Realizing Unstructured PDE Forecasting on Superconducting Quantum Processors

Prever como fluidos giram ao redor do casco de um navio, como sistemas meteorológicos evoluem sobre um continente ou como produtos químicos se misturam em um reator requer a resolução de descrições matemáticas complexas conhecidas como equações diferenciais parciais. Durante décadas, cientistas confiaram em supercomputadores massivos para dividir esses problemas em partes minúsculas e gerenciáveis, frequentemente usando grades irregulares que podem se adaptar à forma do objeto sendo estudado. Embora esses métodos funcionem, eles são incrivelmente caros e lentos, levando ao limite mesmo as máquinas mais poderosas do mundo. Nos últimos anos, pesquisadores têm recorrido aos computadores quânticos, que utilizam as estranhas regras da física subatômica para processar informações, esperando que um dia possam resolver esses problemas mais rapidamente. No entanto, as máquinas quânticas atuais ainda são pequenas, ruidosas e lutam para rodar tempo suficiente para lidar com as simulações complexas do mundo real necessárias para a engenharia e a ciência.

Uma equipe de pesquisadores demonstrou agora uma nova maneira de usar essas máquinas quânticas iniciais para prever o comportamento de fluxos de fluidos complexos e não estruturados. Em vez de tentar resolver as equações diretamente, o que é difícil no hardware atual, eles construíram um sistema que aprende a prever o estado futuro de um fluido observando seu passado. A equipe usou um computador quântico para atuar como um sofisticado extrator de características, um processo que identifica padrões ocultos nos dados sem precisar ser treinado no problema específico em si. Eles testaram essa abordagem em dois cenários desafiadores: o ar fluindo ao redor de um cilindro e uma reação química que cria padrões de redemoinho. Ao combinar a capacidade de um computador clássico de comprimir os dados com a capacidade de um computador quântico de encontrar relações complexas, eles foram capazes de fazer previsões precisas em hardware quântico real, mesmo que a memória da máquina fosse muito menor do que o tempo necessário para executar a simulação.

O cerne de seu método baseia-se em uma técnica chamada computação de reservatório quântico (quantum reservoir computing). Imagine uma sala grande e complexa cheia de ecos; se você disser uma palavra, a maneira como o som ricocheteia e desaparece ao longo do tempo contém uma assinatura única dessa palavra. Neste experimento, o computador quântico atua como essa sala. Os pesquisadores inserem dados sobre o estado atual do fluido no sistema quântico, que então evolui por conta própria de acordo com regras fixas. Eles não ajustam as configurações da máquina quântica para se adequar aos dados; em vez disso, eles simplesmente medem a saída após a máquina ter processado a entrada. Essa saída serve como um conjunto rico de características que um computador clássico pode usar para prever o que acontecerá a seguir. Como a máquina quântica não está sendo treinada, ela evita as dificuldades que frequentemente assolam outros métodos quânticos, como ficar presa em erros locais ou exigir milhões de tentativas para encontrar uma solução.

Um grande obstáculo no uso de computadores quânticos para simulações longas é que os bits quânticos, ou qubits, perdem sua informação muito rapidamente devido ao ruído e à interferência ambiental. Normalmente, um cálculo deve terminar antes que essa informação desapareça, o que limita o quão longe no futuro um sistema pode prever. Os pesquisadores resolveram isso usando um truque inteligente envolvendo medições parciais e resets. Eles mediram apenas metade dos qubits em seu sistema e então os resetaram imediatamente para um estado inicial, deixando a outra metade intocada. Esse processo "renova" suavemente o sistema, permitindo que os qubits não medidos mantenham uma memória passageira das entradas passadas. Esse mecanismo permitiu que o circuito quântico rodasse por uma duração aproximadamente vinte e quatro vezes maior que o tempo de vida natural dos qubits, contornando efetivamente o limite de tempo do hardware e permitindo a previsão de eventos complexos e não lineares.

Para testar seu sistema, a equipe usou dados de uma simulação de ar fluindo ao redor de um cilindro em uma velocidade onde o ar cria um padrão repetitivo de vórtices. Eles também testaram um sistema de reação química conhecido como modelo de Gray-Scott, que produz padrões espirais intrincados e auto-organizáveis. Em ambos os casos, eles primeiro usaram um computador clássico para comprimir a enorme quantidade de dados que descreve os campos de fluido ou químicos em uma representação menor e mais simples. Esses dados comprimidos foram então alimentados no processador quântico. A máquina quântica processou a informação e passou os resultados de volta para um computador clássico, que usou uma fórmula matemática simples para prever o próximo passo na sequência. Eles repetiram esse processo para prever o comportamento do sistema ao longo do tempo, criando um loop fechado onde a previsão de um momento se torna a entrada para o próximo.

Os resultados mostraram que adicionar o processador quântico ao pipeline de previsão melhorou significativamente a precisão. Quando comparado a um método de previsão linear padrão que não utilizava as características quânticas, a nova abordagem reduziu o erro na previsão da velocidade e pressão do fluido entre vinte e um e quarenta e três por cento. Essa melhoria manteve-se verdadeira mesmo quando o sistema foi executado em hardware quântico real da IBM, que contém até cinquenta e dois qubits e está sujeito ao ruído do mundo real. Na verdade, os pesquisadores descobriram que o ruído no hardware não arruinou as previsões; em alguns casos, o ruído na verdade ajudou o sistema a generalizar melhor, atuando como um filtro natural que impediu o modelo de sofrer overfitting aos dados de treinamento. Isso sugere que a capacidade do sistema quântico de explorar um vasto espaço de possibilidades permanece útil mesmo quando a máquina é imperfeita.

O estudo também destacou as vantagens práticas desta abordagem em relação à velocidade e escalabilidade. Embora o computador quântico não tenha sido mais rápido que um supercomputador clássico para resolver todo o problema da dinâmica de fluidos do zero, a parte específica do cálculo realizada pelo processador quântico foi executada muito mais rápido do que poderia ser simulada em um computador clássico. Para o sistema de cinquenta e dois qubits, o hardware quântico completou a tarefa em questão de minutos, enquanto simular o mesmo processo exatamente em um computador clássico poderoso teria sido impossível devido à enorme quantidade de memória necessária. Os pesquisadores observaram que isso ainda não é um substituto para os supercomputadores tradicionais, mas prova que as máquinas quânticas podem contribuir com insights valiosos para tarefas de previsão complexas. Ao demonstrar que um sistema quântico pode rodar por uma duração muito superior ao tempo de vida de seus próprios componentes e ainda produzir resultados precisos em problemas não estruturados do mundo real, a equipe abriu um novo caminho para o uso da tecnologia quântica em simulações científicas.

Este trabalho representa a primeira vez que um computador quântico foi usado para prever o comportamento de um fluido em uma grade irregular e não estruturada, um requisito comum na engenharia que métodos quânticos anteriores não conseguiam lidar. Também marca a primeira instância de uma previsão de loop fechado, onde o sistema quântico prevê uma sequência de estados futuros baseados em suas próprias previsões anteriores, tudo isso rodando em hardware ruidoso. O sucesso do experimento sugere que o futuro da computação quântica pode não residir na construção de máquinas perfeitas e livres de erros, mas no design de sistemas que possam aproveitar o poder de grandes espaços quânticos não treinados para encontrar padrões que os computadores clássicos podem perder. À medida que o hardware quântico cresce em tamanho e capacidade, métodos como este poderão eventualmente ajudar cientistas e engenheiros a enfrentar problemas que atualmente são muito caros ou lentos demais para serem resolvidos, desde o projeto de aeronaves mais eficientes até a previsão de eventos meteorológicos extremos.