 formas de introduzir dados na máquina com 12 estruturas internas diferentes desenhadas para processar essa informação. Eles testaram estes circuitos em simulações de computadores quânticos com cinco e dezasseis bits quânticos, as unidades básicas de informação num sistema quântico, antes de finalmente executarem os seus melhores designs em hardware quântico físico real.

Os resultados pintaram um quadro de promessa e de limitações significativas. Quando os investigadores testaram os circuitos nos dados de energia de quebra de ligação, os modelos quânticos tiveram imensas dificuldades. Mesmo os circuitos com melhor desempenho não conseguiram prever os valores de energia com qualquer precisão útil, muitas vezes não desempenhando melhor do que simplesmente adivinhar o valor médio para cada molécula. O estudo sugere que a forma como os dados químicos foram traduzidos para um formato que o computador quântico pudesse compreender pode ter removido demasiados detalhes, deixando a máquina com informação insuficiente para aprender. Em contraste, os circuitos quânticos tiveram um desempenho muito melhor nos dados da molécula de água, que lidam diretamente com o comportamento eletrónico. Aqui, os modelos foram capazes de aprender os padrões suficientemente bem para fazer previsões precisas, atingindo um nível de sucesso que poderia ser considerado útil. Esta diferença sugere que as máquinas quânticas podem ser mais adequadas para problemas que são inerentemente quânticos por natureza, em vez de tentarem resolver problemas que os computadores clássicos já lidam facilmente.

Os investigadores também investigaram se tornar os circuitos mais complexos ajudaria a aprender melhor. Eles tentaram adicionar mais camadas aos circuitos e passar os dados pela máquina várias vezes, uma técnica destinada a ajudar o modelo a captar padrões mais intrincados. Para os dados de quebra de ligação, adicionar complexidade não fez diferença; os modelos permaneceram estagnados. Para os dados da molécula de água, no entanto, aumentar a profundidade do circuito melhorou a precisão, permitindo que o modelo aprendesse de forma mais eficaz. No entanto, mesmo com estas melhorias, os modelos quânticos ainda não conseguiam igualar o desempenho dos melhores modelos de computação clássica, que resolveram ambos os problemas com precisão quase perfeita. O estudo argumenta explicitamente contra a ideia de que simplesmente adicionar mais parâmetros ou dados de treino a um circuito quântico levará automaticamente a resultados superiores, mostrando que, para estas tarefas químicas específicas, a abordagem quântica é atualmente ultrapassada pelos métodos tradicionais.

O teste final envolveu executar o modelo de molécula de água mais bem-sucedido num computador quântico real disponível ao público. Embora a simulação num computador tenha previsto os resultados com alta precisão, no momento em que o experimento passou para o dispositivo físico real, o desempenho colapsou. O ambiente ruidoso da máquina real, cheio de interferência e erros, fez com que as previsões se tornassem pouco fiáveis e imprecisas. Este resultado destaca um grande obstáculo: embora a teoria matemática destes circuitos funcione bem numa simulação perfeita e sem ruído, a geração atual de hardware quântico é simplesmente demasiado imperfeita para lidar com os cálculos delicados exigidos para aplicações químicas práticas. O estudo conclui que, embora a aprendizagem automática quântica possua potencial teórico, particularmente para problemas que são naturalmente quânticos, a tecnologia ainda não está pronta para substituir os computadores clássicos para as tarefas químicas que foi desenhada para enfrentar. O caminho a seguir, sugerem os autores, não reside apenas em construir máquinas maiores, mas em encontrar novas formas de estruturar os problemas químicos para que beneficiem verdadeiramente das capacidades únicas da computação quântica.