Quantum anomaly detection in real scarce data

No mundo moderno, máquinas e sistemas geram um fluxo constante de dados, desde a temperatura de um painel solar até o batimento cardíaco de um paciente. A maior parte desses dados é normal, mostrando o ritmo constante e esperado de um sistema saudável. Ocasionalmente, porém, algo dá errado. Uma pequena falha, um pico repentino ou um desvio lento pode sinalizar uma falha que, se não for verificada, pode levar a uma interrupção dispendiosa ou a um risco de segurança. Encontrar esses momentos raros e incomuns é conhecido como detecção de anomalias. Esta é uma tarefa difícil para os computadores porque os dados "ruins" são tão escassos em comparação aos dados "bons" que as ferramentas de aprendizagem padrão frequentemente se confundem, ou ignorando o problema inteiramente, ou gerando alarmes falsos. Este desafio é especialmente agudo em campos como o de energia, onde manter grandes parques solares funcionando eficientemente é crítico para a transição global para a energia limpa.

Pesquisadores estão agora explorando um novo caminho para resolver este problema, combinando a computação tradicional com o poder emergente das máquinas quânticas. Enquanto os computadores clássicos processam informações em bits que são zero ou um, os computadores quânticos usam bits quânticos, ou qubits, que podem existir em múltiplos estados ao mesmo tempo. Esta propriedade única permite-lhes lidar com padrões complexos com muito menos recursos do que os seus equivalentes clássicos. Num estudo recente, uma equipa de cientistas da Universidade de Florença e da Eni S.p.A. testou se esta vantagem quântica poderia ajudar a identificar falhas em centrais fotovoltaicas solares de grande escala. Eles focaram-se num cenário específico onde os dados são escassos e desequilibrados, uma realidade comum em ambientes industriais onde as falhas reais são eventos raros.

A equipa construiu uma simulação realista de uma central de energia solar, gerando dados que mimetizavam dezasseis dias de operação com uma taxa de amostragem de uma medição por segundo. Eles introduziram vários tipos de falhas artificiais no sistema, tais como curtos-circuitos, degradação de desempenho, circuitos abertos e sombreamento por nuvens ou detritos. A vasta maioria dos dados representava uma operação normal e saudável, enquanto as falhas constituíam uma fração minúscula do total. O objetivo era treinar um modelo computacional para detetar estas anomalias raras e classificar exatamente que tipo de falha estava a ocorrer. Para fazer isto, desenvolveram uma arquitetura híbrida de dois passos. Primeiro, utilizaram uma rede de computador clássico para comprimir a longa sequência de leituras de sensores numa síntese menor e mais gerível. Depois, alimentaram esta síntese numa camada quântica desenhada para tomar a decisão final sobre se os dados eram normais ou defeituosos e, se defeituosos, que tipo de falha ocorria.

Os resultados mostraram que esta abordagem híbrida foi altamente eficaz. Na tarefa de simplesmente detetar se uma anomalia estava presente, o modelo híbrido teve um desempenho tão bom quanto um modelo totalmente clássico, atingindo uma precisão quase perfeita. No entanto, o modelo híbrido alcançou isto com uma redução dramática na complexidade. Utilizou aproximadamente quarenta vezes menos configurações ajustáveis, ou parâmetros, do que a versão clássica. Na tarefa mais difícil de classificar o tipo específico de falha, o modelo híbrido superou o clássico, cometendo menos erros ao distinguir entre dados saudáveis e tipos específicos de danos, como o sombreamento parcial. Crucialmente, o estudo descobriu que colocar a camada quântica no final do processo, após os dados terem sido comprimidos, era a estratégia mais eficaz. Quando os investigadores tentaram usar a camada quântica mais cedo no processo, o desempenho diminuiu significativamente, sugerindo que a ordem das operações importa profundamente.

Os investigadores também testaram diferentes formas de construir o circuito quântico, a estrutura interna que processa a informação. Eles descobriram que um design de circuito simples, quando combinado com repetições suficientes dos dados, funcionava melhor do que designs mais complexos e sofisticados. Esta descoberta é significativa porque circuitos mais simples são menos propensos a erros no hardware quântico da geração atual, que ainda é ruidoso e imperfeito. O estudo sugere que, ao deixar os computadores clássicos lidarem com o trabalho pesado de organizar dados sequenciais e deixar os computadores quânticos focarem-se na classificação final, é possível construir modelos que não são apenas precisos, mas também eficientes e menos propensos ao sobreajuste (overfitting), um problema comum onde um modelo memoriza os dados de treino em vez de aprender regras gerais.

Este trabalho demonstra que a aprendizagem automática quântica não é apenas um conceito teórico, mas uma ferramenta prática que pode ser aplicada a problemas industriais do mundo real hoje. Ao utilizar uma abordagem híbrida, a equipa mostrou que é possível alcançar um alto desempenho com uma fração do custo computacional exigido pelos métodos tradicionais. Esta eficiência é vital à medida que o mundo se move para redes de energia massivas que requerem monitorização constante e fiável. O estudo confirma que os aceleradores quânticos, quando integrados com a computação de alto desempenho tradicional, podem oferecer uma solução sustentável e poderosa para detetar os eventos raros e críticos que mantêm os nossos sistemas de energia a funcionar com segurança.