Inteligência Artifical e Computação Quântica: desafios, oportunidades, convergência e aplicações
Por Waldemir Cambiucci
A convergência entre a Inteligência Artificial (IA) e a Computação Quântica já está acontecendo e estabelecendo novas fronteiras na resolução de problemas complexos, combinando as capacidades de aprendizado de máquina da IA com as propriedades únicas dos sistemas quânticos, como superposição e entrelaçamento. Essa sinergia não apenas potencializa soluções mais rápidas e eficientes, mas também promete revolucionar setores como medicina, química, ciência de materiais, finanças e ciência básica, superando as limitações das abordagens clássicas existentes. Contudo, integrar essas duas áreas da computação apresenta desafios significativos, incluindo a necessidade de expertise especializada, formação de novos profissionais e o desenvolvimento de técnicas que aproveitem o potencial de ambas as tecnologias. Além disso, as oportunidades emergentes neste campo abrangem desde o design de dispositivos quânticos mais robustos até aplicações inovadoras que podem transformar a sociedade. Este artigo explora algumas das sinergias entre IA e computação quântica, discutindo os principais desafios, oportunidades e aplicações de um novo ecossistema bastante promissor.
Conceitos fundamentais
Para começar, é importante resgatar algumas definições. Computação Quântica é um novo paradigma de computação que utiliza fenômenos da mecânica quântica, como superposição, interferência e entrelaçamento, para realizar operações em dados, reduzindo a complexidade de problemas de tempos exponenciais para polinomiais. Já a Inteligência Artificial é um campo da ciência da computação que lida com a criação de softwares capazes de executar tarefas que normalmente requerem inteligência humana, como criatividade, sumarização, compreensão, fala, visão e reconhecimento de padrões, entre outras.
Ambas as áreas têm atraído a atenção de investidores, pesquisadores e empresas nos últimos anos, alternando entre anúncios importantes, avanços significativos e muita expectativa. Em tempos de ChatGPT e da Era da IA, além de investimentos milionários em data centers de IA, surge a pergunta natural: o que seria uma Inteligência Artificial Quântica, como próximo passo nessa evolução acelerada? Seria possível? É o que podemos esperar como evolução após as IAs baseadas em modelos de transformadores GPT?
Este artigo busca trazer elementos sobre essa discussão, visando ajudar na resposta a essas perguntas. Entretanto, o espaço é limitado para cobrir um campo tão vasto, portanto, considere o texto como uma introdução ao tema apenas! 😉
O encontro de dois mundos
Imagine um mundo onde computadores não são apenas rápidos, mas capazes de resolver problemas que atualmente levariam décadas em questão de minutos. Esse é o potencial que surge quando combinamos a Inteligência Artificial com a Computação Quântica. Essa união promete revolucionar diversas áreas, desde a química até a descoberta de novos materiais, abrindo caminho para soluções que antes pareciam impossíveis.
A IA já está presente em nossas vidas de várias maneiras: nos assistentes virtuais que entendem nossa voz, nos sistemas que recomendam filmes ou músicas via aplicativos de streaming, na biometria facial e até nos carros autônomos. Ela é excelente em aprender com dados, identificar padrões e tomar decisões. O atual estágio das IAs que utilizamos tem aproximadamente 20 anos, desde o surgimento dos modelos de aprendizado de máquina (machine learning) e os modelos de aprendizado profundo (deep learning). Praticamente todas as aplicações de IA atualmente têm fundamentos ligados ao aprendizado de máquina.
A computação quântica, por outro lado, utiliza princípios da física quântica, como a superposição e o entrelaçamento, para processar informações de maneiras totalmente novas, muitas vezes contraintuitivas para nós. Enquanto os computadores clássicos usam bits que podem assumir valores “0” ou “1”, os computadores quânticos usam qubits (bits quânticos) que podem representar “0”, “1” ou uma combinação de ambos ao mesmo tempo, graças ao fenômeno da superposição. Isso permite que máquinas quânticas realizem múltiplos cálculos simultaneamente, resolvendo problemas complexos muito mais rápido do que os computadores clássicos, devido a uma vantagem exponencial em seu processamento.
É natural, portanto, considerar a possibilidade de unificar esses dois mundos, explorando os benefícios da IA e da computação quântica para a solução de um mesmo problema. De forma evolutiva, estamos passando de modelos baseados em estatísticas para o aprendizado de máquina e, em seguida, para o deep learning. Potencialmente, seguimos para a Quantum AI. Contudo, essa evolução pode não ser tão simples assim.
O surgimento da Quantum AI
Podemos dizer que o campo da Inteligência Artificial Quântica (Quantum AI) iniciou no final dos anos 1990 e início dos anos 2000. Nesse período, pesquisadores começaram a explorar como os princípios da computação quântica poderiam ser aplicados a algoritmos de aprendizado de máquina e inteligência artificial. Alguns marcos importantes incluem:
- 1997: Lov K. Grover propôs o algoritmo de busca de Grover, demonstrando a possibilidade de aceleração quântica em buscas não estruturadas, o que inspirou pesquisas sobre algoritmos quânticos para aprendizado.
- 2004-2006: Surgiram os primeiros trabalhos que combinavam aprendizado de máquina com computação quântica, como a aplicação de redes neurais quânticas e algoritmos de agrupamento quântico.
- 2010 em diante: Com o avanço tecnológico e maior acesso a computadores quânticos experimentais, houve um aumento significativo no interesse e na pesquisa em Quantum AI. Empresas como IBM, Google e Microsoft começaram a investir pesadamente nessa área nesses últimos 10 anos.
A partir da década de 2010, o campo ganhou impulso com a demonstração de algoritmos quânticos que poderiam potencialmente superar suas versões clássicas em tarefas de aprendizado de máquina, levando à consolidação da aprendizagem de máquina quântica como uma subárea em formação.
Máquina de Vetores de Suporte Quântica (QSVM)
Na jornada desses últimos anos, a Máquina de Vetores de Suporte Quântica (QSVM – Quantum Support Vector Machine) é uma extensão quântica do algoritmo clássico de Máquina de Vetores de Suporte (SVM – Support vector Machine), amplamente utilizado em aprendizado de máquina para tarefas de classificação e regressão.
A QSVM foi primeiramente citada em 2014 por Patrick Rebentrost, Masoud Mohseni e Seth Lloyd. Eles introduziram o conceito no artigo intitulado “Quantum Support Vector Machine for Big Data Classification”, publicado na revista Physical Review Letters.
- REBENTROST, Patrick; MOHSENI, Masoud; LLOYD, Seth. Quantum support vector machine for big data classification. Physical review letters, v. 113, n. 13, p. 130503, 2014. https://arxiv.org/abs/1307.0471
Nesse trabalho, os autores propuseram um algoritmo quântico para Máquinas de Vetores de Suporte que aproveita as propriedades da computação quântica para potencialmente acelerar o processo de classificação em comparação com as SVMs clássicas. O algoritmo utiliza técnicas quânticas para resolver sistemas lineares, baseando-se no algoritmo de Harrow-Hassidim-Lloyd (HHL), e demonstra como essa abordagem pode ser aplicada para classificação em grandes conjuntos de dados. Desse modo, a QSVM explora os princípios da computação quântica para acelerar e melhorar o desempenho na análise de grandes conjuntos de dados e em problemas de alta dimensionalidade.
Entre as aplicações potenciais esperadas encontramos:
- Reconhecimento de Padrões: Melhor desempenho em tarefas como reconhecimento facial e de voz, onde a classificação precisa ser altamente precisa e rápida.
- Análise de Dados em Grande Escala: Capacidade de processar e analisar big data em campos como finanças, bioinformática e física de partículas.
- Sistemas de Recomendação: Aperfeiçoamento de algoritmos que personalizam conteúdo para usuários com base em grandes volumes de dados.
Mais ainda existem muitos desafios para o uso ampliado de Quantum SVM, como:
- Hardware Limitado: A tecnologia quântica ainda está em desenvolvimento, e o acesso a computadores quânticos com qubits suficientes é limitado.
- Codificação de Dados: Converter dados clássicos em estados quânticos (preparação de estados) de forma eficiente é um desafio técnico significativo.
- Descoerência e Erros: Sistemas quânticos são suscetíveis a ruídos e erros, exigindo técnicas avançadas de correção de erros quânticos.
A QSVM representa um ponto de partida para discussões mais práticas sobre Quantum AI. A partir de então, as pesquisas e debates na área têm se intensificado a cada ano.
Inteligência artificial para computação quântica
É importante mencionar também o uso de modelos de IA para acelerar o desenvolvimento da computação quântica. Neste contexto, não estamos criando uma nova IA baseada em tecnologias quânticas, mas sim utilizando modelos de IA para obter insights e avanços tecnológicos na área de computação quântica, o que é bastante promissor. Para uma discussão detalhada sobre o tema, recomendo a leitura do artigo recente, publicado semana passada, saindo do forno! 😊
- Artificial Intelligence for Quantum Computing, Yuri Alexeev, Marwa H. Farag, Taylor L. Patti, Mark E. Wolf, Natalia Ares, Alán Aspuru-Guzik, Simon C. Benjamin, Zhenyu Cai, Zohim Chandani, Federico Fedele, Nicholas Harrigan, Jin-Sung Kim, Elica Kyoseva, Justin G. Lietz, Tom Lubowe, Alexander McCaskey, Roger G. Melko, Kouhei Nakaji, Alberto Peruzzo, Sam Stanwyck, Norm M. Tubman, Hanrui Wang, Timothy Costa. https://arxiv.org/abs/2411.09131
QNLP, QLLM, QML, QNN, QUANTUM AI
De fato, a coordenação de modelos de linguagem (LLMs) com tecnologias quânticas, através do aprendizado de máquina quântico (QML), envolve aproveitar propriedades como superposição, interferência e entrelaçamento para acelerar as capacidades dos modelos. Diversas frentes estão sendo exploradas simultaneamente, como:
Representação Quântica do Espaço de Recursos: técnicas de aprendizado de máquina quântico podem ser usadas para transformar o espaço de dados de linguagem em uma representação quântica. Isso poderia aumentar a eficiência de certas tarefas de processamento de linguagem.
- Havlíček, V., Córcoles, A.D., Temme, K. et al. Supervised learning with quantum-enhanced feature spaces. Nature 567, 209–212 (2019). https://doi.org/10.1038/s41586-019-0980-2
Processamento de Linguagem Natural Quântico (QNLP): envolve o desenvolvimento de versões quânticas de algoritmos clássicos de PLN, para análise de sentimento, reconhecimento de entidades, sumarização, etc. para operar em representações de dados quânticos.
- MEICHANETZIDIS, Konstantinos et al. Quantum natural language processing on near-term quantum computers. arXiv preprint arXiv:2005.04147, 2020. https://arxiv.org/abs/2005.04147
Redes Neurais Quânticas: QNNs são modelos que utilizam circuitos quânticos para realizar cálculos. Integrar LLMs com QNNs poderia possibilitar novas abordagens para compreensão de linguagens.
- KWAK, Yunseok et al. Quantum neural networks: Concepts, applications, and challenges. In: 2021 Twelfth International Conference on Ubiquitous and Future Networks (ICUFN). IEEE, 2021. p. 413-416. https://arxiv.org/abs/2108.01468
Abordagens Híbridas Quântico-Clássicas: Dadas as limitações atuais do hardware quântico, os chamados NISQ – Noisy Intermediate Scale Quantum – abordagens híbridas que combinam recursos de computação clássica e quântica podem ser práticas. Aqui, etapas de pré-processamento e pós-processamento clássicas podem ser combinadas com cálculos realizados em um processador quântico.
- KWON, Hyeokjea; BAE, Joonwoo. A hybrid quantum-classical approach to mitigating measurement errors in quantum algorithms. IEEE Transactions on Computers, v. 70, n. 9, p. 1401-1411, 2020. https://arxiv.org/abs/2003.12314
Um artigo importante que consolidou várias frentes em torno de Quantum Machine Learning é esse, confira:
- M. T. D and B. Bhowmik, “Quantum Machine Learning and Recent Advancements,” 2023 International Conference on Artificial Intelligence and Smart Communication (AISC), Greater Noida, India, 2023, pp. 206-211, doi: 10.1109/AISC56616.2023.10085586.
HPC+AI+QUANTUM
Neste artigo, também é importante citar as arquiteturas híbridas, que combinam Computação de Alto Desempenho (HPC), Inteligência Artificial (IA) e Computação Quântica. A integração de Computação de Alto Desempenho (HPC), Inteligência Artificial e Computação Quântica já está revolucionando campos como a química, a descoberta de medicamentos (drug discovery) e a ciência de materiais. Essa sinergia permite enfrentar problemas complexos e computacionalmente intensivos de maneira mais eficiente e precisa.
Na química e na ciência de materiais, a modelagem e simulação de moléculas e estruturas atômicas requerem enorme poder computacional. A HPC fornece a capacidade necessária para realizar essas simulações em larga escala. A IA acelera a análise de dados e a predição de propriedades moleculares, identificando padrões não evidentes por métodos tradicionais. A computação quântica promete ampliar ainda mais essas capacidades, permitindo simulações de sistemas moleculares inacessíveis aos computadores clássicos, ampliando a acurácia de resultados de simulações em diferentes áreas, como dinamica molecular e estruturas atômicas.
No drug discovery, a combinação de HPC e IA já é utilizada para analisar grandes bases de dados de compostos químicos e prever interações medicamentosas. A integração com a computação quântica tem o potencial de revolucionar esse processo, permitindo a modelagem precisa de interações a nível quântico entre fármacos e alvos biológicos, acelerando significativamente o desenvolvimento de novos medicamentos.
Uma plataforma que já oferece esse motor de integração de HPC+AI+QUANTUM é o Microsoft Azure Quantum Elements
Um artigo que ilustra os primeiros resultados dessa integração você confere a seguir:
- CHEN, Chi et al. Accelerating computational materials discovery with artificial intelligence and cloud high-performance computing: from large-scale screening to experimental validation. arXiv preprint arXiv:2401.04070, 2024. https://arxiv.org/abs/2401.04070
Um glossário sempre ajuda
Começamos falando de Quantum AI e descobrimos que o espaço de pesquisa e oportunidades de aplicações é enorme, envolvendo diferentes tecnologias, técnicas, algoritmos e abordagens. Então, vale a pena gerar um glossário rápido sobre a área, a seguir:
Glossário de Termos em Quantum AI
- BAYESIAN NETWORKS (Redes Bayesianas): Estruturas probabilísticas que utilizam grafos para representar um conjunto de variáveis e suas dependências condicionais, permitindo modelar incertezas em sistemas complexos.
- QAI (Quantum Artificial Intelligence | Inteligência Artificial Quântica): Campo que combina computação quântica com inteligência artificial para desenvolver algoritmos capazes de resolver problemas complexos de forma mais eficiente.
- QLLM (Quantum Language Learning | Model Modelo Quântico de Aprendizado de Linguagem): Modelos de aprendizado de linguagem que utilizam computação quântica para aprimorar o processamento e a compreensão da linguagem natural.
- QML (Quantum Machine Learning | Aprendizado de Máquina Quântico): Área que integra princípios quânticos em algoritmos de aprendizado de máquina, buscando acelerar e melhorar o desempenho em tarefas de análise de dados.
- QNLP (Quantum Natural Language Processing | Processamento de Linguagem Natural Quântico): Aplicação de computação quântica no processamento de linguagem natural, visando aprimorar tarefas como tradução automática e análise semântica.
- QNN (Quantum Neural Network | Rede Neural Quântica): Redes neurais implementadas em sistemas quânticos, que aproveitam qubits para potencializar o aprendizado e o processamento de informações.
- QSVM (Quantum Support Vector Machine | Máquina de Vetores de Suporte Quântica): Versão quântica das máquinas de vetores de suporte clássicas, utilizando algoritmos quânticos para melhorar a classificação e análise de dados.
- QUANTUM AI (Inteligência Artificial Quântica): Veja QAI.
- QUANTUM BAYESIAN NETWORKS (Redes Bayesianas Quânticas): Extensão das redes bayesianas que incorpora princípios quânticos para modelar probabilidades e incertezas em sistemas quânticos.
- SVM (Support Vector Machine | Máquina de Vetores de Suporte): Algoritmo de aprendizado de máquina supervisionado usado para classificação e regressão, que busca encontrar o hiperplano ideal para separar diferentes classes de dados.
- Entrelaçamento Quântico: Fenômeno onde qubits se tornam interdependentes, de modo que o estado de um afeta instantaneamente o estado do outro, independentemente da distância.
- QAOA (Quantum Approximate | Optimization Algorithm): Algoritmo quântico utilizado para resolver problemas de otimização combinatória de forma aproximada.
- Qubit: Unidade básica de informação na computação quântica, capaz de representar 0, 1 ou ambos simultaneamente devido à superposição.
- Superposição Quântica: Propriedade que permite que um qubit esteja em múltiplos estados ao mesmo tempo, aumentando exponencialmente a capacidade de processamento.
Em resumo…
Nesse artigo, vimos uma breve discussão sobre Quantum AI. Espero que você tenha percebido que a área está em franca exploração e muitas perguntas ainda existem sobre o real impacto que computadores quânticos terão para a inteligência artificia e vise-versa. A ideia aqui foi desmistificar a área, trazendo alguns ramos práticos de implantação e pesquisa, introduzindo alguns conceitos importantes.
Os próximos anos serão ainda mais importantes para Quantum AI. Vamos acompanhar! Por enquanto é só! Até o próximo artigo!
