No mundo da computação, alguns problemas são simples de enunciar, mas incrivelmente difíceis de resolver quando a quantidade de dados cresce. Um desses desafios é encontrar a correspondência mais próxima em uma vasta biblioteca de informações. Imagine um bibliotecário que deve encontrar o livro mais semelhante a um novo pedido, comparando-o com cada volume nas prateleiras. Em um computador clássico, esse processo exige verificar cada item um por um, uma tarefa que se torna dolorosamente lenta à medida que a biblioteca se expande. Este é o cerne do problema do "vizinho mais próximo de k" (k-nearest neighbor), uma ferramenta fundamental usada em tudo, desde o diagnóstico médico até a recomendação de filmes. Durante décadas, cientistas esperaram que computadores quânticos, que podem processar informações de uma forma fundamentalmente diferente, pudessem resolver esse problema de busca instantaneamente. No entanto, tentativas anteriores de construir uma versão quântica dessa ferramenta de busca basearam-se em atalhos teóricos que ainda não existem no mundo real, ou foram limitadas a resolver apenas problemas muito simples de duas opções.

Uma equipe de pesquisadores da Universidade Concordia demonstrou agora uma nova maneira de realizar essa busca que funciona sem esses atalhos impossíveis. Eles projetaram um circuito quântico que pode comparar uma única consulta contra uma vasta coleção de dados de treinamento, incluindo muitas categorias diferentes, tudo dentro de uma única execução de máquina. O trabalho deles prova que é possível construir um classificador quântico que lida com múltiplas classes de dados simultaneamente, sem a necessidade de dispositivos de memória hipotéticos que possam acessar instantaneamente qualquer peça de dado. Em vez de depender de magia ou tecnologia não comprovada, eles construíram um sistema usando operações físicas padrão que podem ser executadas em hardware quântico real. O resultado é uma máquina que, em simulação, iguala a precisão dos melhores métodos clássicos, ao mesmo tempo em que oferece um novo caminho arquitetônico que não exige que todo o conjunto de treinamento seja carregado em um banco de memória separado e massivo.

Os pesquisadores começaram abordando o problema de como traduzir dados comuns para uma linguagem que um computador quântico possa entender. Máquinas quânticas operam em estados que devem ter um tamanho matemático específico, de forma muito semelhante a um balão que deve ser inflado para um volume preciso para manter sua forma. Se você simplesmente encolher um objeto grande para caber, perderá informações sobre seu tamanho original. A equipe utilizou uma técnica matemática chamada projeção estereográfica inversa para mapear seus dados em uma esfera. Esse processo é inteligente porque preserva o tamanho e a forma originais dos pontos de dados enquanto os ajusta ao formato quântico exigido. Ao fazer isso, eles garantiram que a distância entre dois pontos nos dados originais fosse fielmente refletida na distância entre suas representações quânticas. Esta etapa foi crucial; sem ela, o computador quântico estaria comparando sombras distorcidas em vez dos objetos reais, levando a respostas incorretas.

Uma vez que os dados foram devidamente codificados, a equipe construiu um circuito que atua como um gigantesco motor de comparação. Em uma abordagem tradicional, um computador compararia a nova consulta com o primeiro ponto de treinamento, depois com o segundo, depois com o terceiro, e assim por diante, um por um. O circuito quântico descrito neste artigo faz algo mais radical: ele coloca todos os dados de treinamento em um estado de superposição, onde eles existem em uma combinação de todos os estados possíveis ao mesmo tempo. O circuito então utiliza uma rede de trocas controladas (controlled swaps), que podem ser pensadas como um mecanismo de ordenação sofisticado, para rotear os dados. Essa rede permite que o computador quântico compare a consulta contra cada ponto de treinamento de cada classe simultaneamente. A máquina não precisa verificá-los sequencialmente; ela avalia a biblioteca inteira de uma só vez.

O coração do processo de medição baseia-se em uma técnica conhecida como teste SWAP. Este é um procedimento que verifica o quão semelhantes são dois estados quânticos. Se dois estados forem idênticos, o teste produz um resultado; se forem diferentes, produz outro. Os pesquisadores projetaram seu circuito de modo que a probabilidade de obter um resultado de medição específico esteja diretamente ligada ao quão próximo um ponto de treinamento está da consulta. Ao executar o circuito muitas vezes e contar os resultados, a máquina constrói um quadro estatístico de quais pontos de treinamento são as correspondências mais próximas. Crucialmente, o circuito também mantém o registro de a qual classe cada vizinho mais próximo pertence. Isso permite que o sistema realize uma votação por maioria, decidindo o rótulo final com base nos vizinhos mais próximos, tal como um humano faria se pedisse a opinião de um grupo de especialistas.

A equipe testou seu design usando um benchmark envolvendo quatro categorias diferentes de dados, com milhares de comparações simuladas. Eles descobriram que o circuito quântico reproduzia exatamente as regras de decisão do método clássico. No limite de medições infinitas, o sistema quântico e o sistema clássico concordavam em cada um dos casos de teste. Mesmo com um número realista de medições, o classificador quântico igualou a precisão clássica com uma margem muito pequena, diferindo em menos de um ponto percentual nos cenários mais difíceis. Este nível de desempenho é significativo porque mostra que a abordagem quântica não sacrifica a precisão pela velocidade ou complexidade. O sistema identificou com sucesso os vizinhos corretos e atribuiu os rótulos corretos, provando que a lógica subjacente sustenta-se sob escrutínio.

Uma grande força deste trabalho é que evita a necessidade de Memória de Acesso Aleatório Quântico, ou QRAM. Muitas propostas anteriores de aprendizado de máquina quântico assumiam a existência desta tecnologia, que permitiria a um computador quântico recuperar instantaneamente qualquer peça de dado de um enorme banco de armazenamento. No entanto, a QRAM continua sendo um conceito teórico que não foi construído e pode ser fisicamente impossível de construir em escala. O novo design não utiliza QRAM. Em vez disso, ele carrega os dados diretamente nos registradores do circuito. Embora este processo de carregamento leve um tempo proporcional ao tamanho dos dados, é uma etapa prática e implementável que não depende de hardware hipotético. Os pesquisadores foram transparentes sobre este custo, observando que o tempo gasto para carregar os dados é atualmente o principal gargaminho, mas mostraram que a parte de comparação do processo é altamente eficiente e não exige que os dados sejam armazenados em uma memória separada e inacessível.

Os pesquisadores também compararam seu método com outras abordagens quânticas que foram propostas nos últimos anos. Eles descobriram que métodos que dependem de diferentes tipos de codificação de dados frequentemente perdiam informações importantes sobre o tamanho dos pontos de dados, levando a uma menor precisão. A abordagem deles, que preserva a geometria completa dos dados, teve um desempenho tão bom quanto os melhores métodos clássicos e superior a outras propostas quânticas que dependiam de codificações menos completas. Além disso, quando contaram o número total de componentes físicos necessários, incluindo a memória necessária para manter os dados, o design deles foi mais eficiente do que os métodos baseados em QRAM para conjuntos de dados acima de um certo tamanho. Isso sugere que sua arquitetura não é apenas uma curiosidade teórica, mas um caminho viável para o hardware futuro.

O estudo conclui que é possível construir um classificador quântico multiclasse que funcione em um único circuito sem depender de tecnologia não comprovada. O sistema traduz com sucesso dados clássicos em estados quânticos, compara uma consulta contra um conjunto inteiro de dados simultaneamente e lê os resultados com alta precisão. Embora a velocidade atual do sistema seja limitada pelo tempo necessário para carregar os dados, a arquitetura em si é sólida e modular. Isso significa que, à medida que os cientistas desenvolvem melhores maneiras de carregar dados em computadores quânticos, este design de circuito específico pode beneficiar-se imediatamente dessas melhorias sem a necessidade de ser redesenhado. O trabalho fornece uma demonstração clara e concreta de como a interferência quântica pode ser aproveitada para resolver um problema clássico de busca, aproximando o campo de aplicações práticas onde máquinas quânticas podem genuinamente auxiliar na análise de dados complexos.