Você já imaginou computadores tão poderosos que poderiam revolucionar a inteligência artificial? A computação quântica promete exatamente isso! Neste post, vamos explorar como o hardware quântico pode ser a peça que faltava para impulsionar a IA a um nível completamente novo. Prepare-se para uma jornada fascinante pelo futuro da tecnologia!
Aprendizado de máquina quântico: uma nova era?
Assim como existem diversas técnicas de aprendizado de máquina sob o guarda-chuva da IA, há muitas maneiras de usar a computação quântica para executar algum aspecto de um algoritmo de IA. Algumas são simplesmente questões matemáticas; algumas formas de aprendizado de máquina requerem, por exemplo, muitas operações de matrizes, que podem ser executadas eficientemente em hardware quântico.
Mas também existem maneiras pelas quais o hardware quântico pode ser uma boa combinação para a IA. Um dos desafios de executar IA em hardware de computação tradicional é que o processamento e a memória são separados. Executar algo como uma rede neural requer viagens repetidas à memória para verificar quais sinais de destino de um neurônio artificial precisam ser enviados e qual peso atribuir a cada sinal. Isso cria um grande gargalo.
Computadores quânticos: sem gargalos?
Computadores quânticos não têm esse tipo de separação. Embora possam incluir alguma memória quântica, os dados geralmente são armazenados diretamente nos qubits, enquanto a computação envolve a execução de operações, chamadas portas, diretamente nos próprios qubits. Na verdade, houve uma demonstração de que, para aprendizado de máquina supervisionado, onde um sistema pode aprender a classificar itens após o treinamento em dados pré-classificados, um sistema quântico pode superar os clássicos, mesmo quando os dados processados estão em hardware clássico.
Essa forma de aprendizado de máquina se baseia no que são chamados de circuitos quânticos variacionais. Esta é uma operação de porta de dois qubits que leva um fator adicional que pode ser mantido no lado clássico do hardware e transmitido aos qubits por meio dos sinais de controle que acionam a operação da porta. Você pode pensar nisso como análogo às comunicações envolvidas em uma rede neural, com a operação da porta de dois qubits equivalente à passagem de informações entre dois neurônios artificiais e o fator análogo ao peso dado ao sinal.
De pixels a qubits: o desafio da conversão
O foco do novo trabalho foi principalmente em como obter dados do mundo clássico para o sistema quântico para caracterização. Mas os pesquisadores acabaram testando os resultados em dois processadores quânticos diferentes.
O problema que eles estavam testando é um de classificação de imagem. A matéria-prima veio do conjunto de dados Honda Scenes, que contém imagens tiradas de aproximadamente 80 horas de direção na Califórnia do Norte; as imagens são marcadas com informações sobre o que há na cena. E a pergunta que os pesquisadores queriam que o aprendizado de máquina respondesse era simples: está nevando na cena?
Todas as imagens estavam em hardware clássico, é claro. Para classificar uma imagem em hardware quântico, ela teve que ser convertida em informação quântica para processamento. A equipe tentou três métodos de codificação dos dados, que diferiram em termos de como os pixels das imagens foram divididos e para quantos qubits os pedaços resultantes foram enviados. Os pesquisadores usaram um simulador clássico de um processador quântico para fazer as etapas de treinamento, que identificaram os números apropriados — novamente, pense em termos dos pesos de uma rede neural — a serem usados durante as operações da porta de dois qubits.
Então eles executaram o hardware em dois processadores quânticos diferentes. Um, da IBM, tem muitos qubits (156), mas uma taxa de erro um pouco maior durante as operações de porta. O segundo é da Quantinuum e é notável por ter uma taxa de erro muito baixa durante as operações, mas possui apenas 56 qubits. Em geral, a precisão da classificação aumentou à medida que os pesquisadores usaram mais qubits ou executaram mais portas.
De maneira geral, o sistema funcionou; as precisões estavam bem acima do que se esperaria do acaso. Ao mesmo tempo, elas eram geralmente inferiores ao que se obteria de um algoritmo padrão executado em hardware normal. Ainda não chegamos ao ponto em que o hardware existente tem qubits suficientes e uma taxa de erro baixa o suficiente para ser competitivo em hardware clássico. Ainda assim, o trabalho foi claramente capaz de mostrar que o hardware quântico do mundo real é capaz de executar os tipos de algoritmos de IA que as pessoas esperavam dele. Mas, como todos os outros, as pessoas que esperam resolver problemas úteis terão que esperar por melhorias adicionais no lado do hardware.
Compartilhe suas experiências com a computação quântica! Deixe seu comentário abaixo.
Fonte: Ars Technica
