A simetria é uma linguagem fundamental do mundo físico, um conjunto de regras que dita como os sistemas se comportam e o que permanece inalterado quando são deslocados, rotacionados ou transformados. No reino da física quântica, onde as partículas existem em estados probabilísticos frágeis, essas simetrias não são apenas características estéticas; elas são as próprias restrições que definem a realidade, governando tudo, desde a conservação de energia até a estabilidade da matéria. Durante décadas, os cientistas confiaram em poderosas ferramentas matemáticas para descobrir essas regras ocultas em objetos clássicos, como encontrar padrões repetitivos em uma sequência de números. No entanto, quando o objeto de estudo é o próprio estado quântico — uma nuvem de probabilidade em vez de um número fixo — as regras mudam. Os estados quânticos são definidos apenas até uma fase global, um subtil desvio matemático que não altera a realidade física da partícula, mas complica a busca por suas simetrias subjacentes. Até agora, a capacidade de aprender eficientemente essas simetrias limitava-se a grupos simples e bem comportados e definições rígidas de invariância, deixando um vasto panorama de objetos quânticos complexos inexplorado.

Uma equipa de investigadores da Universidade de Cambridge e da Universidade de Oxford expandiu agora significativamente o mapa do que é computacionalmente possível neste campo. Eles desenvolveram um novo conjunto de algoritmos quânticos capazes de aprender as simetrias de uma gama muito mais ampla de objetos quânticos, incluindo estados quânticos complexos, os operadores que os manipulam e até os campos de energia conhecidos como Hamiltonianos. O seu trabalho vai além das limitações anteriores que restringiam estas descobertas a grupos comutativos simples e definições rígidas de simetria. Em vez disso, criaram métodos que funcionam para grupos não comutativos, onde a ordem das operações importa, e para uma definição de simetria mais naturalmente física que contabiliza a fase global. Isto significa que, pela primeira vez, um computador quântico pode identificar eficientemente os grupos de simetria ocultos de estados quânticos mistos e representações projetivas, que são as descrições algébricas mais gerais das simetrias quânticas.

O cerne da sua conquista reside na resolução de um problema conhecido como o Problema do Subgrupo Oculto do Estado, que pede a um computador quântico para encontrar o subgrupo oculto de simetrias que deixa um determinado estado quântico inalterado. Algoritmos anteriores só conseguiam lidar com esta tarefa quando o grupo de simetrias era abeliano, ou seja, quando as operações podiam ser realizadas em qualquer ordem sem alterar o resultado. Os investigadores quebraram esta barreira ao desenvolver um algoritmo eficiente para uma classe ampla de grupos não abelianos, especificamente aqueles que são "polinomialmente próximos de Hamiltonianos". Nestes grupos, embora nem todo o subgrupo seja perfeitamente normal, a estrutura é suficientemente próxima para permitir a computação eficiente. Eles alcançaram isto adaptando uma técnica chamada amostragem de Fourier fraca, que permite ao algoritmo extrair o "núcleo normal" do grupo de simetria oculto. Este núcleo é a maior parte do grupo de simetria que se comporta de forma previsível e, ao encontrá-lo, o algoritmo pode reconstruir a estrutura de simetria completa com alta probabilidade. Este avanço, por si só, melhora a eficiência da descoberta de simetrias em muitos casos conhecidos e estende o alcance do aprendizagem quântica para grupos que eram anteriormente considerados demasiado complexos.

Talvez a mudança mais profunda no seu trabalho seja a introdução da aprendizagem de simetria "anyônica". Na mecânica quântica padrão, dois estados que diferem apenas por um fator de fase global são fisicamente indistinguíveis; representam exatamente a mesma realidade. No entanto, os algoritmos tradicionais de aprendizagem de simetria exigiam que o estado fosse invariante exatamente, ignorando esta nuance física. Os investigadores introduziram um novo quadro onde um estado é considerado simétrico se permanecer inalterado até a fase global. Esta distinção é crucial para compreender sistemas quânticos do mundo real, particularmente aqueles que envolvem "grupos estabilizadores", que são conjuntos de operadores que deixam um estado quântico invariante. Ao permitir esta flexibilidade de fase, a equipa desenvolveu um algoritmo que reduz o problema de encontrar simetrias anyônicas ao problema mais simples de encontrar simetrias padrão. Eles conseguiram isto utilizando um truque matemático astuto envolvendo o produto tensorial do estado consigo mesmo, convertendo efetivamente a ambiguidade de fase num problema de simetria padrão que o computador pode resolver.

Para abordar o caso ainda mais complexo das representações projetivas, onde as operações de simetria incluem um "giro" ou uma multiplicação escalar que não pode ser removido, os investigadores fizeram uma ligação surpreendente com os códigos de correção de erros. Eles perceberam que o problema de linearizar estas representações "torcidas" podia ser mapeado diretamente na construção de códigos lineares, que são estruturas matemáticas usadas para detetar e corrigir erros na transmissão de dados. Ao tratar o problema da aprendizagem de simetria como um problema de teoria de códigos, foram capazes de desenhar algoritmos que utilizam códigos específicos para "desentortar" as representações projetivas, transformando-as em representações lineares padrão que um computador quântico pode processar. Esta abordagem permitiu-lhes resolver o problema de aprender os grupos estabilizadores de estados quânticos mistos arbitrários, uma tarefa que permanecia sem solução para casos gerais. O seu método é altamente eficiente, requerendo um número de cópias do estado quântico que escala logaritmicamente com o tamanho do sistema, tornando-o viável para aplicações práticas.

O âmbito da sua descoberta estende-se para além dos estados quânticos. Os investigadores demonstraram que as simetrias de outros objetos quânticos, tais como operadores unitários (que descrevem como os estados quânticos evoluem no tempo) e Hamiltonianos (que descrevem a energia de um sistema), podem ser aprendidas reduzindo estes problemas ao problema de aprendizagem de simetria de estado que já tinham resolvido. Por exemplo, para encontrar as simetrias de um Hamiltoniano, mostraram que se pode analisar as simidades do operador unitário que descreve a sua evolução temporal. Da mesma forma, abordaram o problema de aprender simetrias para uma coleção de estados ou um subespaço de estados, mostrando que estes também podem ser reduzidos ao problema central de aprendizagem de estado. Esta unificação sugere que a aprendizagem de simetria de estado é um bloco de construção fundamental, um primitivo universal que pode ser aplicado a uma vasta gama de tarefas de aprendizagem quântica.

As implicações deste trabalho são imediatas e práticas. Uma das aplicações mais significativas é a aprendizagem de grupos estabilizadores para estados mistos de dimensão local arbitrária. Na computação quântica, os grupos estabilizadores são essenciais para a correção de erros e a caracterização de estados quânticos. O novo algoritmo fornece o primeiro método explícito e provadamente correto para aprender estes grupos para qualquer estado misto, independentemente da dimensão dos indivíduos partículas quânticas (qudits). Esta é uma melhoria substancial em relação aos métodos anteriores, que se limitavam a estados puros ou dimensões específicas. Os investigadores também otimizaram os parâmetros dos seus algoritmos, mostrando como equilibrar o número de cópias de estados quânticos necessários face à velocidade da computação, fornecendo um roteiro para dispositivos quânticos de curto prazo que podem ter dificuldade em manter a coerência através de muitas cópias de um estado.

Embora o artigo estabeleça estas novas e poderosas capacidades, delineia também claramente os limites do que é atualmente possível. Os algoritmos são eficientes para grupos finitos e classes específicas de grupos não abelianos, mas os autores reconhecem que o caso geral para todos os grupos não abelianos continua a ser um problema difícil, provavelmente tão difícil quanto o Problema do Subgrupo Oculto geral. Eles também observam que os seus resultados atuais dependem de simetrias exatas, enquanto os sistemas quânticos do mundo real estão sujeitos a ruído e imperfeições. O artigo deixa explicitamente em aberto a questão da aprendizagem de simetrias aproximadas como um problema para investigações futuras, reconhecendo que a estrutura matemática de conjuntos de simetria aproximada pode não formar um subgrupo limpo. Além disso, embora tenham estendido o quadro para representações projetivas para grupos abelianos, a extensão para grupos não abelianos com representações projetivas permanece um desafio, uma vez que as técnicas padrão para linearizar estas representações não se generalizam facilmente.

No final, este trabalho representa um passo significativo em diante na nossa capacidade de compreender e manipular o mundo quântico. Ao ampliar o âmbito da aprendizagem de simetria para incluir grupos não abelianos, simetrias anyônicas e representações projetivas, os investigadores forneceram um conjunto de ferramentas mais completo para o design de algoritmos quânticos. Eles demonstraram que os princípios de simetria, há muito um pilar da física, podem ser aproveitados computacionalmente de formas que anteriormente eram consideradas fora de alcance. A ligação que forjaram entre a aprendizagem de simetria quântica e a teoria de códigos abre novos caminhos para a investigação, sugerindo que as ferramentas desenvolvidas para proteger os dados contra erros podem também ser a chave para desbloquear as simetrias mais profundas da natureza. À medida que os computadores quânticos crescem em potência, estes algoritmos tornar-se-ão provavelmente essenciais para caracterizar sistemas quânticos complexos, desenhar códigos de correção de erros e explorar as leis fundamentais que governam o reino quântico.