Machine learning quantum data to accelerate quantum Monte Carlo

No mundo microscópico de moléculas e materiais, o comportamento dos elétrons é frequentemente um emaranhado caótico. Quando os elétrons interagem fortemente entre si, eles se recusam a agir de forma independente, criando padrões complexos que determinam se um material conduz eletricidade, torna-se um supercondutor ou catalisa uma reação química. Prever esses comportamentos é um dos desafios mais difíceis da ciência moderna. Os computadores clássicos, que alimentam tudo, desde smartphones até supercomputadores, lutam imensamente com essa tarefa porque o número de possíveis arranjos eletrônicos cresce tão rápido que rapidamente sobrecarrega até as máquinas mais poderosas. Os computadores quânticos, que usam as estranhas leis da física para processar informações, oferecem um caminho diferente. Eles podem representar naturalmente esses estados eletrônicos emaranhados, mas atualmente são propensos a erros e podem conter apenas uma quantidade limitada de informações de cada vez. Para preencher essa lacuna, cientistas desenvolveram uma abordagem híbrida: usar um computador quântico para preparar um esboço bruto do arranjo eletrônico e, em seguida, usar um computador clássico para refinar esse esboço em uma resposta precisa. Este método, conhecido como Monte Carlo quântico, tem mostrado grande promessa, mas encontrou um obstáculo. O processo de traduzir os dados brutos do computador quântico para uma forma que o computador clássico possa usar é tão lento e caro que limitou esses experimentos a sistemas muito pequenos, impedindo os cientistas de enfrentar as moléculas maiores e mais interessantes que mais importam.

Uma equipe de pesquisadores agora rompeu essa barreira ao ensinar um modelo de aprendizado de máquina a ler os dados do computador quântico diretamente, contornando a necessidade de cálculos lentos e repetitivos. Em um estudo recente, eles demonstraram que essa nova abordagem pode acelerar todo o processo em milhares de vezes, permitindo simular sistemas com até 40 qubits — uma escala mais do que o dobro do que era possível anteriormente com precisão comparável. A equipe, trabalhando com o processador quântico Willow, do Google, testou seu método em dois desafios muito diferentes: cadeias longas de átomos de hidrogênio e complexos de ferro-enxofre encontrados em sistemas biológicos. Em ambos os casos, o modelo de aprendizado de máquina conseguiu aprender a prever as sobreposições quânticas necessárias a partir de um conjunto comprimido de medições, atuando efetivamente como um tradutor rápido e inteligente entre os mundos quântico e clássico. Os resultados não foram apenas mais rápidos; foram precisos o suficiente para atingir a "precisão química", o padrão ouro para prever como as moléculas se comportam, um marco que permanecia fora de alcance para esses sistemas maiores.

O cerne do problema que os pesquisadores resolveram reside em como os algoritmos quânticos híbridos operam atualmente. Em uma configuração típica, um processador quântico prepara uma função de onda de teste, que é uma descrição matemática de como os elétrons provavelmente estarão arranjados. Para refinar essa descrição, um computador clássico executa uma simulação chamada Monte Carlo quântico, que envolve milhões de etapas onde o sistema é ajustado e verificado. Em cada uma dessas etapas, o computador clássico precisa saber o quão bem o estado atual corresponde à função de onda de teste do processador quântico. Tradicionalmente, isso exige que o computador clássico reprocesse os dados brutos da máquina quântica para cada etapa da simulação. À medida que o sistema cresce, a quantidade de dados explode, e o tempo necessário para processá-los torna-se proibitivo. Em experimentos anteriores, esse gargalo significava que simular um sistema com apenas 16 qubits exigia mais de 13.000 horas de tempo de computação em processadores gráficos potentes. Extrapolar isso para um sistema de 40 qubits sugeria que levaria milhões de horas, tornando tais cálculos efetivamente impossíveis.

Para superar isso, os pesquisadores mudaram o fluxo de trabalho inteiramente. Em vez de reprocessar os dados brutos milhões de vezes, eles coletaram um grande lote de medições aleatorizadas do processador quântico uma única vez. Eles então usaram esses dados para treinar um modelo de aprendizado de máquina, um tipo de inteligência artificial que pode aprender padrões a partir de exemplos. Esse modelo foi ensinado a prever os valores específicos que a simulação clássica precisava, comprimindo efetivamente a vasta quantidade de dados quânticos em um programa compacto e de execução rápida. Uma vez treinado, esse modelo podia fornecer a informação necessária para a simulação clássica quase instantaneamente, sem nunca precisar olhar para os dados quânticos originais novamente. Os pesquisadores compararam o processo ao aprendizado de uma língua: em vez de traduzir um livro palavra por palavra toda vez que você precisa de uma frase, você aprende a gramática e o vocabulário uma vez, permitindo que você fale fluentemente e instantaneamente depois disso.

A equipe colocou esse método à prova no processador Willow, do Google, um dispositivo com mais de cem qubits e capacidades de medição de alta velocidade. Primeiro, abordaram cadeias de hidrogênio, um benchmark padrão para testar quão bem um método lida com o aumento da complexidade. Ao variar o comprimento da cadeia, eles puderam simular sistemas variando de 8 a 40 qubits. Nesses testes, a abordagem de aprendizado de máquina entregou resultados que eram quimicamente precisos, o que significa que os níveis de energia previstos estavam dentro de uma margem de erro minúscula exigida para a química do mundo real. Mais importante ainda, a aceleração foi dramática. Para um sistema de 16 qubits, o novo método foi 4.100 vezes mais rápido que a abordagem tradicional. Para o sistema de 40 qubits, o método tradicional teria sido caro demais para ser executado, de modo que nem sequer foi tentado, mas o novo método o tornou viável, completando o cálculo em uma fração do tempo.

Os pesquisadores então passaram para um problema muito mais difícil: um cluster de ferro-enxofre, um tipo de molécula crucial para processos biológicos como transferência de elétrons e catálise. Essas moléculas são notoriamente difíceis de simular porque seus elétrons são altamente correlacionados e existem em muitos estados de energia quase idênticos. Tentativas anteriores de simular esses sistemas usando métodos clássicos ou técnicas quânticas iniciais tiveram dificuldades para atingir o nível de precisão necessário. Usando sua estrutura de aprendizado de máquina, a equipe simulou com sucesso o cluster de ferro-enxofre em espaços ativos de 28 e 40 qubits. Eles descobriram que sua abordagem guiada por quantum poderia alcançar a precisão química mesmo quando o hardware quântico apresentava ruído, um problema comum em dispositivos atuais. O modelo de aprendizado de máquina foi robusto o suficiente para filtrar o ruído e extrair o sinal físico correto, provando que o método funciona mesmo quando os dados quânticos subjacentes são imperfeitos.

Um insight fundamental do trabalho foi que o modelo de aprendizado de máquina não precisava reconstruir todo o estado quântico, o que seria complexo demais. Em vez disso, ele só precisava aprender as sobreposições específicas — as relações matemáticas entre o estado quântico e as configurações usadas na simulação. Ao focar nessas relações específicas, o modelo permaneceu simples e eficiente. Os pesquisadores também demonstraram que poderiam começar com um palpite clássico aproximado e depois usar os dados quânticos para refiná-lo, ou até mesmo começar do zero e deixar os dados quânticos ensinarem ao modelo tudo o que ele precisava saber. No caso do cluster de ferro-enxofre, eles mostraram que um modelo treinado em dados quânticos superou os métodos clássicos que foram otimizados para a mesma tarefa, destacando o valor único de aprender diretamente do hardware quântico.

As implicações deste trabalho estendem-se para além destes sistemas moleculares específicos. O gargalo que os pesquisadores abordaram — o processamento lento de dados quânticos — é uma questão fundamental que persistirá mesmo à medida que os computadores quânticos se tornarem mais poderosos e livres de erros. Ao mostrar que o aprendizado de máquina pode comprimir e reutilizar a informação quântica de forma eficiente, a equipe forneceu um roteiro de como os algoritmos híbridos podem escalar para resolver problemas do mundo real. O sucesso com 40 qubits sugere que o caminho para simular materiais complexos e projetar novos medicamentos não está mais bloqueado pelo custo computacional. O estudo prova que, com a interface correta entre a computação quântica e a clássica, podemos agora acessar uma escala de simulação que antes estava fora de alcance, abrindo as portas para uma nova era de descobertas na química e na ciência dos materiais.