Os computadores quânticos prometem resolver problemas que são impossíveis para as máquinas de hoje, mas são notoriamente frágeis. As minúsculas partículas que carregam informação, chamadas qubits, são facilmente perturbadas pelo seu ambiente, causando erros que podem arruinar um cálculo. Para tornar estas máquinas úteis, os cientistas devem primeiro compreender exatamente como elas se comportam. Isso requer um processo chamado caracterização: medir a saída da máquina e trabalhar de trás para frente para descobrir o que está acontecendo lá dentro. É um pouco como tentar entender o funcionamento interno de um relógio complexo olhando apenas para os ponteiros, mas com um toque diferente. No mundo quântico, a matemática necessária para fazer a engenharia reversa das engrenagens do relógio torna-se tão esmagadoramente complicada que é efetivamente impossível resolver para qualquer coisa além dos menores dispositivos. À medida que estas máquinas crescem para centenas de qubits, os métodos tradicionais para entender o seu comportamento encontram uma barreira, deixando os investigadores com hardware poderoso que não conseguem compreender totalmente ou ajustar.

Uma equipa de investigadores desenvolveu uma nova forma de romper esta barreira, transformando um problema que era outrora computacionalmente impossível numa tarefa gerível. Em vez de tentar resolver as equações matemáticas complexas diretamente, ensinaram um computador a aprender a relação entre as configurações de uma máquina quântica e os seus resultados, observando milhões de exemplos simulados. Esta abordagem, que chamam de inferência baseada em simulação, permite-lhes construir um modelo digital que pode adivinhar instantaneamente as causas ocultas de qualquer medição que um computador quântico real produza. Os investigadores demonstraram este método em sistemas com até 81 qubits, identificando com sucesso padrões de ruído, corrigindo erros e até mapeando as posições físicas de átomos num simulador quântico simulado. Ao treinar uma rede neuronal em dados gerados por supercomputadores clássicos rápidos, criaram uma ferramenta que pode analisar um dispositivo quântico num único passo, fornecendo não apenas um palpite, mas uma imagem clara de quão confiante esse palpite é.

O cerne deste novo método baseia-se numa divisão inteligente de tarefas entre dois tipos de programas de computador. O primeiro é um simulador, um programa que imita como um sistema quântico deve comportar-se sob condições específicas. Embora simular um sistema quântico real seja difícil, os investigadores descobriram que, para muitos casos práticos, poderiam usar algoritmos clássicos simplificados para gerar grandes quantidades de dados de treino rapidamente. Eles alimentaram estes dados no segundo programa, uma rede neuronal concebida para aprender padrões. Esta rede foi treinada para observar a saída do simulador e prever imediatamente as configurações que a causaram. Uma vez treinada, esta rede atua como um tradutor universal. Quando um computador quântico real produz uma medição, a rede pode instantaneamente traduzir esses dados numa mappa de probabilidade do que provavelmente está a acontecer dentro da máquina. Isto elimina a necessidade de executar cálculos lentos e complexos para cada novo experimento, transformando uma tarefa que costumava levar horas ou dias numa questão de segundos.

Os investigadores testaram este framework em quatro desafios distintos, demonstrando a sua versatilidade através de diferentes tipos de problemas quânticos. Primeiro, utilizaram-no para aprender sobre o ruído num sistema de 50 qubits. Na computação quântica, o ruído refere-se aos erros aleatórios que se infiltram nos cálculos. A equipa identificou com sucesso as probabilidades específicas destes erros para centenas de portas diferentes, os blocos de construção dos circuitos quânticos. Descobriram que, embora algumas fontes de erro fossem fáceis de localizar, outras estavam intrinsecamente ligadas de uma forma que tornava impossível separá-las. Crucialmente, o seu método identificou automaticamente estes parâmetros "inidentificáveis", mostrando aos investigadores exatamente onde as suas medições eram insuficientes e onde precisavam de olhar mais de perto. Esta capacidade de distinguir entre o que pode ser conhecido e o que não pode ser é uma ferramenta de diagnóstico vital para melhorar futuros experimentos.

Em seguida, a equipa aplicou os seus modelos de ruído aprendidos para corrigir erros em tempo real. A mitigação de erros quânticos é uma técnica utilizada para limpar dados ruidosos sem a necessidade de um hardware perfeito. Ao alimentar o entendimento do ruído da rede neuronal nos protocolos de correção padrão, foram capazes de recuperar resultados precisos a partir de simulações ruidosas. Num teste envolvendo uma cadeia de átomos interagentes, o seu método reduziu os erros em mais de metade em comparação com as técnicas existentes, e continuou a funcionar com precisão mesmo ao prever resultados para profundidades de circuito que nunca tinha visto antes. Isto sugere que o modelo aprendeu a física subjacente dos erros em vez de apenas memorizar exemplos específicos, permitindo-lhe generalizar para novas situações.

O framework também se mostrou eficaz para a tomografia de estado quântico, um processo utilizado para reconstruir o estado quântico completo de um sistema. Normalmente, isto requer medir o sistema muitas vezes e realizar cálculos pesados para cada novo estado. Os investigadores treinaram a sua rede neuronal numa grande variedade de estados simulados e descobriram que ela podia reconstruir novos estados não vistos com uma precisão extremamente alta. Em testes com sistemas de 12 qubits, a rede reconstruiu os estados com uma fidelidade, ou precisão, superior a 99 por cento. Isto significa que o método pode servir como uma ferramenta reutilizável para verificar a qualidade dos estados quânticos sem a necessidade de retreinar o sistema para cada novo experimento, um passo significativo para tornar os diagnósticos quânticos práticos para máquinas de grande escala.

Finalmente, a equipa abordou o problema da aprendizagem de Hamiltoniano, que envolve descobrir as forças e interações exatas que governam um sistema quântico. Aplicaram o seu método a um arranjo simulado de 81 átomos, onde o objetivo era determinar as posições físicas precisas de cada átomo com base na forma como interagiam com os seus vizinhos. Mesmo com pequenos deslocamentos de apenas alguns nanómetros, a rede neuronal foi capaz de inferir as localizações dos átomos com uma precisão notável. Os resultados coincidiram com os valores reais com um alto grau de correlação, e as estimativas de incerteza da rede destacaram corretamente as poucas áreas onde os dados eram menos claros. Esta capacidade poderá ser crucial para calibrar futuros simuladores quânticos, onde o posicionamento físico dos átomos determina todo o comportamento da máquina.

O sucesso deste trabalho reside no facto de os investigadores não terem tentado resolver a matemática impossível diretamente. Em vez disso, aceitaram que não podiam calcular a resposta para cada nova situação. Ao investir tempo antecipadamente para treinar um modelo com uma quantidade massiva de dados simulados, criaram um sistema que compensa por ser incrivelmente rápido e reutilizável. O método funciona porque aproveita o facto de muitos sistemas quânticos, mesmo os grandes, possuírem estruturas que os computadores clássicos ainda conseguem simular eficientemente. Ao parear estes simuladores eficientes com redes neuronais poderosas, os investigadores criaram uma ponte entre os mundos clássico e quântico. Esta abordagem não substitui a necessidade de experiências físicas, mas fornece uma lente poderosa através da qual as observar, transformando dados brutos em percepções acionáveis sobre o mundo quântico.

As implicações deste trabalho estendem-se para além destes testes específicos. Os investigadores observam que o seu método é suficientemente geral para ser aplicado a muitos outros problemas na ciência quântica, como a calibração de sensores ou o design de controles de feedback. Embora os resultados atuais se baseiem em simulações, o framework foi desenhado para funcionar também com dados experimentais reais. A limitação principal continua a ser a capacidade de simular os dados de treino; se um sistema se tornar demasiado complexo para até os melhores simuladores clássicos, o método terá de se adaptar. No entanto, para a vasta gama de sistemas quânticos que são atualmente acessíveis, esta técnica oferece um caminho prático a seguir. Transforma a caracterização de dispositivos quânticos de um processo lento e personalizado numa capacidade estruturada e automatizada, aproximando-nos do dia em que os computadores quânticos poderão ser fiáveis, ajustados e confiáveis para aplicações do mundo real.