Dentro brevemente
- Pesquisas recentes sugerem que a IA pode superar a computação quântica na simulação de algumas substâncias complexas e reações químicas, levantando questões sobre o benefício potencial da computação quântica nessas áreas, de acordo com o MIT Technology Review.
- Os modelos de IA treinados em grandes conjuntos de dados são agora capazes de simular sistemas grandes e fracamente correlacionados, tornando-os uma ferramenta eficiente e económica para indústrias como a descoberta de medicamentos e a ciência dos materiais.
- No entanto, os avanços no hardware quântico e no desenvolvimento de algoritmos ainda podem permitir que os computadores quânticos ganhem terreno, especialmente em tarefas que exigem simulações precisas de sistemas quânticos altamente correlacionados.
Os avanços no desenvolvimento de algoritmos de inteligência artificial (IA) podem ultrapassar a computação quântica no tratamento de algumas de suas aplicações mais promissoras em química e ciência de materiais, de acordo com um artigo do MIT Technology Review. Esta mudança na vantagem competitiva pode ser a forma como as empresas investem em tecnologia informática avançada.
Gigantes tecnológicos e startups investiram milhares de milhões de dólares no desenvolvimento da computação quântica, esperando que esta se adaptasse naturalmente a áreas como finanças, descoberta de medicamentos e gestão de ativos. As grandes expectativas têm sido particularmente evidentes em áreas como a física e a química, onde as propriedades únicas da mecânica quântica têm o potencial de resolver problemas complexos que vão além das capacidades dos computadores antigos. Mas embora o poder da computação quântica tenha sido amplamente revelado, os seus desafios de hardware deixaram espaço para a IA fazer incursões inesperadas, dizem os relatórios.
Um recente artigo científico de coautoria de Giuseppe Carleo, professor de física computacional no Instituto Federal Suíço de Tecnologia (EPFL), destaca o progresso da IA baseada em redes neurais na modelagem de objetos com fortes propriedades quânticas.
“A presença desses novos concorrentes no aprendizado de máquina tem implicações significativas para aplicações de computadores quânticos”, disse Carleo ao MIT Technology Review. “Na minha opinião, estas empresas descobrirão rapidamente que os seus investimentos não valem a pena.”
O cepticismo de Carleo centra-se na rapidez com que a IA está a avançar na simulação de sistemas quânticos, onde se esperava que os computadores quânticos tivessem uma vantagem decisiva.
A promessa e os desafios da computação quântica
Os computadores quânticos são teoricamente melhores em lidar com certos tipos de cálculos com muito mais rapidez do que os computadores convencionais. Essa vantagem potencial surge porque os computadores quânticos usam qubits, que podem representar estados quânticos complexos de uma forma que os bits clássicos não conseguem. Na verdade, esta estrutura única permite-lhes lidar com cálculos, como simular interações moleculares, muito mais rápido – talvez muito mais rápido – do que os sistemas clássicos.
No entanto, a análise revela que atingir esse nível de desempenho requer, na verdade, milhares ou milhões de qubits estáveis. Os sistemas quânticos atuais acabaram de ultrapassar mil qubits, e serão necessários dispositivos muito maiores para provar uma vantagem inegável de velocidade sobre os computadores clássicos. Mesmo para aplicações simples, a lenta velocidade de processamento do hardware quântico, combinada com a dificuldade de gestão de grandes conjuntos de dados, continua a ser um obstáculo significativo. Para evidências dos pontos de revisão no artigo do ano passado de Matthias Troyer, chefe de computação quântica da Microsoft, que observou que, para fins práticos, esses desafios reduzem os benefícios esperados dos computadores quânticos em áreas como busca e otimização de bancos de dados.
O MIT Technology Review relata que a pesquisa de Troyer ajudou a mudar o foco para o principal potencial da computação quântica – em particular, problemas em química e ciência de materiais onde os resultados da mecânica quântica são centrais. Segundo este artigo, esse pivô corresponde às primeiras ideias do físico Richard Feynman, que dizia que os computadores quânticos terão sucesso na simulação de sistemas quânticos, como moléculas complexas, que não se enquadram na modelagem convencional.
O benefício da IA na modelagem de sistemas quânticos
Enquanto os computadores quânticos continuam a desenvolver-se, a IA avança rapidamente, utilizando grandes conjuntos de dados para simular sistemas complexos em física e química. Os métodos tradicionais para estudar tais sistemas, como a teoria do funcional da densidade (DFT), fornecem uma maneira de simular sistemas quânticos fracamente correlacionados sem escala exponencial. No entanto, executar essas simulações em escala requer um poder computacional significativo. Recentemente, os modelos baseados em IA começaram a igualar ou até mesmo superar o DFT em muitas aplicações, expandindo drasticamente o escopo e a complexidade dos sistemas que os pesquisadores podem modelar.
Alexandre Tkatchenko, professor de ciências naturais da Universidade de Luxemburgo, descreveu o fenômeno ao MIT Technology Review, acrescentando: “É incrível. Você realmente pode fazer muita química. ”
Com redes neurais treinadas em dados gerados por DFT, a IA pode agora prever estruturas moleculares de até 100.000 átomos, uma escala anteriormente inatingível com técnicas de computação clássicas. De acordo com o MIT Technology Review, essa capacidade tornou a IA atraente para áreas como a medicina, onde é importante compreender as estruturas das proteínas e as interações químicas.
Olexandr Isayev, professor de química da Carnegie Mellon University, disse na revisão que a IA já é uma ferramenta eficaz nessas áreas, ajudando a aumentar as reações químicas e a desenvolver novos materiais para baterias. No entanto, Isayev destacou que o maior obstáculo às simulações baseadas em IA é sempre o acesso a dados de alta qualidade, com grandes empresas tecnológicas, como a Meta, a investir extensos recursos para treinar estes modelos. O conjunto de dados mais recente da Meta, baseado em cálculos DFT de 118 milhões de moléculas, permitiu que seu modelo de IA atingisse um desempenho de última geração.
Lidando com programas altamente relacionados
Embora a IA tenha se mostrado adepta de sistemas fracamente emaranhados, ela está começando a se mostrar promissora na simulação de sistemas quânticos altamente correlacionados, que há muito tempo representam desafios tanto para a computação clássica quanto para a computação quântica. Esses sistemas, onde as partículas interagem fortemente, são adequados para tecnologias revolucionárias, como supercondutores de alta temperatura e sensores de precisão. Carleo, juntamente com Troyer da Microsoft, mostraram num artigo científico de 2017 que as redes neurais podem modelar estes sistemas quânticos complexos, embora não dependam de treino a partir de dados convencionais.
Em vez disso, os modelos de IA funcionam utilizando as leis da mecânica quântica, como a equação de Schrödinger, para encontrar a configuração de energia mais baixa nestes sistemas. O método imita o AlphaZero da DeepMind, que faz jogos como Go e xadrez jogarem contra ele. Carleo explicou ao MIT Technology Review que o método permite que redes neurais comprimam a complexidade da função de onda de um sistema quântico em um formato controlado por hardware clássico.
“A função de onda é um fenômeno matemático muito complexo”, disse Carleo, conforme relatado pela revisão. “O que foi revelado em muitos documentos agora é que [the neural network] é capaz de capturar a complexidade deste material de uma forma que uma máquina antiga não conseguiria.”
Desde esse progresso em 2017, as técnicas de IA alcançaram resultados significativos na simulação de alguns sistemas quânticos complexos, estabelecendo as redes neurais como um método eficaz na simulação quântica. De acordo com o MIT Technology Review, um artigo recente de coautoria de Carleo comparou redes neurais a outras técnicas clássicas em tarefas desafiadoras de simulação quântica, estabelecendo uma nova referência na área.
Implicações para o futuro da computação quântica
Um relatório do MIT Technology Review sugere que a capacidade da IA de simular sistemas quânticos poderia reduzir o apelo da computação quântica em algumas aplicações, levantando questões sobre a viabilidade comercial a longo prazo da tecnologia quântica na química e na ciência dos materiais. De acordo com Carleo, os modelos baseados em IA estão prestes a se tornar ferramentas populares para muitas tarefas de simulação quântica.
A convergência da IA com a computação clássica poderia, como explica Frank Noe, da Microsoft Research, tornar “muito pequeno” o número de aplicações que exigem fortemente soluções de computação quântica.
Como participar
Apesar desses avanços, o MIT Technology Review relata que as simulações quânticas baseadas em IA enfrentam limitações, especialmente na captura de todos os sistemas altamente correlacionados. Embora a IA muitas vezes se aproxime das soluções, ela pode ficar aquém da precisão absoluta.
No entanto, como explica Juan Carrasquilla, da ETH Zurique, aproximações “suficientemente boas” podem ser suficientes para fins práticos, tornando a solução indistinguível da resposta exata em aplicações do mundo real.
Esta escalabilidade abre portas para abordagens mais colaborativas, combinando IA com outras técnicas clássicas de simulação. De acordo com Antoine Georges, do Centro de Física Quântica Computacional do Flatiron Institute, cada método tem seus pontos fortes e complementa os outros.
Georges disse ao MIT Technology Review: “Portanto, não acho que esses métodos de aprendizado de máquina irão eliminar todos os outros métodos de negócios”.
Outra fraqueza no argumento a favor de uma abordagem apenas de IA para a simulação quântica é que ela pressupõe pouco progresso no hardware quântico e aparentemente nenhum progresso no desenvolvimento de algoritmos quânticos. Como ainda não existem computadores quânticos robustos, é difícil estimar quão bem uma máquina tolerante a falhas executaria uma tarefa de simulação quântica – se ela tem um desempenho ruim ou supera a IA nessas tarefas. É como lutar contra um fantasma – você pode dar muitos socos, mas não há como saber se eles estão acertando.
Em segundo lugar, embora o progresso no desenvolvimento de algoritmos clássicos de IA seja impressionante, não há razão para sugerir que o progresso no desenvolvimento de algoritmos quânticos será bom. Além disso, não haveria razão para sugerir que o mesmo progresso na IA clássica não se traduziria nos benefícios da IA quântica, ou da IA híbrida clássica-quântica, ambas as quais estão a ser investigadas.
Finalmente, compreender os custos destas simulações de IA permitirá comparações finais melhores. Por exemplo, a IA avançada é muitas vezes dispendiosa e exaustiva do ponto de vista computacional. Os computadores quânticos tolerantes a falhas podem proporcionar uma vantagem competitiva significativa em termos de custos financeiros e ambientais.
No curto prazo, muitos especialistas acreditam que os sistemas híbridos – combinando computação quântica e clássica – poderão ter o melhor equilíbrio em termos de eficiência energética. A IA pode lidar com partes do problema que não requerem poder de processamento quântico, enquanto os processadores quânticos lidam com coisas mais complexas e específicas do quantum. Este tipo de compartilhamento de tarefas pode tornar certas aplicações mais eficientes, combinando os pontos fortes de ambas as tecnologias sem exigir o poder total de cada uma.
Portanto, enquanto a IA continua a avançar, espera-se que a indústria da computação quântica acabe por se concentrar em desafios complexos e específicos do quantum que os sistemas primitivos não conseguem lidar, especialmente à medida que estas aplicações amadurecem. A MIT Technology Review conclui que a competição entre a IA e a computação quântica pode, em última análise, impulsionar o progresso em ambos os campos, fornecendo soluções práticas para a química e a ciência dos materiais muito mais rapidamente do que o esperado.
