Temporal information processing on a 4,500-qubit quantum annealer

No mundo da computação, as máquinas estão se tornando mais rápidas e menores, mas existe um desafio persistente: descobrir como torná-las verdadeiramente úteis para as tarefas complexas do futuro. Um caminho promissor envolve ensinar os computadores a aprender com padrões em dados, um campo conhecido como aprendizado de máquina (machine learning). Embora os computadores clássicos sejam excelentes em muitas coisas, eles às vezes têm dificuldade com dados que mudam ao longo do tempo, como padrões climáticos ou mercados de ações, porque carecem de uma maneira natural de lembrar o passado enquanto processam o presente. Cientistas há muito suspeitam que máquinas quânticas, que operam sob as regras estranhas do mundo subatômico, poderiam lidar melhor com esse tipo de informação temporal. No entanto, construir um computador quântico que seja grande o suficiente para ser útil e simples o suficiente para ser treinado tem sido um grande obstáculo. A maioria das tentativas exige processos de treinamento caros e difíceis que frequentemente falham à medida que as máquinas crescem.

Uma equipe de pesquisadores deu agora um passo significativo à frente ao testar uma nova abordagem em uma máquina quântica massiva. Eles usaram um dispositivo chamado recozedor quântico (quantum annealer), que é um tipo de computador quântico projetado para resolver problemas específicos ao encontrar o estado de menor energia de um sistema. Em vez de tentar treinar toda a máquina para aprender, eles a trataram como um motor natural e não treinado que gera movimentos internos complexos. Ao alimentar esse motor com dados temporais e ler os resultados, eles criaram um modelo que pode lembrar entradas passadas e prever futuras. Este experimento, que utilizou até 4.500 bits quânticos físicos, ou qubits, representa o maior teste de aprendizado de máquina quântica realizado até o momento. Os pesquisadores descobriram que a máquina podia prever com sucesso séries temporais caóticas e imprevisíveis, provando que esses dispositivos quânticos de grande escala podem servir como ferramentas poderosas para o processamento de informações sem a necessidade de ciclos de treinamento dispendiosos.

O cerne deste experimento baseia-se num conceito chamado computação de reservatório (reservoir computing). Imagine uma pedra lançada num lago; as ondulações que se espalham são complexas e dependem da forma da pedra e da profundidade da água. Se você observar as ondulações, pode dizer algo sobre a pedra que foi lançada, mesmo que não tenha visto o impacto. Nesta versão quântica, o "lago" é o próprio computador quântico, e as "ondulações" são os movimentos naturais e não treinados dos qubits. Os pesquisadores não tentaram ensinar a máquina o que fazer. Em vez disso, simplesmente deixaram a máquina evoluir de acordo com suas próprias leis internas enquanto alimentavam o sistema com um fluxo de dados. A resposta natural da máquina a esses dados criou um mapa de alta dimensão da informação. A única parte que eles treinaram foi um passo final simples, uma leitura linear, que aprendeu como traduzir o estado interno complexo da máquina em uma previsão útil. Esta abordagem evita os problemas de otimização difíceis e caros que geralmente assolam o aprendizado de máquina quântica.

Para testar esta ideia, a equipe utilizou um recozedor quântico D-Wave, um dispositivo supercondutor programável. Eles programaram a máquina com um cronograma específico que envolvia um processo conhecido como recozimento reverso (reverse annealing). Esta técnica inicia a máquina em um estado conhecido, move-a de volta para um estado mais quântico e flutuante, mantém-na lá por um momento e depois a move novamente para frente. Esta pausa permite que o sistema explore seu ambiente local e se estabeleça em uma nova configuração que retém informações sobre a entrada recebida. Os pesquisadores descobriram que este movimento específico era crucial. Quando desligaram as interações entre os qubits, fazendo com que agissem efetivamente sozinhos, a máquina perdeu toda a memória da entrada. Isso provou que a interação complexa entre os qubits durante o processo de recozimento é essencial para que a máquina retenha informações ao longo do tempo.

Os pesquisadores então submeteram seu modelo a uma série de testes rigorosos para ver quão bem ele poderia lembrar e processar dados. Primeiro, verificaram sua capacidade de recordar entradas passadas, uma medida conhecida como capacidade de memória. Eles descobriram que, ao usar um mecanismo de feedback para retroalimentar a própria saída da máquina, o sistema conseguia lembrar informações por muito mais tempo do que os modelos padrão permitem. Na verdade, a memória não apenas desaparecia; ela mostrava sinais de reviver, sugerindo que o sistema estava retendo informações de uma forma complexa e não linear. Eles também testaram o tamanho da máquina, descobrindo que todo o poder dos 4.500 qubits era necessário para alcançar esses resultados. Versões menores da mesma configuração falharam em reter as correlações necessárias, destacando que a escala massiva do sistema quântico foi um fator chave para o seu sucesso.

Além da memória simples, a equipe desafiou a máquina com tarefas que exigem a compreensão de relações complexas. Pediram que ela resolvesse um enigma lógico conhecido como tarefa XOR, que envolve determinar a paridade de duas entradas. Este é um problema que uma máquina linear simples não consegue resolver, mas o reservatório quântico o lidou com alta precisão, prevendo o resultado corretamente quase 99 por cento das vezes. Isso demonstrou que a máquina não estava apenas memorizando dados, mas estava realmente transformando-os em uma forma onde padrões complexos se tornavam visíveis. O teste mais exigente, porém, foi a previsão de séries temporais caóticas. Os pesquisadores alimentaram a máquina com dados de dois modelos matemáticos famosos que geram comportamento caótico e imprevisível: a série Mackey-Glass e um sistema de duplo scroll (double-scroll). A máquina previu com sucesso os valores futuros dessas séries, mesmo para etapas muito distantes no futuro. No caso do sistema de duplo scroll, a máquina foi capaz de reconstruir o atrator caótico, uma forma geométrica complexa que define o comportamento do sistema, marcando a primeira vez que tal reconstrução foi alcançada usando um computador quântico.

Os resultados deste estudo sugerem que os rececedores quânticos são uma plataforma viável para o aprendizado de máquina em larga escala, particularmente para tarefas envolvendo dados dependentes do tempo. Os pesquisadores mostraram que, ao aproveitar a dinâmica nativa de um grande sistema quântico, eles puderam processar informações temporais sem a necessidade do treinamento pesado que limita outras abordagens. Eles também forneceram evidências de que a natureza quântica das interações, especificamente a dinâmica de muitos corpos gerada durante o processo de recozimento, é indispensável para o funcionamento do sistema. Embora permaneça uma questão aberta se computadores clássicos poderiam eventualmente simular estes resultados, o experimento demonstra que o hardware quântico atual já pode realizar tarefas que são difíceis para modelos padrão. Este trabalho abre um novo caminho para o uso de máquinas quânticas não apenas para otimização, mas como motores poderosos para aprendizado e previsão, provando que, às vezes, a melhor maneira de ensinar uma máquina é deixá-la rodar por conta própria.