Contexto da computação quântica

No vídeo a seguir, Olivia Lanes guia você pelo conteúdo desta lição. Alternativamente, você pode abrir o vídeo do YouTube desta lição em uma janela separada.

Você começou este curso mergulhando direto na execução do seu primeiro circuito quântico e aprendendo como as leis da mecânica quântica são usadas para criar estados quânticos, portas e circuitos. Agora, vamos dar um passo atrás. Nesta seção, exploraremos a computação quântica por meio de diferentes perspectivas que vão ajudá-lo a navegar por conversas, manchetes e artigos sobre computação quântica com um olhar mais crítico.

Não há dúvida de que há muito entusiasmo em torno da computação quântica e das possibilidades que essa tecnologia pode oferecer. Alguém poderia até chamar isso de "hype". Como sempre acontece quando há hype em torno de uma nova descoberta, pode ser difícil distinguir fato de ficção. Com isso em mente, é melhor começar pelo que a computação quântica não é:

• A computação quântica não vai substituir os computadores tradicionais e clássicos — nem vai acabar em um "celular quântico"
• Ela não é uma forma de "verificar simultaneamente todas as respostas possíveis ao mesmo tempo"
• Ela não é universalmente melhor do que computadores clássicos para todas as tarefas
• Ela não está em guerra com a IA
• Ela não é inútil até que alcancemos tolerância a falhas ou correção de erros
• Ela não é mágica

Esperamos que isso não o tenha afastado completamente deste curso nem feito você pensar que não há nada de valor aqui. Muito pelo contrário! A computação quântica tem potencial para ser imensamente poderosa — mas apenas para certas aplicações. Felizmente, essas aplicações incluem áreas de pesquisa ativa que poderiam transformar fundamentalmente a forma como abordamos problemas importantes, como simulações químicas, exploração de materiais e análise de grandes conjuntos de dados. Antes de explorar essas áreas de aplicação, vamos primeiro aprofundar algumas dessas concepções errôneas com mais detalhes.

Escalonamento

Outra concepção errônea comum em relação aos computadores quânticos é a de que quanto mais qubits eles têm, mais poderosos são. Embora isso não seja necessariamente errado, não pinta o quadro completo. Enquanto escalar em quantidade é certamente um elemento crucial, não é mais importante do que a qualidade dos próprios qubits. A qualidade é medida de várias formas, sendo uma das mais importantes os tempos de coerência e desfasamento, ou $T_1$ e $T_2$, respectivamente. Estas são medições de quanto tempo a informação quântica em um qubit pode permanecer estável. Quando os primeiros qubits supercondutores foram demonstrados, esse número era da ordem de nanossegundos (Nakamura et al., 1999); agora, produzimos regularmente qubits com tempos de coerência estáveis de centenas de microssegundos.

Outro componente crítico ao qual apontamos quando queremos ver como os computadores quânticos estão melhorando é a velocidade. Para medir a velocidade, usamos algo chamado de Operações de Camada de Circuito por Segundo (CLOPS). O CLOPS incorpora tanto o tempo de execução de um circuito quanto a computação clássica em tempo real e próximo ao tempo real, permitindo que sirva como uma única medida holística de velocidade.

Todos esses três elementos juntos são necessários para continuar construindo o caminho rumo a um computador quântico universal e tolerante a falhas. É por isso que, ao olhar para o roadmap da IBM Quantum®, você notará que alguns saltos entre processadores não têm grandes aumentos na contagem de qubits. Por exemplo, observe o modesto aumento de qubits entre Heron e Nighthawk, porque esse não é o foco real dessa melhoria. Em vez disso, o Nighthawk implementa uma nova topologia de conectividade que permitirá diferentes códigos de correção de erros.

Correção de erros versus mitigação de erros

A correção de erros continua sendo um dos maiores objetivos de longo prazo para os pesquisadores em computação quântica. Ela é baseada na premissa de que os qubits sempre permanecerão um pouco ruidosos e propensos a erros, e se quisermos executar algoritmos em grande escala, como o de Shor, por exemplo, precisaremos da capacidade de detectar e corrigir esses erros em tempo real. Existem muitos tipos de códigos de correção de erros, e indicamos outros cursos (como o curso Foundations of quantum error correction) se você quiser se aprofundar mais neles.

A mitigação de erros, por outro lado, já está sendo usada regularmente para melhorar os resultados da computação quântica. A ideia por trás da mitigação de erros é que aceitamos que os erros ocorrerão e tentamos prever seu comportamento para reduzir seus efeitos. Existem muitas técnicas de mitigação de erros; muitas requerem múltiplas execuções em um computador quântico mais algum pós-processamento clássico. É improvável que a correção de erros substitua completamente a mitigação de erros. Em vez disso, prevemos que ambas serão usadas em conjunto para retornar os melhores resultados possíveis dos computadores quânticos.

Componentes da computação quântica

Anteriormente, mencionamos que é uma concepção errônea comum que os computadores quânticos um dia substituirão os computadores clássicos. Isso definitivamente não é o caso; computadores quânticos e computadores clássicos não estão realmente em guerra tentando substituir uns aos outros. Na verdade, conforme observado na seção anterior, os computadores quânticos precisam dos computadores clássicos para funcionar, por uma variedade de razões. Quando falamos de "computadores" de forma ampla, geralmente assumimos que eles incluem todos os componentes como uma CPU, RAM, memória e assim por diante. Por outro lado, um computador quântico não tem todos esses componentes. Muitas vezes, quando as pessoas falam sobre um computador quântico, estão na verdade se referindo à QPU, ou Unidade de Processamento Quântico, que assume o papel de processamento da CPU. A própria QPU não é um computador de uso geral. Ela não executa um sistema operacional, não gerencia memória nem cuida de interfaces de usuário. Seu único papel é manipular qubits de acordo com operações quânticas cuidadosamente controladas antes de retornar os resultados de medição a um sistema clássico.

Na prática, os computadores quânticos de hoje são melhor compreendidos como sistemas híbridos. Um computador clássico orquestra o fluxo de trabalho — preparando entradas, compilando circuitos quânticos, agendando trabalhos e pós-processando resultados — enquanto a QPU executa apenas a parte quântica da computação. Mesmo com o avanço do hardware quântico, essa divisão de trabalho deve persistir, com o progresso focado em uma integração mais estreita e comunicação mais rápida entre sistemas clássicos e QPUs, em vez de eliminar completamente os componentes clássicos.

Prováveis áreas de aplicação da computação quântica

Dividimos amplamente as áreas em que acreditamos que a computação quântica terá mais impacto em quatro categorias: otimização, simulação de Hamiltoniano, Equações Diferenciais Parciais (EDPs) e aprendizado de máquina.

Simulação de Hamiltoniano

Este tópico é sobre simular processos de mecânica quântica encontrados na natureza. Em sua essência, envolve duas tarefas amplas: encontrar a energia do estado fundamental de um sistema descrito por seu Hamiltoniano, que codifica a energia total e as interações dentro do sistema, e simular como esse sistema evolui ao longo do tempo (dinâmica quântica).

Esta é uma das áreas de aplicação mais naturais para computadores quânticos: sistemas quânticos são notoriamente difíceis de simular em computadores clássicos, porque o tamanho do espaço de estados quânticos cresce exponencialmente com o número de partículas. Os computadores quânticos, em contraste, representam estados quânticos diretamente, tornando-os bem adequados — ao menos em princípio — para esses tipos de problemas.

As principais áreas de aplicação incluem:

• Química e ciência dos materiais: prever estrutura molecular, vias de reação, energias de ligação e propriedades dos materiais
• Física da matéria condensada: estudar sistemas fortemente correlacionados, transições de fase e estados quânticos exóticos
• Física de altas energias e nuclear: modelar interações de partículas

A longo prazo, os avanços na simulação de Hamiltoniano podem permitir:

• Descoberta de medicamentos e design de catalisadores mais precisos
• Descoberta de novos materiais para baterias
• Compreensão mais profunda de fenômenos físicos fundamentais

Muitos dos algoritmos quânticos mais estudados, como SQD, foram desenvolvidos especificamente com a simulação de Hamiltoniano em mente. Como resultado, essa categoria é frequentemente vista como um dos casos de uso mais cientificamente convincentes e teoricamente fundamentados para a computação quântica.

Otimização

Problemas de otimização envolvem encontrar a melhor solução a partir de um grande conjunto de soluções possíveis, sujeito a restrições. Esses problemas aparecem em toda ciência, engenharia e indústria, e muitas vezes se tornam computacionalmente intratáveis à medida que o tamanho do problema cresce.

Exemplos incluem:

• Agendamento e roteamento (por exemplo, cadeias de suprimentos, fluxo de tráfego, agendamento de companhias aéreas)
• Otimização de portfólio e gestão de risco (finanças)
• Alocação de recursos e logística
• Problemas combinatórios como partição de grafos e corte máximo

Muitos problemas de otimização são categorizados como NP-difícil na teoria da complexidade, o que significa que algoritmos clássicos normalmente dependem de heurísticas ou aproximações para instâncias grandes. Como os qubits se comportam de forma diferente dos bits clássicos, podemos modelar soluções de forma diferente. Isso pode nos permitir explorar espaços de soluções mais rapidamente ou de forma mais completa do que algoritmos clássicos.

Abordagens quânticas comuns incluem:

• Algoritmos variacionais, como o Quantum Approximate Optimization Algorithm (QAOA)
• Fluxos de trabalho clássico-quânticos híbridos, onde solvers clássicos guiam e refinam sub-rotinas quânticas

Embora ainda seja uma questão em aberto quando — ou para quais problemas — a otimização quântica entregará uma vantagem clara sobre os melhores métodos clássicos, a otimização continua sendo uma grande área de interesse devido à sua ubiquidade e ao mapeamento natural entre objetivos de otimização e Hamiltonianos quânticos.

Equações Diferenciais Parciais (EDPs)

Equações diferenciais parciais descrevem como quantidades físicas mudam no espaço e no tempo. Elas fundamentam muitos dos modelos mais importantes em ciência e engenharia, incluindo dinâmica de fluidos, eletromagnetismo, transferência de calor e modelagem financeira.

Exemplos incluem:

• Equações de Navier–Stokes para fluxo de fluidos
• Equações de Schrödinger e de onda
• Equações de Maxwell
• Black–Scholes e EDPs financeiras relacionadas

Resolver EDPs numericamente em computadores clássicos muitas vezes requer grades espaciais finas e longas evoluções temporais, levando a alto custo computacional e uso de memória.

Algoritmos quânticos para EDPs tipicamente dependem do seguinte:

• Mapeamento de EDPs para grandes sistemas de equações lineares
• Sub-rotinas de álgebra linear quântica, como o algoritmo HHL e suas variantes
• Fluxos de trabalho híbridos onde pré-processamento e pós-processamento clássicos envolvem núcleos quânticos

Em teoria, certas abordagens quânticas podem oferecer speedups exponenciais ou polinomiais sob suposições específicas (como preparação e leitura de estados eficientes). Na prática, a resolução de EDPs deve ser uma aplicação de mais longo prazo, intimamente ligada ao progresso na computação quântica tolerante a falhas e na integração quântico-clássica com sistemas de computação de alto desempenho (HPC).

Aprendizado de máquina

O aprendizado de máquina quântico (QML) explora como os computadores quânticos podem aprimorar ou acelerar aspectos do aprendizado de máquina e da análise de dados. Isso inclui ambos os seguintes:

• Usar computadores quânticos para explorar problemas de classificação com comportamento de classificação diferente dos algoritmos clássicos
• Desenvolver novos modelos que são inerentemente quânticos por natureza

As aplicações propostas incluem:

• Classificação e agrupamento
• Métodos de kernel e mapas de características
• Sub-rotinas de otimização dentro de loops de treinamento

Muitos algoritmos QML aproveitam o seguinte:

• Circuitos quânticos parametrizados como modelos treináveis
• Técnicas de otimização variacional
• Kernels quânticos que operam implicitamente em espaços de características de alta dimensão

No entanto, o aprendizado de máquina é uma área particularmente desafiadora para a vantagem quântica. O aprendizado de máquina clássico é extremamente maduro, e os modelos quânticos precisam lidar com questões como carregamento de dados, ruído e escalonamento.

Como resultado, a pesquisa atual se concentra nessas áreas:

• Identificar regimes específicos onde os modelos quânticos podem superar os clássicos
• Explorar o QML como parte de fluxos de trabalho híbridos em vez de substitutos independentes
• Compreender a expressividade, treinabilidade e generalização de modelos quânticos

O aprendizado de máquina quântico continua sendo uma área de pesquisa ativa, com potencial impacto de longo prazo — mas também com questões em aberto significativas sobre quando e onde a vantagem prática emergirá.

Conclusão

Esta lição deixou claro que a vantagem quântica não se trata de substituir computadores. Trata-se de expandir o que é computável. É um dos projetos de engenharia mais ambiciosos que os seres humanos já tentaram. E, como todos os projetos ambiciosos, é bagunçado, lento e bastante incrível.

Se você quiser um acompanhamento sobre como esses algoritmos realmente funcionam, a próxima lição mostrará para onde ir a partir daqui com base nos seus interesses e objetivos de carreira.