Fourier Symmetrization for Geometric Quantum Machine Learning

No vasto panorama da ciência moderna, os pesquisadores estão recorrendo cada vez mais a máquinas que aprendem com dados para resolver problemas que antes eram domínio exclusivo da intuição humana. Entre as ferramentas mais promissoras nesta arena estão os computadores quânticos, que utilizam as estranhas regras do mundo subatômico para processar informações de maneiras que as máquinas clássicas não conseguem. Um ramo específico deste campo, conhecido como aprendizado de máquina quântico geométrico, tenta ensinar esses sistemas quânticos a reconhecer e respeitar as simetrias naturais do mundo físico. Assim como um floco de neve parece o mesmo após ser rotacionado ou uma molécula se comporta de forma consistente independentemente de como é invertida, muitos problemas científicos possuem padrões ocultos de invariância. O desafio tem sido descobrir como construir modelos quânticos que adiram naturalmente a esses padrões sem se tornarem tão complexos que sejam impossíveis de treinar ou controlar.

Uma equipe de pesquisadores da CentraleSupélec, na França, forneceu agora um mapa mais claro para navegar neste terreno. Eles investigaram como a imposição de simetria em modelos quânticos altera a maneira como esses modelos "pensam" sobre os dados, olhando especificamente para como os modelos decompõem a informação em diferentes componentes de frequência. O trabalho deles revela que, quando um modelo quântico é forçado a respeitar a simência, ele não simplesmente restringe suas opções; em vez disso, ele reorganiza sua estrutura interna de uma forma que pode, de fato, torná-lo mais poderoso e mais fácil de treinar. Ao agrupar peças relacionadas de informação, os pesquisadores encontraram uma maneira de evitar que os sinais de aprendizado do modelo desapareçam no nada, um problema comum que tem assolado o aprendizado de máquina quântico. Além disso, eles descobriram um método novo e mais eficiente para construir esses modelos simétricos que evita os altos custos de hardware anteriormente considerados necessários.

Os pesquisadores focaram em um tipo de modelo quântico chamado modelo de Fourier quântico. Imagine um computador quântico como um instrumento complexo capaz de tocar muitas notas diferentes simultaneamente, onde cada nota representa uma frequência específica de informação. Em uma configuração padrão, o computador poderia tentar aprender um padrão ajustando o volume de cada nota de forma independente. No entanto, os pesquisadores mostraram que, quando você exige que o computador respeite uma simetria — como a capacidade de trocar duas variáveis ou inverter seus sinais — as notas não são mais independentes. Em vez disso, elas formam grupos, ou "órbitas", onde o computador deve tratar todas as notas de um grupo como uma única unidade. O modelo então soma o volume de todas as notas desse grupo para criar um sinal único e mais forte.

Esta reorganização revela-se uma vantagem crucial. Em muitos modelos quânticos, o sinal para notas individuais torna-se tão fraco à medida que o sistema cresce que o computador efetivamente para de aprender, um fenômeno conhecido como expressividade evanescente. Os pesquisadores demonstraram que, ao agrupar essas notas em órbitas simétricas, o sinal combinado torna-se significativamente mais alto. Mesmo que as notas individuais estejam sussurrando, sua voz coletiva é forte o suficiente para ser ouvida e treinada. Eles provaram matematicamente que, sob condições ideais, a força deste sinal combinado é exatamente igual à soma das forças das notas individuais dentro do grupo. Mesmo em cenários mais realistas e imperfeitos, eles mostraram que este agrupamento ainda proporciona um aumento massivo na força do sinal, excedendo amplamente o que era possível com métodos existentes.

Além de apenas tornar os modelos mais fortes, os pesquisadores descobriram que a simetria altera a própria linguagem que os modelos usam para descrever o mundo. Quando aplicaram um tipo específico de simetria envolvendo inversões de sinal aos seus modelos, a estrutura matemática resultante transformou-se naturalmente em um conjunto de funções conhecidas como polinômios de Chebyshev. Estas são ferramentas poderosas usadas por matemáticos e engenheiros há séculos para aproximar curvas complexas e resolver equações difíceis. Ao forçar o modelo quântico a respeitar essas simetrias, os pesquisadores efetivamente o programaram para falar esta linguagem otimizada automaticamente, sem a necessidade de projetar manualmente o circuito complexo que seria de outra forma necessário. Isso sugere que a simetria não é apenas uma restrição, mas um guia que pode levar os modelos quânticos às formas mais eficientes de resolver problemas.

No entanto, um grande obstáculo permanecia: como construir de fato esses modelos simétricos em hardware quântico real. Métodos tradicionais para impor simetria frequentemente exigem a adição de bits quânticos extras ou a execução de circuitos profundos e complexos que levam muito tempo para serem executados, tornando-os impraticáveis para a tecnologia atual. A equipe propôs uma alternativa inteligente chamada codificação aleatória. Em vez de construir um circuito especial e rígido que codifica a simetria, o método deles envolve alterar aleatoriamente os dados de entrada antes que eles entrem no circuito quântico padrão. Ao executar o mesmo circuito várias vezes com entradas transformadas aleatoriamente e ligeiramente diferentes, e depois tirar a média dos resultados, o sistema produz o mesmo resultado simétrico dos métodos complexos e caros. Esta abordagem não requer bits quânticos extras e não adiciona profundidade extra ao circuito, tornando-a muito mais viável para os dispositivos quânticos ruidosos de hoje.

Para testar suas ideias, os pesquisadores aplicaram estes novos modelos para resolver dois problemas matemáticos difíceis que descrevem fenômenos físicos: uma equação de Poisson blindada e uma equação de Hamilton-Jacobi viscosa estacionária. Estas equações são usadas para modelar tudo, desde campos elétricos até dinâmica de fluidos. Eles compararam seus novos modelos simétricos contra modelos quânticos padrão e redes neurais clássicas. Os resultados foram claros: os modelos que utilizaram simetria, particularmente aqueles construídos com seu novo método de codificação aleatória, alcançaram os erros mais baixos e as soluções mais precisas. Em um teste específico envolvendo condições de contorno difíceis, o modelo quântico simétrico superou todas as outras abordagens, incluindo as redes neurais clássicas.

O estudo conclui que a simetria é um recurso poderoso e subutilizado no aprendizado de máquina quântico. Ela não apenas limita o que um modelo pode fazer; ela remodela a estrutura interna do modelo para ser mais robusta e eficiente. Ao reorganizar a informação em grupos simétricos, os pesquisadores mostraram que os modelos quânticos podem superar a perda de sinal que tem dificultado seu progresso. Seu novo método para implementar estas simetrias oferece um caminho prático, permitindo que pesquisadores aproveitem estes benefícios sem os custos proibitivos de hardware que anteriormente tornavam tais abordagens difíceis de escalar. Este trabalho fornece um roteiro concreto para o design de melhores algoritmos quânticos que não são apenas mais precisos, mas também mais alinhados com as simetrias fundamentais do mundo físico que buscam simular.