📈 economics

QUBO-Based Optimization of Social Indicator Configurations for Working-Age Population Growth

Este artigo apresenta uma nova estrutura baseada em QUBO utilizando dados municipais japoneses para modelar e otimizar configurações de indicadores sociais para o crescimento da população em idade ativa, demonstrando que métodos de recozimento quântico e clássico podem identificar cenários de políticas ideais ao capturar interações não lineares de indicadores de maneira interpretável.

Autores originais: Hayate Wada, Seiya Miyamoto, Tatsumasa Ogawa, Kazuki Uehara, Masaru Hitomi, Masayuki Ohzeki

Publicado 2026-08-14

📖 7 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Hayate Wada, Seiya Miyamoto, Tatsumasa Ogawa, Kazuki Uehara, Masaru Hitomi, Masayuki Ohzeki

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Enigma das Pessoas e dos Lugares

Imagine que você está tentando assar o bolo perfeito, mas, em vez de farinha e açúcar, seus ingredientes são coisas como "quantas pessoas vivem em uma cidade", "qual a idade delas" e "que tipo de empregos elas têm". No mundo da ciência, isso é um pouco como estudar como diferentes partes de uma sociedade se encaixam para fazer uma comunidade prosperar. Durante décadas, os cientistas sabem que, quando uma cidade perde sua população em idade de trabalhar (pessoas aproximadamente entre 15 e 64 anos), ela enfrenta um futuro difícil. É como um time de esportes perdendo seus jogadores estrelas; o time inteiro tem dificuldade para continuar jogando.

Mas aqui está a parte complicada: você não pode simplesmente consertar uma única coisa. Você não pode simplesmente dizer: "Se apenas baixarmos a idade média, tudo ficará ótimo!" ou "Se apenas adicionarmos mais residentes estrangeiros, o problema estará resolvido!". O mundo real é bagunçado. Esses fatores se misturam de maneiras complicadas, como uma receita onde adicionar uma pitada de sal altera o sabor do açúcar. Para descobrir a melhor combinação, os pesquisadores usam um tipo especial de matemática chamada otimização. Pense nisso como um mecanismo de busca superinteligente que não procura apenas uma resposta, mas explora milhões de "receitas" possíveis para encontrar aquela que funciona melhor. Recentemente, um novo tipo de tecnologia computacional chamado recozimento quântico (quantum annealing) foi introduzido para ajudar a resolver esses quebra-cabeças massivos mais rapidamente, agindo como uma bússola mágica que pode saltar sobre colinas e vales em uma paisagem de possibilidades para encontrar o ponto mais baixo (ou o pico mais alto, dependendo do que você deseja).

A Grande Ideia do Artigo: Encontrando a Receita Social Perfeita

Neste estudo, uma equipe de pesquisadores da Universidade de Tohoku e outras instituições decidiu enfrentar o problema do encolhimento da população em idade de trabalhar no Japão. Eles queriam saber: Se pudéssemos magicamente ajustar as estatísticas sociais de uma cidade, qual combinação de mudanças levaria ao maior crescimento da população em idade de trabalhar?

Em vez de apenas adivinhar, eles construíram um "modelo substituto" (surrogate model) digital. Imagine isso como uma bola de cristal que não é mágica, mas é treinada com dados reais. Eles pegaram dados de 1.855 cidades japonesas, observando dez indicadores sociais do censo de 2010 (como densidade populacional, idade média e a proporção de diferentes tipos de trabalhadores) e vendo como eles se relacionavam com o crescimento populacional entre 2010 e 2020. Eles transformaram esses números contínuos em um código simples "one-hot", como girar um seletor com quatro configurações para cada indicador.

O resultado foi uma equação quadrática — uma fórmula matemática que captura não apenas como cada indicador funciona sozinho, mas como eles interagem entre si. É como perceber que "baixa idade média" é bom, mas "baixa idade média" mais "um número moderado de trabalhadores da indústria primária" é ainda melhor. O modelo foi surpreendentemente preciso, prevendo o crescimento populacional com um coeficiente de correlação de 0,84 e um coeficiente de determinação médio ( $R^2$ ) de 0,76. Isso significa que a receita matemática que criaram combinou muito bem com os resultados do mundo real, embora os autores tenham o cuidado de notar que esta é uma ferramenta para explorar possibilidades, não uma bola de cristal que garante o futuro.

A Busca pela Otimização: Quântico vs. Clássico

Uma vez que tiveram sua receita, a equipe precisava encontrar a combinação absoluta de configurações. É aqui que entra a estrutura "QUBO" (Quadratic Unconstrained Binary Optimization). Eles transformaram seu modelo de crescimento em um quebra-cabeça onde o objetivo é encontrar a mistura específica dos dez indicadores que maximiza o crescimento previsto.

Para resolver isso, eles usaram três "buscadores" diferentes:

Gurobi: Um poderoso resolvedor de computador exato que atua como um bibliotecário meticuloso que verifica cada livro para encontrar o perfeito.
Simulated Annealing (Recozimento Simulado): Um método de computador clássico que imita o resfriamento de metais, estabelecendo-se lentamente em uma boa solução.
Quantum Annealing (Recozimento Quântico): Um método usando um sistema D-Wave Advantage2, que utiliza a física quântica para explorar o espaço de soluções de uma forma única.

Todos os três métodos concordaram com a exata mesma configuração ideal! A "receita" ótima para o crescimento envolveu:

O nível mais alto de densidade populacional.
O nível mais baixo de idade média.
O nível mais alto de razão sexual (machos por 100 fêmeas).
O nível mais alto de residentes estrangeiros.
O nível mais alto de domicílios de uma única pessoa.
O segundo nível de domicílios de três gerações.
O nível mais baixo de trabalhadores da indústria primária.
O nível mais baixo de trabalhadores da indústria secundária.
O nível mais alto de trabalhadores da indústria terciária.
O nível mais alto de razão entre população diurna e noturna.

A taxa de crescimento prevista para essa configuração perfeita foi de aproximadamente 6,35. No entanto, os pesquisadores não pararam apenas na resposta "perfeita". Eles notaram que os métodos de recozimento (tanto o quântico quanto o simulado) também encontraram muitas outras configurações boas e viáveis que eram ligeiramente menos perfeitas, mas ainda assim muito promissoras. Isso é crucial porque, no mundo real, uma cidade pode não ser capaz de se tornar instantaneamente a configuração "perfeita" devido ao orçamento ou à geografia. Ter uma lista de alternativas "boas o suficiente" é frequentemente mais útil do que apenas um ideal teórico.

A Reviravolta: É Tudo Sobre a Mistura

Para ver como este modelo funciona na prática, a equipe escolheu três cidades reais (anonimizadas como A, B e C) que tinham taxas de crescimento populacional semelhantes. Eles então jogaram um jogo de "e se": O que acontece se mudarmos apenas uma coisa nessas cidades?

Eles descobriram algo fascinante. Mudar um único indicador nem sempre ajudava. Por exemplo, em algumas cidades, aproximar a "razão entre população diurna e noturna" do nível "ótimo" na verdade reduziu o crescimento previsto. Isso provou que os indicadores estão profundamente conectados. Você não pode apenas consertar uma parte do quebra-cabeça isoladamente; o efeito de mudar uma coisa depende inteiramente do que as outras coisas estão fazendo.

O estudo também destacou uma interação específica e forte: a combinação de uma baixa idade média e uma proporção moderada de trabalhadores da indústria primária foi um poderoso motor para o crescimento. Isso sugere que a magia não está apenas em ter jovens ou agricultores, mas em ter a mistura certa deles.

O Que Isso Significa (e o Que Não Significa)

Os autores são muito claros sobre o que o trabalho deles é e o que não é. Eles afirmam que isto é uma demonstração metodológica, não uma prova causal. Em outras palavras, eles não estão dizendo: "Se você fizer X, Y certamente acontecerá". Em vez disso, estão dizendo: "Nosso modelo sugere que essas combinações estão associadas ao crescimento". A política do mundo real é complicada, e realmente mudar a demografia de uma cidade envolve leis, economia e comportamento humano que este modelo matemático não captura.

No entanto, o estudo mostra com sucesso que podemos pegar dados sociais complexos, transformá-los em um modelo matemático interpretável e usar ferramentas de otimização avançadas (incluindo computação quântica) para explorar diferentes cenários. Ele fornece uma maneira transparente de perguntar: "E se tentássemos esta combinação?" e obter uma resposta baseada em dados. Embora o computador quântico não tenha necessariamente superado o clássico neste teste específico de pequena escala, o fato de todos terem encontrado a mesma resposta dá confiança de que o método funciona. O verdadeiro valor reside em ter uma ferramenta que possa gerar uma lista de cenários otimizados e viáveis para discussão de formuladores de políticas, em vez de apenas encarar um único número e torcer pelo melhor.

Resumo Técnico: Otimização Baseada em QUBO de Configurações de Indicadores Sociais para o Crescimento da População em Idade Ativa

Definição do Problema
O declínio da população em idade ativa representa um desafio crítico para a sustentabilidade regional, particularmente em sociedades envelhecidas como o Japão. Embora se saiba que as mudanças demográficas estão correlacionadas com múltiplos indicadores socioeconômicos, traduzir essas associações em modelos interpretáveis e prontos para otimização permanece difícil. A literatura existente frequentemente carece de uma estrutura que possa lidar simultaneamente com as interações não lineares entre indicadores e com a natureza combinatória das restrições de políticas (onde a melhoria de um indicador pode exigir mudanças complementares em outros). Além disso, identificar a configuração conjunta ideal de níveis de políticas discretizados constitui um problema de busca discreta de alta dimensão que cresce exponencialmente com o número de indicadores.

Metodologia
Os autores propõem uma estrutura metodológica que integra modelagem substituta quadrática com Otimização Binária Não Restrita Quadrática (QUBO) para explorar configurações de indicadores sociais associadas ao crescimento da população em idade ativa. A abordagem consiste em três etapas principais:

Pré-processamento e Codificação de Dados:
- Fonte de Dados: O estudo utiliza dados municipais de 2010–2020 do Japão, abrangendo 1.855 municípios (excluindo entidades fundidas/dissolvidas e aquelas afetadas pelo Grande Terremoto do Leste do Japão).
- Variáveis: Dez indicadores sociais do Censo Populacional de 2010 (ex: densidade populacional, idade média, razão de sexo, proporções de trabalhadores da indústria) servem como variáveis explicativas. A variável alvo é a taxa de crescimento da população em idade ativa (15–64 anos) de 2010 a 2020.
- Discretização e Codificação One-Hot: Os valores contínuos dos indicadores são discretizados em quatro níveis baseados em quartis. Esses níveis são então codificados em variáveis binárias usando um esquema one-hot ( $x_{in} \in \{0,1\}$ ), onde exatamente um nível por indicador está ativo. Isso transforma o problema em um espaço vetorial binário $\vec{x} \in \{0,1\}^{40}$ .
Construção do Modelo Substituto Quadrático:
- Uma função quadrática $G(\vec{x})$ é construída para regredir a taxa de crescimento sobre os indicadores codificados em binário. O modelo inclui termos lineares (contribuições individuais de indicadores) e termos de interação quadrática (associações pareadas entre níveis de indicadores).
- Estimativa de Parâmetros: Os parâmetros do modelo são estimados usando a estimativa de Máxima Posterior (MAP) com uma penalidade de regularização $L_2$ (equivalente aos mínimos quadrados regularizados). O modelo resultante captura tanto os efeitos individuais quanto as compatibilidades pareadas entre condições sociais.
Formulação de QUBO e Otimização:
- O modelo substituto é convertido em uma função de custo QUBO $H(\vec{x}) = -G(\vec{x}) + \alpha \sum_{i} (\sum_{n} x_{in} - 1)^2$ . O primeiro termo representa o objetivo (maximizar o crescimento) e o segundo termo impõe a restrição one-hot (garantindo que apenas um nível por indicador esteja ativo) por meio de um coeficiente de penalidade $\alpha$ .
- Solucionadores de Otimização: O problema QUBO é resolvido utilizando três abordagens:
  - Gurobi: Utilizado como um otimizador de referência exato.
  - Simulated Annealing (SA): Implementado via amostrador Neal.
  - Quantum Annealing (QA): Executado no sistema D-Wave Advantage2.
- Análise de Sensibilidade: Uma análise de "inversão de indicador único" (single-indicator flip) é realizada em municípios selecionados para avaliar como as taxas de crescimento previstas mudam quando um único indicador é modificado enquanto os outros permanecem fixos.

Principais Resultados

Desempenho Preditivo: O modelo substituto quadrático alcançou um forte desempenho preditivo nos conjuntos de teste, com um coeficiente de correlação de 0,84, um coeficiente de determinação médio ( $R^2$ ) de 0,76 e um erro quadrático médio de 33,36 em 20 divisões de treino-teste.
Interpretabilidade: A matriz de coeficientes revelou estruturas interpretáveis. A maior contribuição diagonal positiva ( $Q_{5,5} = 1,75$ ) correspondeu ao quartil mais baixo da idade média, alinhando-se com a expectativa de que demografias mais jovens sustentam o crescimento da população em idade ativa. Interações off-diagonal significativas foram identificadas, como uma forte interação positiva ( $Q_{5,26} = 1,30$ ) entre o quartil de menor idade média e o segundo quartil da proporção de trabalhadores do setor primário.
Consistência de Otimização: Todos os três solucionadores (Gurobi, SA e QA) identificaram a mesma configuração viável ótima com uma taxa de crescimento prevista de $G_{opt} \approx 6,35$ . A configuração ótima incluiu alta densidade populacional, baixa idade média, altas proporções de residentes estrangeiros e distribuições industriais específicas.
Amostragem e Soluções Subótimas: Embora o SA tenha gerado 100% de amostras viáveis, o QA produziu 39,4% de amostras inviáveis devido a restrições de incorporação (embedding) no hardware D-Wave. No entanto, ambos os métodos de recozimento (annealing) conseguiram amostrar configurações subótimas viáveis com taxas de crescimento variadas, fornecendo um panorama de cenários candidatos além do único ótimo global.
Sensibilidade Local: As análises de inversão de indicador único demonstraram que modificar um indicador nem sempre melhora a taxa de crescimento prevista; o efeito depende da configuração de outros indicadores. Por exemplo, mover um indicador em direção ao seu nível "ótimo" isoladamente por vezes reduziu o crescimento previsto, destacando a necessidade de otimização conjunta.

Significância e Alegações
O artigo posiciona este trabalho como uma demonstração metodológica, e não como uma avaliação causal de intervenções de políticas. Suas principais contribuições são:

Integração de Estrutura: Integra com sucesso a relevância de políticas demográficas subnacionais, modelagem quantitativa multifatorial e otimização combinatória baseada em QUBO.
Interpretabilidade: Fornece uma função objetivo quadrática transparente e interpretável que vincula estatísticas sociais municipais a modelos prontos para otimização, visualizando explicitamente tanto as contribuições individuais quanto as interações pareadas.
Geração de Cenários: A estrutura serve como uma ferramenta exploratória para discussão de políticas. Ao gerar configurações candidatas viáveis (incluindo as subótimas), oferece um conjunto de estados-alvo realistas que podem ser mais alcançáveis na prática do que um único ótimo global, levando em conta restrições orçamentárias e institucionais.
Validação de QUBO: O estudo valida a consistência das formulações QUBO para esta classe de problemas, mostrando que métodos baseados em annealing podem recuperar ótimos exatos e explorar o panorama de soluções de forma eficaz, mesmo que não sejam reivalcadas vantagens computacionais sobre solucionadores exatos para este tamanho específico de problema.

Os autores enfatizam que os resultados representam associações aprendidas a partir dos dados, não estimativas causais, e que a implementação de políticas reais exigiria análise institucional e causal adicional.

O Enigma das Pessoas e dos Lugares

A Grande Ideia do Artigo: Encontrando a Receita Social Perfeita

A Busca pela Otimização: Quântico vs. Clássico

A Reviravolta: É Tudo Sobre a Mistura

O Que Isso Significa (e o Que Não Significa)

Mais como este