Quantum Fourier integration of decay rates at next-to-leading order

No vasto e invisível cenário da física de partículas, cientistas calculam constantemente a rapidez com que partículas instáveis se decompõem em outras mais leves. Esses cálculos, conhecidos como taxas de decaimento, são essenciais para compreender as forças fundamentais que moldam o nosso universo. Para prever essas taxas com alta precisão, os físicos devem resolver problemas matemáticos complexos que envolvem a soma de inúmeras formas possíveis de uma partícula se transformar. Durante décadas, esses cálculos dependeram de poderosos computadores clássicos, mas, à medida que a precisão exigida cresce, os problemas tornam-se tão intrincados que até mesmo os supercomputadores mais avançados têm dificuldade em lidar com eles. Recentemente, uma nova abordagem surgiu, que toma emprestadas ferramentas do campo em rápida evolução da computação quântica. Em vez de tentar simular todo o processo físico diretamente, os investigadores estão a explorar se as máquinas quânticas podem aprender a forma destas dificuldades de cálculo e, em seguida, resolvê-las de uma forma completamente diferente, utilizando as propriedades únicas da mecânica quântica para realizar o trabalho pesado.

Um investigador liderado por David F. Rentería-Estrada deu um passo significativo nesta direção ao testar um método que combina duas técnicas quânticas distintas para calcular as taxas de decaimento de partículas com um elevado nível de precisão. O investigador concentrou-se em três cenários específicos onde uma partícula pesada decai em quarks mais leves ou outras partículas, por vezes emitindo uma partícula extra no processo. Na linguagem da física, estes são cálculos de "ordem seguinte" (next-to-leading order), o que significa que incluem efeitos subtis de segunda ordem que são cruciais para a precisão, mas notoriamente difíceis de computar porque envolvem infinitos que devem ser cuidadosamente cancelados. Para tornar o problema gerível, o investigador utilizou primeiro um quadro matemático chamado Dualidade de Árvore de Laço (Loop-Tree Duality). Este quadro atua como um filtro, reorganizando as contribuições desordenadas de partículas virtuais e emissões reais numa função única, suave e finita, que pode ser estudada sem as singularidades matemáticas que normalmente interrompem os cálculos.

Uma vez obtida esta função limpa e finita, o investigador introduziu-a numa rede neuronal quântica. Pense nesta rede como uma máquina flexível e programável feita de bits quânticos que pode aprender a imitar a forma de uma curva complexa. O investigador treinou esta rede para reconhecer o padrão da função de taxa de decaimento. Um insight fundamental do seu trabalho é que estes circuitos quânticos produzem naturalmente resultados que se assemelham a uma soma de ondas, tal como um acorde musical é composto por notas individuais. Ao treinar a rede, eles ensinaram efetivamente a descrever a taxa de decaimento como uma combinação específica destas ondas. Assim que a rede aprendeu o padrão, o investigador não lhe pediu para calcular a resposta final diretamente. Em vez disso, extraiu os pesos específicos das ondas que ela tinha aprendido e utilizou um algoritmo quântico separado, chamado Estimativa de Amplitude Quântica Iterativa (Iterative Quantum Amplitude Estimation), para somar as áreas sob estas ondas. Este processo de dois passos — aprender a forma e depois somar as ondas — é o núcleo do seu novo método, conhecido como Estimativa de Amplitude de Fourier Quântica (Quantum Fourier Iterative Amplitude Estimation).

O investigador testou esta abordagem utilizando tanto um simulador quântico perfeito e livre de ruído como um hardware quântico real e imperfeito disponível na internet. Quando executaram os cálculos no simulador, os resultados coincidiram muito bem com as previsões teóricas conhecidas, reproduzindo com sucesso a forma como as taxas de decaimento mudam à medida que a massa das partículas envolvidas muda. Isto confirmou que o método funciona em princípio. No entanto, quando passaram o cálculo para o hardware quântico real, os resultados foram mais ruidosos e menos precisos. Os valores foram geralmente inferiores às previsões teóricas e a incerteza foi maior. Esta discrepância é esperada, uma vez que os dispositivos quânticos atuais ainda são propensos a erros e ruídos que interferem em cálculos delicados. O investigador observou que, embora os resultados do hardware ainda não fossem perfeitos, o facto de poderem executar o processo completo numa máquina real é um marco importante.

O estudo conclui que esta abordagem híbrida de usar uma rede neuronal quântica para aprender uma função e depois um algoritmo quântico para a integrar é um caminho viável para a física de altas energias. O investigador não afirmou ter resolvido o problema da vantagem quântica, ou seja, não provou que este método é atualmente mais rápido ou melhor do que os computadores clássicos. Em vez disso, demonstrou uma prova de conceito: que as máquinas quânticas podem ser treinadas para compreender integrandos físicos complexos e podem realizar os passos de integração necessários. O trabalho destaca que a precisão do resultado final depende fortemente de quão bem a rede neuronal consegue aproximar a função original e de quão limpo é o hardware quântico durante o passo de integração. Embora as limitações atuais do hardware impeçam que isto seja uma ferramenta prática de uso imediato, o experimento abre uma porta para aplicações futuras, sugerindo que o aprendizado de máquina quântico poderá eventualmente ajudar os físicos a enfrentar tanto os cálculos de curta distância e alta energia que realizam hoje, como os problemas complexos de longa distância das interações de partículas que permanecem fora do seu alcance.