Os computadores quânticos prometem resolver problemas que levariam as máquinas de hoje milhares de anos, mas são incrivelmente frágeis. As minúsculas partículas que guardam sua informação, chamadas qubits, são facilmente perturbadas pelo calor, vibração ou até mesmo ondas eletromagnéticas residuais. Quando um qubit é perturbado, ele comete um erro e, se esses erros se acumularem, todo o cálculo colapsa. Para construir um computador quântico útil, os cientistas devem construir um sistema que possa encontrar e corrigir esses erros à medida que eles ocorrem, um processo conhecido como correção de erros quânticos. O método mais popular para fazer isso utiliza uma grade de qubits onde o sistema verifica constantemente sua própria saúde. Essas verificações produzem um fluxo de dados chamado síndrome, que atua como um mapa de onde os erros ocorreram. O desafio é que um computador deve ler esse mapa e decidir como corrigir os erros mais rápido do que novos erros podem aparecer, uma corrida contra o tempo que exige imensa velocidade e precisão.

Durante anos, as melhores ferramentas para ler esses mapas de erro foram algoritmos clássicos que tratam toda a grade como um bloco sólido de dados, verificando cada quadrado individualmente, independentemente de haver algo errado. Essa abordagem é confiável, mas lenta, porque desperdiça tempo processando o espaço vazio. Em um novo estudo, pesquisadores da Universidade da Califórnia, Irvine, introduziram uma forma diferente de pensar. Eles construíram um decodificador que ignora as partes vazias da grade e foca apenas nos poucos pontos onde um erro realmente aconteceu. Ao tratar o mapa de erro não como uma imagem completa, mas como uma lista esparsa de eventos ativos, eles criaram um sistema que é dramaticamente mais rápido e tão preciso quanto os melhores métodos existentes.

Os pesquisadores, liderados por Samira Sayedsalehi, desenvolveram o que chamam de Decodificador Mamba Esparso (Sparse Mamba Decoder). Para entender por que isso é um avanço, é preciso primeiro entender a natureza dos erros. Em um computador quântico executando um experimento típico, os erros são raros. De milhares de lugares possíveis onde um erro poderia ser registrado, geralmente apenas uma pequena fração, muitas vezes menos de cinco por cento, realmente mostra um problema. O modo antigo de decodificação era como um segurança caminhando por todos os quartos de um hotel enorme e vazio para procurar intrusos, mesmo sabendo que os intrusos só apareciam em alguns quartos específicos. O novo decodificador pula os quartos vazios inteiramente. Ele espera o alarme tocar, identifica o quarto específico de onde veio o ruído e, então, analisa apenas aquele quarto e seus vizinhos imediatos.

Essa mudança de estratégia permitiu que a equipe utilizasse um novo e poderoso tipo de arquitetura de inteligência artificial chamada modelo de espaço de estados, especificamente uma versão conhecida como Mamba. Este modelo é projetado para processar sequências de informações de forma eficiente. Em vez de alimentar todo o grid de dados no sistema, os pesquisadores extraíram apenas os sinais de erro ativos, que chamam de defeitos. Eles então envolveram cada defeito em uma descrição detalhada contendo sua localização, o tipo de erro e sua relação com erros próximos. Isso criou uma lista curta e de comprimento variável de eventos, em vez de um bloco gigante e estático de dados. O modelo de IA então leu essa lista para prever se o computador havia sofrido uma falha lógica, que é um erro que não pode ser corrigido e arruína o cálculo.

Os resultados desta abordagem foram impressionantes. Quando testado em dados simulados que mimetizam o comportamento de hardware quântico real, o novo decodificador reduziu a taxa de erros incorrigíveis em até 49 por cento em comparação com o método padrão usado na área. Mais importante ainda, ele o fez com uma velocidade incrível. Nos testes, o novo sistema rodou entre 95 e 467 vezes mais rápido que o atual decodificador quase perfeito, conhecido como Tesseract. Enquanto o decodificador Tesseract levava milissegundos para processar um único mapa de erro, o novo sistema completava a tarefa em microssegundos. Essa velocidade é crítica porque os computadores quânticos operam em ciclos que duram apenas cerca de um microssegundo; se o decodificador for muito lento, o computador não consegue acompanhar seus próprios erros.

Os pesquisadores também testaram seu sistema em dados reais coletados do processador quântico Sycamore, do Google. Nesses experimentos, o novo decodificador igualou ou superou ligeiramente o desempenho de uma rede neural anterior, mais complexa, que processava a grade completa de dados. Isso provou que o novo método não perdeu precisão ao ignorar o espaço vazio; ele simplesmente encontrou uma maneira mais eficiente de ver o sinal. O sistema alcançou esse alto desempenho em placas de vídeo padrão, comercialmente disponíveis, sem precisar do hardware de supercomputação especializado e caro que outros decodificadores avançados exigem.

Uma das descobertas mais significativas foi como o sistema lidou com o tamanho do computador quântico. À medida que a grade de qubits cresce para realizar cálculos mais complexos, a quantidade de dados a serem processados geralmente explode, tornando a decodificação cada vez mais lenta. O novo decodificador, no entanto, manteve uma velocidade quase constante, independentemente do tamanho da grade. Enquanto outros métodos tornaram-se centenas de vezes mais lentos conforme a grade crescia, este sistema apenas desacelerou por um pequeno fator. Isso sugere que, à medida que os computadores quânticos escalarem para os tamanhos massivos necessários para uso prático, essa abordagem focada em defeitos se tornará não apenas mais rápida, mas essencial.

O sucesso do Decodificador Mamba Esparso depende de uma forma inteligente de descrever os erros. Em vez de apenas saber onde um erro ocorreu, o sistema recebeu um conjunto rico de pistas para cada evento de erro. Foi informado das coordenadas exatas do erro, se era uma inversão de bit (bit-flip) ou uma inversão de fase (phase-flip), e se seus vizinhos também estavam disparando alarmes. Também recebeu um histórico do estado do erro ao longo do tempo. Ao alimentar esse contexto detalhado na IA, o sistema aprendeu a reconhecer padrões complexos de erros que os métodos antigos perdiam. Aprendeu a distinguir entre uma falha de medição isolada e uma cadeia de erros se espalhando pelo chip, permitendo-lhe tomar melhores decisões sobre como corrigir o computador.

O estudo também destacou uma limitação fundamental da abordagem antiga. Ao processar a grade inteira, os decodificadores anteriores eram forçados a tratar as direções horizontal e vertical do mapa de erro como problemas separados. No entanto, no mundo quântico, certos tipos de erros afetam ambas as direções ao mesmo tempo. O novo decodificador, ao observar a sequência de todos os erros juntos, pôde naturalmente ver essas conexões. Isso permitiu que resolvesse problemas que os métodos antigos, separados, não conseguiam, levando à queda significativa nas taxas de erro observada nos testes.

Embora o sistema ainda não seja rápido o suficiente para rodar em tempo real nos computadores quânticos supercondutores mais rápidos, que operam em um ciclo de um microssegundo, ele representa um salto gigantesco. Os pesquisadores observaram que a versão atual processa dados em lotes (batches), o que adiciona um pequeno atraso. No entanto, a lógica subjacente é tão eficiente que uma versão futura, projetada para transmitir dados conforme eles chegam, poderia potencialmente atingir as velocidades necessárias para a correção em tempo real. O fato de esse nível de desempenho ter sido alcançado em uma placa de vídeo padrão sugere que a barreira de entrada para uma correção de erro quântica de alta qualidade é menor do que se pensava anteriormente.

O trabalho demonstra que a esparsidade inerente dos erros quânticos é uma característica, não um defeito. Ao projetar uma arquitetura que respeita essa esparsidade, os pesquisadores encontraram um caminho para uma decodificação que é tanto mais rápida quanto mais precisa. O estudo refuta a ideia de que o processamento da grade completa e densa de dados é necessário para uma alta precisão, mostrando, em vez disso, que focar nos defeitos ativos é uma estratégia superior. À medida que o hardware quântico continua a melhorar e a crescer, a capacidade de decodificar erros de forma rápida e eficiente será a chave para desbloquear o potencial total dessas máquinas. Este novo decodificador fornece um caminho claro e prático para esse futuro, provando que, às vezes, a melhor maneira de resolver um problema complexo é ignorar tudo o que não está quebrado.