Duas das áreas mais empolgantes da ciência estão se juntando para ajudar
uma a outra a evoluir e se tornarem tudo que esperamos delas. Os pesquisadores
querem usar a inteligência artificial que guia automóveis que se auto dirigem e
que controla máquinas que jogam jogos como xadrez para explorar as
complexidades do mundo quântico. Por outro lado, um algoritmo quântico pode
contribuir para que a inteligência artificial dê um salto de qualidade e se
torne ainda mais poderosa do que já é.
Os físicos demonstraram que o aprendizado da máquina pode reconstruir um
sistema quântico com base em relativamente poucas medidas experimentais. Este
método permitirá que cientistas avaliem completamente sistemas de partículas de
forma muito mais rápida do que as técnicas convencionais usadas atualmente. De
forma muito mais rápida mesmo: sistemas complexos que exigiriam milhares de
anos para ser reconstruídos com métodos anteriores poderiam ser analisados
inteiramente em questão de horas.
O desenvolvimento de computadores quânticos e outras aplicações da
mecânica quântica seriam beneficiados pela nova técnica. “Nós mostramos que a
inteligência da máquina pode capturar a essência de um sistema quântico de
forma compacta”, diz o co-autor do estudo, Giuseppe Carleo, cientista de
pesquisa do Centro de Computação de Física Quântica do Instituto Flatiron, na
cidade de Nova York. “Agora podemos efetivamente ampliar as capacidades das
experiências”.
A inspiração dos pesquisadores foi o AlphaGo, programa de computador que
usou o aprendizado da máquina para superar o campeão mundial do jogo de
tabuleiro chinês Go em 2016. “AlphaGo foi realmente impressionante, então
começamos a perguntar-nos como poderíamos usar essas ideias na física
quântica”, diz Carleo.
Medição artificial
Sistemas de partículas, como elétrons, podem existir em muitas
configurações diferentes, cada uma com uma probabilidade particular de
ocorrência. No reino quântico, sistemas não observados não existem com qualquer
uma dessas configurações. Em vez disso, o sistema pode ser pensado como
existindo com todas as configurações possíveis simultaneamente. Cada elétron,
por exemplo, pode ter uma rotação para cima ou para baixo, semelhante ao famoso
gato de Schrödinger, morto e vivo ao mesmo tempo até ser observado.
Quando medido, o sistema colapsa e chega a uma das configurações, assim
como o gato de Schrödinger, que está morto ou vivo depois que a caixa é aberta.
Essa peculiaridade da mecânica quântica significa que você nunca pode observar
toda a complexidade de um sistema em uma única experiência. Em vez disso, os
pesquisadores conduzem as mesmas medidas várias vezes até que possam determinar
o estado de todo o sistema.
Esse método funciona bem para sistemas simples, com apenas algumas
partículas. Mas quando muitas partículas estão envolvidas, as coisas começam a
ficar complicadas. Se considerarmos que cada elétron pode ser girado para cima
ou para baixo, um sistema de cinco elétrons possui 32 configurações possíveis.
Um sistema de 100 elétrons tem trilhões de possibilidades.
O emaranhamento das partículas complica ainda mais. Através do
emaranhamento quântico, partículas independentes se entrelaçam e não podem mais
ser tratadas como entidades puramente separadas, mesmo quando separadas
fisicamente. Este emaranhamento altera a probabilidade de configurações
diferentes. Métodos convencionais, portanto, simplesmente não são viáveis
para sistemas quânticos complexos.
Carleo e seus colegas contornaram essas limitações usando técnicas de
aprendizado de máquina. Os pesquisadores colocaram medidas experimentais de um
sistema quântico em uma ferramenta de software baseada em redes neurais
artificiais. O software aprende ao longo do tempo e tenta imitar o
comportamento do sistema. Uma vez que o software tem dados suficientes, ele
pode reconstruir com precisão o sistema quântico completo.
Os pesquisadores testaram o software usando conjuntos de dados
experimentais simulados com base em diferentes sistemas quânticos. Nestes
testes, o software ultrapassou os métodos convencionais. Para oito elétrons,
cada um com giro para cima ou para baixo, o software poderia reconstruir com
precisão o sistema com apenas cerca de 100 medidas – um método convencional
exigiria quase 1 milhão de medidas para atingir o mesmo nível de precisão.
A nova técnica também pode lidar com sistemas muito maiores. Por sua
vez, essa habilidade pode ajudar os cientistas a validar se um computador
quântico está configurado corretamente e que qualquer software quântico
funcionaria como pretendido.
Capturar a essência de sistemas quânticos complexos com redes neurais
artificiais compactas tem outras consequências de longo alcance. O coordenador
do Centro para Cálculo Computacional de Química Quântica, Andrew Millis,
observa que estas ideias fornecem uma nova abordagem importante para o
desenvolvimento contínuo de novos métodos para entender o comportamento dos
sistemas quânticos interativos e se conectar com o trabalho em outras
abordagens de aprendizagem mecânica de inspiração quântica.
Além das aplicações para pesquisas fundamentais, Carleo diz que as
lições que a equipe aprendeu ao combinar a aprendizagem de máquinas com ideias
da física quântica também poderiam melhorar as aplicações de uso geral de
inteligência artificial. “Nós poderíamos usar os métodos que desenvolvemos aqui
em outros contextos”, diz ele. “Algum dia, podemos ter um carro auto-dirigido
inspirado pela mecânica quântica, quem sabe”.
Caminho inverso
Ao invés de utilizar a inteligência artificial para melhorar nosso
conhecimento sobre a física quântica, as pesquisas que envolvem estes dois
elementos geralmente funcionam no caminho inverso: o da utilização da física
quântica para melhorar a inteligência artificial.
A inteligência artificial atual é limitada a estes algoritmos especializados
de aprendizado de máquinas, capazes de realizar tarefas específicas de forma
automatizada – como dirigir um carro ou jogar xadrez.
Em um novo estudo publicado na revista Physical Review Letters neste
mês, pesquisadores do Centro de Tecnologias Quânticas da Universidade Nacional
de Cingapura (NUS) afirmam que este processo poderia ser grandemente melhorado
pela computação quântica. Eles propuseram um algoritmo de sistema linear
quântico que permitiria uma análise muito mais rápida de conjuntos de dados maiores
através de um computador quântico.
Um algoritmo quântico é um algoritmo projetado para funcionar em um
modelo de computação quântica realista. Como algoritmos tradicionais, os
algoritmos quânticos são um procedimento passo a passo; no entanto, eles usam
recursos específicos para a computação quântica, como o emaranhamento quântico
e a superposição.
Com a maior capacidade da computação quântica, a inteligência artificial
pode ser melhor e muito mais rápida.
“O ensino de máquinas quânticas é uma área de pesquisa emergente que
tenta aproveitar o poder do processamento de informação quântica para obter
acelerações para tarefas de aprendizado de máquinas clássicos”, escreveram os
pesquisadores em seu estudo.
Os sistemas de IA atuais e seus algoritmos de aprendizagem de máquinas
já são capazes de enormes quantidades de computação – como aquele usado por
Carleo e seus colegas para medir os sistemas quânticos. Mas o processo pelo
qual esses algoritmos funcionam através de seus conjuntos de dados – que
geralmente incluem uma tonelada de informações que a AI tem que analisar –
definitivamente receberia um impulso muito grande da computação quântica. Ou
seja, o uso compartilhado da física quântica e da inteligência artificial pode
ser uma via de mão dupla, que pode fazer com que as duas áreas se desenvolvam.
Antes que o algoritmo pela equipe possa ser usado, primeiro devemos
desenvolver melhores computadores quânticos. Mas com todo o trabalho que está
sendo feito nessa frente, pode não demorar até que este conceito se torne
realidade.
Nenhum comentário:
Postar um comentário