IA quântica da UCL reduz em centenas de vezes o uso de memória na previsão de turbulência de longo prazo

Pesquisadores da University College London (UCL) desenvolveram um modelo de inteligência artificial que incorpora padrões aprendidos por um computador quântico. Esta abordagem híbrida permite prever o comportamento de sistemas turbulentos com muito mais eficiência e com centenas de vezes menos memória do que os métodos convencionais.

O estudo publicado na revista Science Advances mostra que a combinação de cálculo quântico com aprendizado de máquina clássico gera previsões estáveis de longo prazo em sistemas caóticos como fluidos em movimento.

Segundo o portal da Phys.org, o modelo quântico-informado supera os modelos clássicos em aproximadamente 20% do desempenho.

A técnica utiliza um dispositivo quântico para extrair padrões estatísticos invariantes que permanecem constantes apesar da complexidade turbulenta. Esses dados são então integrados a um modelo de IA que roda em supercomputadores clássicos, evitando a dependência total de hardware quântico ainda limitado por ruído e erros.

No experimento, os cientistas empregaram um computador quântico com 20 qubits da empresa IQM. Este aparelho identificou os padrões-chave de um sistema turbulento que foram incorporados ao treinamento de um modelo convencional de aprendizagem de máquina.

A memória exigida pelo modelo híbrido revelou-se centenas de vezes menor do que a utilizada por redes neurais tradicionais. Estas últimas dependem de vastos volumes de dados e parâmetros para capturar as flutuações caóticas inerentes à turbulência.

Maida Wang, primeira autora do estudo no UCL Center for Computational Science, descreveu o método como um exemplo de vantagem quântica prática. O computador quântico superou o possível com hardware clássico em termos de eficiência de parâmetros e compressão de dados.

Xiao Xue, outra primeira autora do trabalho, ressaltou que o avanço facilita a implementação do método em situações reais que envolvem complexidade ainda maior. As propriedades de superposição e entrelaçamento permitem que cada qubit carregue informações sobre múltiplos estados simultaneamente.

Os pesquisadores projetam aplicações práticas em diversas áreas com o novo modelo. Modelagens climáticas ganham com previsões meteorológicas mais precisas em horizontes de longo prazo, enquanto o campo da saúde se beneficia de simulações fiéis de fluxo sanguíneo e interações moleculares.

No setor de energia renovável e engenharia, o método promete otimizações em aerodinâmica e projetos de usinas eólicas. Tais melhorias derivam da capacidade de lidar com a turbulência de forma mais eficaz e com menor custo computacional.

Desafios persistem antes da adoção em larga escala da tecnologia. Os cientistas precisam escalar o método para dados de maior volume, controlar o ruído nos dispositivos quânticos e desenvolver uma estrutura teórica que explique as garantias matemáticas da abordagem híbrida.

O estudo da UCL estabelece novo patamar na modelagem de turbulência, um dos fenômenos mais complexos da física clássica. A união entre o quântico e o clássico aponta para simulações mais precisas de longo prazo e eficientes em recursos de memória.