Há anos, empresas de tecnologia investem bilhões de dólares em computação quântica, com a esperança de que ela transforme setores como Finanças, Farmácia e Logística. Essas expectativas são especialmente altas nas áreas de Física e Química, onde os efeitos peculiares da mecânica quântica entram em ação. Em teoria, é aqui que a computação quântica teria uma enorme vantagem sobre as máquinas convencionais.
No entanto, enquanto o setor ainda enfrenta desafios com o hardware quântico, outro concorrente está avançando em algumas dessas áreas promissoras. A IA está sendo aplicada à Física Fundamental, Química e Ciência dos Materiais, de forma que sugere que o terreno, até então considerado propício para a computação quântica, talvez não seja tão seguro quanto se pensava.
A escala e a complexidade dos sistemas quânticos que podem ser simulados com IA estão avançando rapidamente, afirma Giuseppe Carleo, professor de Física Computacional no Instituto Federal de Tecnologia da Suíça (EPFL). No mês passado, ele coassinou um artigo publicado na revista Science mostrando que abordagens baseadas em redes neurais estão rapidamente se tornando a técnica líder para modelar materiais com propriedades quânticas intensas.
A Meta também apresentou recentemente um modelo de IA treinado em um novo conjunto de dados massivos sobre materiais, que alcançou o topo do ranking de abordagens de aprendizado de máquina para descoberta de materiais.
Dado o ritmo dos avanços recentes, um número crescente de pesquisadores está se perguntando se a IA pode resolver uma parte significativa dos problemas mais interessantes em Química e Ciência dos Materiais antes que computadores quânticos em larga escala se tornem realidade.
“A existência desses novos concorrentes em aprendizado de máquina é um golpe sério para as potenciais aplicações da computação quântica,” diz Carleo. “Na minha opinião, essas empresas vão descobrir, mais cedo ou mais tarde, que seus investimentos não se justificam.”
Problemas exponenciais
A promessa dos computadores quânticos está em seu potencial para realizar certos cálculos muito mais rapidamente do que os computadores convencionais. Para concretizar essa promessa, no entanto, será necessário desenvolver processadores quânticos muito maiores do que os que temos hoje. Os maiores dispositivos recém-atingiram a marca de mil qubits, mas alcançar uma vantagem clara sobre os computadores clássicos provavelmente exigirá dezenas de milhares, se não milhões de qubits. Quando esse hardware estiver disponível, alguns algoritmos quânticos, como o algoritmo de Shor para quebra de criptografia, poderão resolver problemas de maneira exponencialmente mais rápida do que os algoritmos clássicos conseguem.
Mas para muitos algoritmos quânticos com aplicações comerciais mais evidentes, como buscas em bancos de dados, solução de problemas de otimização ou impulso à Inteligência Artificial, a vantagem de velocidade é mais modesta. No ano passado, um artigo coescrito pelo chefe de computação quântica da Microsoft, Matthias Troyer, mostrou que essas vantagens teóricas desaparecem quando se leva em conta o fato de que o hardware quântico opera em uma ordem de magnitude mais lenta do que os chips de computador modernos. A dificuldade de inserir e extrair grandes quantidades de dados clássicos de um computador quântico também é um grande obstáculo.
Troyer e seus colegas concluíram que os computadores quânticos deveriam, em vez disso, focar em problemas de Química e Ciência dos Materiais que exigem simulações de sistemas onde os efeitos quânticos dominam. Um computador que opera segundo os mesmos princípios quânticos desses sistemas teria, em teoria, uma vantagem natural nesse caso. De fato, essa foi a ideia que motivou a Computação Quântica desde que o renomado físico Richard Feynman a propôs pela primeira vez.
As regras da mecânica quântica governam muitos elementos com grande valor prático e comercial, como proteínas, medicamentos e materiais. Suas propriedades são determinadas pelas interações das partículas constituintes, especialmente os elétrons—e simular essas interações em um computador permitiria prever que tipos de características uma molécula apresentará. Isso poderia ser inestimável para a descoberta de novos medicamentos ou formulações mais eficientes para baterias, por exemplo.
Entretanto, as regras contraintuitivas da mecânica quântica—em especial o fenômeno do emaranhamento, que permite que os estados quânticos de partículas distantes estejam intrinsecamente ligados—podem tornar essas interações extremamente complexas. Monitorá-las de forma precisa requer cálculos complexos, que se tornam exponencialmente mais difíceis à medida que o número de partículas envolvidas aumenta. Isso torna a simulação de grandes sistemas quânticos inviável em máquinas clássicas.
É aqui que os computadores quânticos poderiam se destacar. Por também operarem com princípios quânticos, eles conseguem representar estados quânticos de maneira muito mais eficiente do que é possível com máquinas clássicas. Além disso, poderiam aproveitar os efeitos quânticos para acelerar seus cálculos.
No entanto nem todos os sistemas quânticos são iguais. Sua complexidade é determinada pelo grau em que suas partículas interagem ou se correlacionam entre si. Em sistemas onde essas interações são intensas, monitorar todas essas relações pode rapidamente multiplicar o número de cálculos necessários para modelar o sistema. Mas na maioria dos sistemas de interesse prático para químicos e cientistas dos materiais, a correlação é fraca, afirma Carleo. Isso significa que as partículas não afetam significativamente o comportamento umas das outras, o que torna os sistemas bem mais simples de modelar.
O resultado, segundo Carleo, é que é improvável que os computadores quânticos ofereçam qualquer vantagem para a maioria dos problemas em Química e Ciência dos Materiais. Ferramentas clássicas que conseguem modelar sistemas fracamente correlacionados com precisão já existem, sendo a mais proeminente a Teoria do Funcional da Densidade (DFT). A ideia por trás da DFT é que basta conhecer a densidade eletrônica de um sistema—uma medida de como os elétrons estão distribuídos no espaço—para compreender suas propriedades principais. Isso simplifica muito os cálculos, mas ainda pode fornecer resultados precisos para sistemas fracamente correlacionados.
Simular grandes sistemas usando essas abordagens exige poder computacional considerável. No entanto, nos últimos anos houve uma explosão de pesquisas utilizando a DFT para gerar dados sobre substâncias químicas, biomoléculas e materiais—dados que podem ser usados para treinar redes neurais. Esses modelos de IA aprendem padrões nos dados que lhes permitem prever quais propriedades uma determinada estrutura química provavelmente terá, mas são ordens de magnitude mais baratos de rodar do que os cálculos convencionais de DFT.
Isso expandiu drasticamente o tamanho dos sistemas que podem ser modelados – para até 100.000 átomos de uma vez – e a duração das simulações, diz Alexandre Tkatchenko, professor de física na Universidade de Luxemburgo. “É incrível. Dá para fazer praticamente toda a química”, afirma ele.
Olexandr Isayev, professor de química na Universidade Carnegie Mellon, afirma que essas técnicas já estão sendo amplamente aplicadas por empresas de química e ciências da vida. Para os pesquisadores, problemas antes inatingíveis, como otimização de reações químicas, desenvolvimento de novos materiais para baterias e compreensão de ligações proteicas, finalmente estão se tornando viáveis.
Como na maioria das aplicações de IA, o maior gargalo é a disponibilidade de dados, diz Isayev. O conjunto de dados sobre materiais recém-lançado pela Meta foi baseado em cálculos de DFT em 118 milhões de moléculas. Um modelo treinado com esses dados alcançou um desempenho de ponta, mas a criação do material de treinamento exigiu recursos computacionais vastos, muito além do que está acessível para a maioria das equipes de pesquisa. Isso significa que, para cumprir o potencial completo dessa abordagem, serão necessários investimentos massivos.
Contudo, modelar um sistema fracamente correlacionado usando DFT não é um problema de escala exponencial. Isso sugere que, com mais dados e recursos computacionais, abordagens clássicas baseadas em IA poderiam simular até os maiores desses sistemas, diz Tkatchenko. Dado que computadores quânticos poderosos o suficiente para competir ainda devem demorar décadas para chegar, ele acrescenta, a trajetória atual da IA sugere que ela pode atingir marcos importantes, como simular com precisão como medicamentos se ligam a proteínas, muito mais cedo.
Correlações fortes
Quando se trata de simular sistemas quânticos fortemente correlacionados — aqueles em que as partículas interagem intensamente —, métodos como o DFT rapidamente esgotam suas capacidades. Embora mais exóticos, esses sistemas incluem materiais com potencial para transformações radicais, como supercondutividade em alta temperatura ou sensores ultrassensíveis. No entanto, mesmo nesse campo, a IA está avançando com velocidade.
Em 2017, Carleo, da EPFL, e Troyer, da Microsoft, publicaram um artigo seminal na Science mostrando que redes neurais poderiam modelar sistemas quânticos fortemente correlacionados. Essa abordagem não aprende com dados no sentido clássico. Em vez disso, diz Carleo, ela é similar ao modelo AlphaZero, da DeepMind, que dominou os jogos de Go, xadrez e shogi utilizando apenas as regras de cada jogo e a capacidade de jogar contra si mesmo.
Nesse caso, as “regras do jogo” são fornecidas pela equação de Schrödinger, que pode descrever precisamente o estado quântico, ou função de onda, de um sistema. O modelo joga contra si mesmo ao organizar partículas em determinada configuração e, em seguida, medir o nível de energia do sistema. O objetivo é alcançar a configuração de menor energia (conhecida como estado fundamental), que determina as propriedades do sistema. O modelo repete esse processo até que os níveis de energia parem de cair, indicando que o estado fundamental — ou algo próximo dele — foi alcançado.
O poder desses modelos está em sua capacidade de compactar informações, explica Carleo. “A função de onda é um objeto matemático muito complicado,” ele diz. “O que vários estudos mostraram é que [a rede neural] consegue capturar a complexidade desse objeto de uma forma que pode ser manejada por uma máquina clássica.”
Desde o artigo de 2017, a abordagem foi ampliada para uma variedade de sistemas fortemente correlacionados, conta Carleo, com resultados impressionantes. O artigo publicado recentemente na Science com colegas colocou as principais técnicas de simulação clássica à prova em uma variedade de problemas complicados de simulação quântica, com o objetivo de criar um benchmark para avaliar os avanços nas abordagens clássicas e quânticas.
Carleo afirma que as técnicas baseadas em redes neurais são agora a melhor abordagem para simular muitos dos sistemas quânticos mais complexos que testaram. “O aprendizado de máquina está realmente liderando em muitos desses problemas”, diz ele.
Essas técnicas estão atraindo a atenção de grandes nomes da indústria de tecnologia. Em agosto, pesquisadores da DeepMind mostraram em um artigo na Science que conseguiam modelar com precisão estados excitados em sistemas quânticos, o que pode, um dia, ajudar a prever o comportamento de células solares, sensores e lasers. Cientistas do Microsoft Research também desenvolveram um conjunto de softwares de código aberto para ajudar mais pesquisadores a usar redes neurais para simulação.
Uma das principais vantagens dessa abordagem é que ela se beneficia dos investimentos massivos em hardware e software de IA, diz Filippo Vicentini, professor de IA e física da matéria condensada na École Polytechnique, na França, que também foi coautor do artigo de benchmarking na Science: “Poder aproveitar esses avanços tecnológicos nos dá uma enorme vantagem.”
Há um porém: como os estados fundamentais são, na prática, encontrados por tentativa e erro, em vez de cálculos explícitos, eles são apenas aproximações. Mas é justamente por isso que essa abordagem pode avançar em um problema que parecia insolúvel, afirma Juan Carrasquilla, pesquisador do ETH Zurich e outro coautor do artigo de benchmarking na Science.
Se você deseja monitorar com precisão todas as interações em um sistema fortemente correlacionado, o número de cálculos necessários aumenta exponencialmente com o tamanho do sistema. Mas se uma resposta “boa o suficiente” é aceitável, há muito espaço para atalhos.
“Talvez não haja esperança de capturar exatamente,” diz Carrasquilla. “Mas há esperança de capturar informações suficientes para cobrir todos os aspectos que interessam aos físicos. E, se conseguirmos isso, é basicamente indistinguível de uma solução exata.”
E embora sistemas fortemente correlacionados sejam geralmente difíceis de simular classicamente, há casos notáveis em que isso não se aplica. Isso inclui alguns sistemas relevantes para modelagem de supercondutores de alta temperatura, segundo um artigo de 2023 na Nature Communications.
“Devido à complexidade exponencial, sempre haverá problemas para os quais não se pode encontrar um atalho,” diz Frank Noe, gerente de pesquisa no Microsoft Research, que liderou boa parte do trabalho da empresa nessa área. “Mas acredito que o número de sistemas para os quais não se pode encontrar um bom atalho ficará muito menor.”
Sem “balas de prata”
No entanto, Stefanie Czischek, professora assistente de física na Universidade de Ottawa, diz que pode ser difícil prever quais problemas as redes neurais podem resolver de forma viável. Em alguns sistemas complexos, elas se saem incrivelmente bem, mas em outros, aparentemente mais simples, os custos computacionais aumentam inesperadamente. “Ainda não sabemos quais são suas limitações,” diz ela. “Ninguém sabe exatamente quais condições tornam difícil representar sistemas usando essas redes neurais.”
Enquanto isso, também houve avanços dignos de nota em outras técnicas clássicas de simulação quântica, diz Antoine Georges, diretor do Centro de Física Quântica Computacional do Instituto Flatiron em Nova York, que também contribuiu para o artigo de benchmarking na Science. “Cada uma dessas técnicas é bem-sucedida por si só, e também são muito complementares entre si,” afirma. “Então, não acredito que esses métodos de aprendizado de máquina vão simplesmente acabar com todas as outras abordagens.”
Os computadores quânticos também terão seu espaço, diz Martin Roetteler, diretor sênior de soluções quânticas da IonQ, que desenvolve computadores quânticos baseados em íons presos. Ele concorda que as abordagens clássicas provavelmente serão suficientes para simular sistemas fracamente correlacionados, mas está confiante de que alguns sistemas fortemente correlacionados, de grande porte, estarão fora de seu alcance. “A complexidade exponencial vai te limitar,” afirma ele. “Existem casos com sistemas fortemente correlacionados que não conseguimos tratar classicamente. Estou fortemente convencido de que esse é o caso.”
Por outro lado, ele afirma que um futuro computador quântico tolerante a falhas, com muito mais qubits do que os dispositivos atuais, será capaz de simular tais sistemas. Isso poderá ajudar na descoberta de novos catalisadores ou na compreensão dos processos metabólicos no corpo—uma área de interesse da indústria farmacêutica.
As redes neurais provavelmente aumentarão o escopo dos problemas que podem ser resolvidos, diz Jay Gambetta, que lidera os esforços em computação quântica da IBM, mas ele não está convencido de que elas resolverão os desafios mais difíceis que interessam às empresas.
“É por isso que muitas empresas que essencialmente têm a química como um requisito ainda estão investigando o quântico—porque sabem exatamente onde esses métodos aproximados falham,” diz ele.
Gambetta também rejeita a ideia de que as tecnologias sejam rivais. Ele acredita que o futuro da computação deve envolver uma combinação dos dois métodos, com rotinas quânticas e clássicas trabalhando juntas para resolver problemas. “Não acho que estejam competindo. Na verdade, acho que se complementam,” afirma.
Mas Scott Aaronson, diretor do Centro de Informação Quântica da Universidade do Texas, afirma que as abordagens de aprendizado de máquina estão competindo diretamente com os computadores quânticos em áreas como química quântica e física da matéria condensada. Ele prevê que uma combinação de aprendizado de máquina e simulações quânticas superará abordagens puramente clássicas em muitos casos, mas isso só ficará evidente quando computadores quânticos maiores e mais confiáveis estiverem disponíveis.
“Desde o início, encaro a computação quântica, antes de mais nada, como uma busca científica, com qualquer aplicação industrial sendo apenas um bônus,” diz ele. “Então, se as simulações quânticas raramente superarem o aprendizado de máquina clássico, não ficarei tão desapontado quanto alguns dos meus colegas.”
Uma área em que os computadores quânticos provavelmente terão uma vantagem clara é na simulação da evolução de sistemas quânticos complexos ao longo do tempo, afirma Carleo, da EPFL. Isso pode oferecer insights inestimáveis para cientistas em áreas como a mecânica estatística e a física de altas energias, mas parece improvável que leve a usos práticos no curto prazo. “Essas são aplicações mais nichadas que, na minha opinião, não justificam os enormes investimentos e a grande expectativa,” acrescenta Carleo.
Apesar disso, os especialistas com quem a MIT Technology Review conversou afirmam que a falta de aplicações comerciais não é motivo para parar de investir em computação quântica, que pode levar a descobertas científicas fundamentais a longo prazo.
“A ciência é como um conjunto de caixas aninhadas—você resolve um problema e encontra outros cinco,” diz Vicentini. “A complexidade das coisas que estudamos aumentará com o tempo, então sempre precisaremos de ferramentas mais poderosas.”
MIT Technology Review
