UCL: híbrido de computação quântica e IA prevê sistemas caóticos com mais precisão

A equipe da University College London (UCL) demonstrou que um computador quântico já pode trazer benefícios práticos — não em teoria distante, mas em tarefas reais de previsão de sistemas complexos. Seu esquema híbrido combina computação quântica e aprendizado de máquina de forma que a IA preveja com mais precisão o comportamento de processos caóticos em longos períodos de tempo. Nos testes, a abordagem se mostrou significativamente mais estável do que modelos convencionais, proporcionou ganhos de precisão de aproximadamente 20% e exigiu centenas de vezes menos memória.

Trata-se de sistemas que são particularmente difíceis de simular usando métodos clássicos: fluxos turbulentos, dinâmica de fluidos e gases, processos nos quais um pequeno erro rapidamente se multiplica e quebra a previsão. Este é um problema típico para modelos climáticos, aerodinâmica, sistemas energéticos e biomedicina. A simulação numérica completa de tais processos pode levar semanas em supercomputadores, enquanto modelos puramente de redes neurais funcionam mais rápido, mas frequentemente se tornam instáveis quando previsões devem ser estendidas no tempo.

A equipe da UCL tentou ocupar um meio termo: manter o modelo de IA clássico, mas na fase de treinamento sugerir a ele a estrutura dos dados usando um processador quântico. Tecnicamente, o esquema funciona da seguinte forma: primeiro, o computador quântico processa dados de treinamento e extrai propriedades estatísticas invariantes — ou seja, padrões ocultos que persistem ao longo do tempo mesmo em um ambiente caótico. Esses recursos extraídos quanticamente são então usados para treinar um modelo autorregressivo comum em um supercomputador clássico.

Os autores chamam essa abordagem de aprendizado de máquina informado por quântica. Um ponto importante é que o componente quântico não participa de cada etapa de previsão e não exige troca constante de dados com a parte clássica. Isso reduz os requisitos de hardware e ajuda a superar as limitações típicas dos sistemas quânticos atuais, incluindo ruído, erros e instabilidade de medição.

O método foi testado em várias tarefas: a equação de Kuramoto-Sivashinsky, fluxo bidimensional de Kolmogorov e fluxo turbulento tridimensional em canal, que é mais próximo das condições de engenharia real. De acordo com o artigo em Science Advances, o novo esquema melhorou a precisão da previsão das distribuições em até 17,25% e preservou melhor a estrutura espectral do sistema, em alguns casos gerando ganhos de até 29,36% em comparação com modelos de linha de base clássicos. Para o cenário mais realista, os pesquisadores usaram um computador quântico IQM de 20 qubits conectado aos recursos computacionais do Centro de Supercomputação Leibniz na Alemanha.

Os autores observam especificamente que sem representação anterior quântica, as previsões se tornaram instáveis, enquanto com ela, o modelo produzia previsões de longo prazo fisicamente consistentes e em alguns casos superavam solucionadores numéricos líderes de equações diferenciais. A questão da eficiência é particularmente importante. Normalmente, a discussão sobre computação quântica rapidamente esbarra no problema de que a vantagem é muito cara ou muito frágil para a prática.

Aqui, os pesquisadores demonstram uma imagem mais fundamentada e útil: o componente quântico não substitui todo o pipeline, mas comprime dinâmicas complexas em uma representação compacta. O artigo discute vantagens de memória na ordem de magnitude: volumes de dados de vários megabytes foram reduzidos a uma representação quântica na escala de kilobytes. Para tarefas de modelagem científica, isso é crítico, porque memória e largura de banda frequentemente se tornam limitações não menos importantes do que poder computacional bruto.

Se essa abordagem puder ser escalada para conjuntos de dados maiores e observações reais, haverá muitas aplicações. No clima, poderia significar modelos mais robustos da atmosfera e oceano. Na energia, design mais preciso de turbinas eólicas e sistemas que operam com fluxos turbulentos.

Na medicina, modelagem melhor do fluxo sanguíneo e interações moleculares. No transporte e indústria, cálculos acelerados para aerodinâmica e sistemas de fluidos sem crescimento inevitável nos custos de memória. A principal conclusão aqui não é que computadores quânticos estão de repente prontos para substituir supercomputadores clássicos.

Pelo contrário: a pesquisa demonstra um cenário realista no qual até o hardware quântico limitado de hoje pode aprimorar modelos de IA existentes em tarefas científicas estreitas mas criticamente importantes. Este é um dos exemplos mais convincentes de como a vantagem quântica prática pode surgir não através de uma disrupção completa da computação atual, mas através da integração direcionada em pipelines de IA já operacionais.