A equipe quântica da Big Blue demonstrou matematicamente que um algoritmo quântico poderia funcionar melhor do que um clássico para problemas de classificação de aprendizagem de máquina.
O exemplo mais padrão de um problema de classificação é quando um computador recebe fotos de cães e gatos, e é necessário rotular todas as imagens futuras que ele vê como um cão ou um gato.
Imagem: ekapol / Getty ImagesEntre algumas das aplicações mais promissoras da computação quântica, espera-se que o aprendizado de máquina quântica faça ondas, mas como exatamente permanece um mistério.
No que poderia lançar luz sobre o quão realistas essas expectativas são, os pesquisadores da IBM estão agora afirmando que eles provaram matematicamente que, usando uma abordagem quântica, certos problemas de aprendizagem de máquina podem ser resolvidos exponencialmente mais rápido do que seriam com computadores clássicos.
O aprendizado de máquina é um ramo bem estabelecido de inteligência artificial que já é usado em muitas indústrias para resolver uma variedade de problemas de negócios. A abordagem consiste em treinar um algoritmo com grandes conjuntos de dados, para permitir que o modelo identifique padrões diferentes e, eventualmente, calcule a melhor resposta quando apresentado com novas informações.
VEJA: tudo sobre tecnologia
Com conjuntos de dados maiores, um algoritmo de aprendizagem de máquina pode ser otimizado para fornecer respostas mais precisas, mas isso vem a um custo computacional que está rapidamente atingindo os limites dos dispositivos tradicionais. É por isso que os pesquisadores esperam que, um dia, eles sejam capazes de aproveitar o enorme poder computacional das tecnologias quânticas para trazer modelos de aprendizado de máquina para o próximo nível.
Um método em particular, chamado de grãos quânticos, é o foco de muitos artigos de pesquisa. Na abordagem do kernel quântico, o computador quântico entra em apenas uma parte do algoritmo global, expandindo o que é conhecido como espaço de características – a coleção de recursos que são usados para caracterizar os dados que são alimentados ao modelo, como "gênero" ou "idade", se o sistema for treinado para reconhecer padrões sobre as pessoas.
Simplificando, usando a abordagem quântica do kernel, um computador quântico pode distinguir entre mais recursos e, portanto, ver padrões mesmo em um enorme banco de dados, onde um computador clássico só veria ruído aleatório.
Os pesquisadores da IBM se propus a usar núcleos quânticos para resolver um tipo específico de problema de aprendizagem de máquina chamado classificação. Como explica a equipe da IBM, o exemplo mais padrão de um problema de classificação é quando um computador recebe fotos de cães e gatos, e é necessário treinar com esse conjunto de dados para rotular todas as imagens futuras que vê como um cão ou um gato, com o objetivo de gerar rótulos precisos no menor tempo possível.
Os cientistas da Big Blue desenvolveram uma nova tarefa de classificação e descobriram que um algoritmo quântico usando o método do kernel quântico é capaz de encontrar características relevantes nos dados para rotulagem precisa, enquanto para computadores clássicos o conjunto de dados parecia ruído aleatório.
"A rotina de estimativa de kernel quântico que usamos é um método geral que pode, em princípio, ser aplicado a uma ampla gama de problemas", diz Kristan Temme, pesquisador da IBM Quantum, à ZDNet. "Em nosso artigo, provamos formalmente que essa rotina de estimativa de kernel quântico pode dar origem a algoritmos de aprendizagem que, para problemas específicos, superam qualquer aluno clássico."
Para provar a vantagem que o método quântico tem sobre a abordagem clássica, os pesquisadores criaram um problema de classificação para o qual os dados podem ser gerados em um computador clássico, e mostraram que nenhum algoritmo clássico pode fazer melhor do que adivinhação aleatória ao tentar resolver o problema.
Ao visualizar os dados em um mapa de recursos quânticos, no entanto, o algoritmo quântico foi capaz de prever os rótulos com alta precisão e em velocidade.
"Este artigo pode ser visto como um marco no campo da aprendizagem de máquina quântica, uma vez que prova uma aceleração quântica de ponta a ponta para um método de kernel quântico implementado de forma tolerante com suposições realistas", concluiu a equipe de pesquisa.
É claro que a tarefa de classificação desenvolvida pelos cientistas da IBM foi projetada especificamente para descobrir se o método do kernel quântico é vantajoso e ainda está longe de estar pronto para ser aplicado a qualquer tipo de problema de negócios em maior escala.
Isso se deve principalmente, segundo Temme, ao tamanho limitado dos computadores quânticos atuais da IBM, que até hoje só podem suportar menos de 100 qubits – longe dos milhares e até milhões de qubits que os cientistas consideram necessários para começar a criar valor quando se trata de tecnologias quânticas.
"Nesta fase, não podemos apontar para um caso específico de uso e dizer 'isso causará um impacto direto'", diz Temme. "A aplicação de um algoritmo de aprendizagem de máquina quântica 'grande' ainda não foi conduzida. A escala para a qual se será capaz de ir para tal algoritmo está, naturalmente, diretamente ligada ao desenvolvimento do hardware quântico."
O experimento mais recente da IBM também só se aplica a um tipo específico de problemas de classificação no aprendizado de máquina, e não significa que todos os problemas de aprendizagem se beneficiarão do uso de kernels quânticos.
Mas os resultados abrem as portas para novas pesquisas no campo, para descobrir se outros problemas de aprendizagem de máquina poderiam se beneficiar do uso desse método.
Grande parte do trabalho, portanto, permanece teórica por enquanto, e a equipe da IBM reconheceu que há muitas ressalvas a qualquer nova descoberta no campo. Mas enquanto esperam que o hardware quântico melhore, os pesquisadores estão comprometidos em continuar a demonstrar valor dos algoritmos quânticos, mesmo que apenas do ponto de vista matemático.
