Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

No mundo da ciência moderna, os pesquisadores frequentemente dependem de modelos matemáticos complexos para reconstruir imagens a partir de dados incompletos, como juntar uma imagem clara do interior do corpo humano a partir de sombras de raios X. Esses modelos tratam a informação como matrizes de números, onde cada entrada possui um valor específico e uma localização específica. Um campo mais novo, a computação quântica, promete lidar com essas matrizes massivas de uma forma fundamentalmente diferente. Em vez de armazenar números em uma grade, um computador quântico utiliza unidades minúsculas de informação chamadas qubits. Esses qubits podem existir em um estado de superposição, o que significa que podem conter uma combinação de possibilidades ao mesmo tempo, descrita por valores matemáticos chamados amplitudes. No entanto, há um problema crítico: embora essas amplitudes possam ser manipuladas para realizar cálculos, elas não podem ser lidas diretamente como entradas em uma planilha. Quando um cientista observa o resultado, o estado quântico colapsa em um único resultado aleatório baseado nas probabilidades definidas por essas amplitudes. Isso cria um abismo entre os poderosos cálculos que uma máquina quântica pode realizar e a informação real que um humano precisa extrair dela.

Uma equipe de pesquisadores de instituições da Itália e da Grécia propôs-se a preencher essa lacuna, especificamente para o campo da imagem computacional. Eles argumentam que simplesmente traduzir um problema de imagem para um formato quântico não é suficiente; deve-se definir cuidadosamente o que o estado quântico representa, como ele é medido e qual é a decisão final. Em seu trabalho, eles demonstram que a maneira como os dados são codificados em um sistema quântico altera a natureza da resposta obtida. Eles mostram que armazenar dados brutos de imagem como amplitudes é diferente de usar amplitudes para representar uma lista de soluções possíveis para um problema. Através de uma série de exemplos cuidadosamente construídos, eles revelam que um computador quântico pode reduzir o custo médio de uma solução sem, de fato, tornar a melhor solução possível a mais provável de aparecer. Essa distinção é vital para qualquer pessoa que pretenda usar máquinas quânticas para resolver problemas reais de imagem, pois esclarece o que esses dispositivos podem e não podem entregar.

Os pesquisadores começaram examinando duas maneiras muito diferentes de usar um computador quântico para uma tarefa de imagem. Na primeira abordagem, conhecida como codificação de amplitude, os valores reais de brilho dos pixels de uma imagem são armazenados diretamente nas amplitudes de um estado quântico. Se você tiver quatro pixels, poderá usar dois qubits para conter seus valores. No entanto, ao medir este sistema, você não obtém os valores dos pixels de volta. Em vez disso, você obtém uma única localização, escolhida aleatoriamente, onde a probabilidade de escolher essa localização depende do brilho do pixel. A escala original da imagem é perdida no processo, e a informação de fase complexa que pode ser crucial para a reconstrução fica oculta. Na segunda abordagem, que a equipe favorece para problemas de otimização, os qubits não armazenam os dados da imagem em si. Em vez disso, eles representam uma solução candidata completa, como uma forma específica de rotular cada pixel como fundo ou primeiro plano. Aqui, as amplitudes representam a probabilidade de que toda essa rotulagem seja a resposta correta. Essa mudança sutil no que o estado quântico significa muda tudo sobre como os resultados são interpretados.

Para testar essas ideias, a equipe construiu um cenário pequeno e concreto envolvendo uma imagem de quatro pixels que precisava ser segmentada, ou dividida, em duas regiões. Eles definiram um objetivo matemático que recompensava a correspondência do brilho do pixel com um limite e penalizava a presença de rótulos diferentes em pixels vizinhos. Isso criou um cenário de soluções possíveis, cada uma com uma "energia" ou custo específico. Eles então utilizaram um algoritmo quântico, conhecido como Algoritmo de Otimização Aproximada Quântica, para buscar a melhor rotulagem. Este algoritmo funciona preparando um estado quântico, aplicando uma série de operações que torcem as amplitudes com base no custo de cada solução e, em seguida, misturando-as para criar interferência. O objetivo era fazer com que a melhor solução aparecesse com mais frequência do que as outras.

Os resultados de sua simulação revelaram uma verdade contraintuitiva. Após executar o algoritmo, o custo médio das soluções produzidas pelo computador quântico caiu significamente, de um valor inicial de 1,675 para 0,686. Isso sugeria que a máquina estava encontrando com sucesso soluções melhores do que o acaso. No entanto, quando os pesquisadores observaram as soluções específicas que apareciam com mais frequência, descobriram que a única melhor rotulagem possível, que tinha o menor custo de 0,375, não era o resultado mais comum. Em vez disso, uma solução ligeiramente pior, com um custo de 0,675, apareceu com mais frequência. A interferência quântica que ajudou a reduzir a energia média na verdade impulsionou a probabilidade de uma resposta subótima sobre a perfeita. Essa descoberta desafia a suposição de que reduzir a energia média de um sistema automaticamente torna a solução ótima a mais provável de ser observada.

A equipe explorou isso ainda mais analisando medições do mundo real de hardwares quânticos existentes, especificamente de dispositivos fornecidos pela IBM e pela IQM. Eles analisaram uma tarefa ligeiramente maior envolvendo seis pixels, onde o objetivo era decidir o rótulo de uma fronteira específica entre regiões. Mesmo com o ruído e as imperfeições do hardware real, os dados mostraram uma distinção clara entre a probabilidade de encontrar a solução perfeita única e a probabilidade de obter uma resposta correta para apenas a fronteira local. Em alguns casos, o hardware foi muito mais propenso a acertar a fronteira local do que a encontrar a solução global perfeita. Isso reforça a ideia de que a "melhor" resposta depende inteiramente da pergunta que você está fazendo. Se você precisa da melhor configuração global absoluta, o computador quântico pode ter dificuldades em fornecê-la de forma eficiente. Se você precisa apenas de uma decisão local confiável, a mesma máquina pode ser bastante eficaz.

Os pesquisadores também utilizaram esses exemplos para esclarecer como os computadores quânticos lidam com a incerteza e a informação. Eles mostraram que, para aprender sobre uma propriedade oculta, como a fase de uma onda, não se pode confiar em apenas um tipo de medição. Assim como um fotógrafo pode precisar tirar fotos com diferentes ângulos de iluminação para ver a forma completa de um objeto, um cientista quântico deve usar diferentes configurações de medição para resolver ambiguidades que uma única visão não consegue detectar. Eles demonstraram que, embora as medições locais possam fornecer informações precisas sobre uma pequena parte de um sistema, elas podem deixar a imagem global ambígua. Somente combinando resultados de medições complementares é que a imagem completa pode ser reconstruída.

Finalmente, o artigo aborda a questão de saber se esses métodos quânticos são de fato mais rápidos ou mais eficientes do que os computadores clássicos. Os autores observam cautelosamente que, para os pequenos exemplos que estudaram, os computadores clássicos podem resolver os problemas de forma exata e instantânea. O valor de seu trabalho não reside em reivindicar uma vantagem de velocidade que ainda não existe, mas em estabelecer um quadro claro de como comparar os dois. Eles argumentam que qualquer reivindicação de vantagem quântica deve considerar todo o processo: como os dados são carregados, como o circuito é construído, quantas vezes a máquina deve ser executada para obter uma resposta confiável e como o resultado final é decodificado. Eles mostram que o custo de preparar o estado quântico e o número de execuções (shots) necessários para obter uma boa resposta são tão importantes quanto o próprio algoritmo.

Em sua conclusão, a equipe enfatiza que o caminho a seguir para a imagem quântica não é forçar cada problema em um molde quântico, mas sim projetar a computação em torno da quantidade específica que é realmente necessária. Quer o objetivo seja uma reconstrução completa da imagem, uma correlação específica entre pixels ou uma decisão simples sobre uma fronteira, o resultado exigido dita o método. Ao separar a representação dos dados da medição e da decisão final, os pesquisadores fornecem um roteiro para que engenheiros e cientistas entendam o que um computador quântico pode realisticamente retornar. Eles mostram que, embora a tecnologia seja promissora, a jornada de um estado quântico até uma resposta científica útil requer uma prestação de contas cuidadosa dos recursos, uma definição clara do objetivo e uma expectativa realista do que a máquina realmente produzirá. O trabalho serve como um guia prático, garantindo que o entusiasmo pela computação quântica esteja fundamentado em uma compreensão precisa de suas capacidades e limitações.