Aprendizado de máquina quântico: conceitos, algoritmos e casos de uso

Alguns problemas fazem computadores clássicos suarem. Simular a interação entre moléculas, vasculhar espaços combinatórios enormes, fatorar números grandes: o trabalho cresce mais rápido do que o hardware consegue acompanhar. Computadores quânticos atacam esses problemas por outro ângulo, e um grupo pequeno, mas crescente, de pesquisadores está se perguntando se essa diferença também pode ajudar no aprendizado de máquina.

Essa pergunta é o foco do aprendizado de máquina quântico (QML). Este guia explica o que QML realmente é, as ideias de mecânica quântica que você precisa para acompanhar, os principais algoritmos em teste e onde o campo está hoje — que, adianto, é mais inicial do que as manchetes sugerem. Se você já trabalha com ML clássico em algo como nossa trilha Machine Learning Scientist in Python, vai reconhecer mais da estrutura aqui do que imagina.

O que é aprendizado de máquina quântico?

Aprendizado de máquina quântico usa computação quântica para executar, ou acelerar, partes de uma tarefa de aprendizado de máquina. Isso pode significar codificar dados em estados quânticos, rodar um circuito quântico no lugar de um componente do modelo clássico, ou chamar uma sub-rotina quântica dentro de um ciclo de treinamento tradicional. O rótulo cobre um espectro amplo: de métodos majoritariamente clássicos com um único passo quântico a modelos projetados para rodar inteiramente em hardware quântico.

Antes de avançar, vale esclarecer o que QML não é, já que é aqui que começam muitos mal-entendidos. Não é um substituto mais rápido e plug-and-play para os modelos que você já usa, e não está prestes a substituir ML clássico em tudo. A maior parte do campo ainda está na fase de pesquisa, rodando em simuladores ou em máquinas quânticas pequenas e ruidosas. A visão honesta: QML faz uma pergunta mais estreita — existem problemas específicos de ML em que o hardware quântico oferece algo que o clássico não consegue igualar com facilidade? Para alguns poucos tipos de problema, a resposta parece promissora. Para a maioria, o ML clássico ainda é a ferramenta certa, e nosso curso Understanding Machine Learning cobre o essencial que a maioria das pessoas precisa primeiro.

Noções básicas de computação quântica

Você não precisa de um diploma em física para acompanhar o restante do artigo, mas algumas ideias deixam QML bem menos misterioso. Versão curta a seguir — pule se isso já for familiar.

Qubits versus bits

Um bit clássico é 0 ou 1. Um qubit pode manter uma combinação de ambos ao mesmo tempo e só se fixa em 0 ou 1 quando você o mede. Antes da medição, um qubit é descrito por duas amplitudes que determinam a probabilidade de cada resultado. Esse é o truque: um registro com n qubits pode representar uma combinação de 2ⁿ estados simultaneamente, enquanto n bits clássicos só conseguem manter um desses estados por vez.

O porém (e sempre há um porém em computação quântica) é que você não consegue simplesmente ler todos esses estados. A medição colapsa o qubit para um único valor, então extrair informação útil de volta exige cuidado. Essa limitação pesa mais do que parece à primeira vista e é uma grande razão de os algoritmos de QML serem desenhados como são, como você verá já já.

Superposição e emaranhamento

Essa combinação de estados é chamada de superposição. A segunda ideia, emaranhamento, é onde a coisa fica interessante: dois ou mais qubits podem se correlacionar tão fortemente que você não consegue descrever um sem descrever os outros. Meça um qubit emaranhado e você imediatamente sabe algo sobre seu par, mesmo, em princípio, a distância. Bits clássicos não têm equivalente a isso, e a maior parte das vantagens propostas de computação quântica se apoia nisso de alguma forma.

Portas quânticas

Como trabalhar, então, com qubits em superposição e emaranhamento? Aí entram as portas quânticas. Elas são rotações reversíveis do estado de um qubit: uma porta Hadamard coloca um qubit em superposição, uma CNOT emaranha dois qubits. Encadeie portas e você obtém um circuito quântico, a versão quântica de um programa. Tudo se apoia em álgebra linear: estados são vetores, portas são matrizes, e executar um circuito é uma sequência de operações matriciais. Se essa parte está enferrujada, as habilidades de álgebra linear das nossas trilhas de data science servem diretamente aqui.

Com qubits, superposição, emaranhamento e portas na mão, você tem o suficiente para entender como essas peças se encaixam em um fluxo de QML.

Como funciona o aprendizado de máquina quântico

Em alto nível, um fluxo de QML tem quatro movimentos. Primeiro, você codifica dados clássicos em um estado quântico, geralmente mapeando valores de features em ângulos de rotação ou amplitudes. Segundo, aplica um circuito quântico, muitas vezes com parâmetros ajustáveis. Terceiro, mede o circuito, rodando-o várias vezes, porque cada medição dá apenas um resultado colapsado e você precisa de amostras suficientes para estimar o resultado com confiança. Quarto, alimenta esse resultado de volta em um processo de aprendizado.

É no último passo que está a maior parte do QML prático hoje. Em vez de rodar tudo em uma máquina quântica, você constrói um loop híbrido: o circuito quântico produz um valor, um otimizador clássico ajusta os parâmetros do circuito e o ciclo se repete — exatamente como treinar um modelo, só que uma parte do cálculo acontece em hardware quântico. As máquinas quânticas atuais são ruidosas e pequenas (a área chama isso de era NISQ, de noisy intermediate-scale quantum), então manter o grosso no clássico e delegar apenas a parte que se beneficia é a escolha pragmática. Vou voltar ao porquê o híbrido vence na próxima seção.

Tipos de abordagens em aprendizado de máquina quântico

Agora que você viu o fluxo básico de quatro etapas, vale perguntar: quanto disso realmente precisa rodar em hardware quântico? Existem, em linhas gerais, três formas de combinar computação quântica com aprendizado de máquina, e elas diferem principalmente em quanto trabalho a máquina quântica de fato executa.

Aprendizado de máquina com aceleração quântica

Aqui o modelo é essencialmente clássico, mas uma etapa cara é entregue a uma rotina quântica para potencial ganho de velocidade: resolver um sistema linear, estimar um kernel, amostrar de uma distribuição. O resto do pipeline se parece com o aprendizado supervisionado que você montaria no nosso curso de Supervised Learning with scikit-learn.

Modelos totalmente quânticos

No outro extremo, rodam de ponta a ponta em hardware quântico, com dados e modelo vivendo em estados quânticos. São a versão mais ambiciosa de QML e, não por coincidência, a menos prática hoje: o hardware atual não os suporta em escala útil.

Modelos híbridos quântico-clássicos

Entre esses dois extremos está a abordagem que funciona hoje — e onde quase toda pesquisa séria em QML acontece. Um circuito quântico parametrizado cuida de parte do cálculo enquanto um otimizador clássico o treina. Ela contorna os limites do hardware pequeno e ruidoso pedindo à máquina quântica só o que ela já faz bem.

Algoritmos de aprendizado de máquina quântico

Você verá as mesmas famílias de algoritmos aparecendo o tempo todo. Vou mantê-las em alto nível — a matemática aprofunda rápido — e você não precisa dela para entender a função de cada uma.

Circuitos quânticos variacionais (VQC)

Um circuito quântico variacional é um circuito com parâmetros ajustáveis, treinado naquele loop híbrido que descrevi. É o cavalo de batalha do QML no curto prazo e base da maioria dos outros modelos aqui. Eis, de forma simplificada, como ele se parece no PennyLane, uma biblioteca open-source popular de QML:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

Os weights são o que o otimizador clássico atualiza ao longo de muitas iterações, do mesmo jeito que o gradiente descendente atualiza os pesos de uma rede neural. Com esse padrão estabelecido, os demais algoritmos vão parecer variações em cima do mesmo tema.

Máquinas de vetores de suporte quânticas

Uma SVM quântica mantém a estrutura de uma SVM clássica, mas usa um circuito quântico para calcular o kernel — a similaridade entre pontos de dados. A aposta é que um espaço de features quântico consiga capturar padrões com os quais um kernel clássico teria dificuldade. Se isso ajuda em dados reais ainda é uma questão em aberto.

Redes neurais quânticas (QNNs)

Redes neurais quânticas organizam circuitos parametrizados em camadas e os treinam de forma semelhante às redes clássicas. Se você já treinou um modelo no nosso curso Introduction to Deep Learning in Python, o loop é familiar: forward pass, cálculo de loss, atualização — só que o forward pass roda em um circuito quântico.

K-means quântico

O k-means quântico é o de clustering: usa sub-rotinas quânticas para estimar distâncias entre pontos, a operação que domina o custo do k-means clássico em escala. É o exemplo mais direto de "trocar uma etapa cara pela versão quântica" nesta lista.

Você pode estar se perguntando, diante de tantos algoritmos, se algum deles de fato entrega as prometidas acelerações quânticas. É exatamente isso que veremos a seguir.

Vantagens potenciais do aprendizado de máquina quântico

Três possíveis ganhos aparecem com mais frequência. Certos problemas estruturados — por exemplo, simular sistemas quânticos em química e materiais — se mapeiam naturalmente no hardware quântico, e é aí que a vantagem parece mais plausível. Espaços de features quânticos também podem representar relações complexas que são difíceis de capturar de forma clássica. E, para alguns algoritmos específicos, a teoria aponta para ganhos grandes, até exponenciais.

Repare que sigo dizendo potenciais. Essas vantagens estão, em sua maioria, provadas no papel, sob suposições que o hardware real ainda não atende. Um exemplo clássico dessa lacuna: vários ganhos teóricos assumem que seus dados já estão carregados em um estado quântico, mas carregar dados clássicos nesse estado pode custar tanto quanto o ganho prometido. Esse tipo de gargalo oculto é exatamente o motivo pelo qual vantagens alegadas e vantagens demonstradas ainda são listas bem diferentes.

Diante dessa lacuna, vale colocar ML clássico e quântico lado a lado.

Aprendizado de máquina quântico vs. aprendizado de máquina clássico

A forma mais limpa de ver a diferença é lado a lado.

ML clássico domina o trabalho real hoje e deve continuar assim por um bom tempo: as ferramentas, o hardware e o talento já estão aí. QML é o desafiante em estágio inicial que pode eventualmente conquistar um nicho em problemas onde sua estrutura quântica compensa. Tratar os dois como rivais perde o ponto. Por agora, jogam em ligas diferentes — a pergunta interessante é quais problemas vão cruzar de um lado para o outro no futuro.

Esse enquadramento de "ligas diferentes" também é o melhor antídoto para os mitos que costumam acompanhar a área, então vamos a eles.

Equívocos comuns sobre aprendizado de máquina quântico

Alguns mitos seguem o QML por aí, e vale desmistificá-los.

"ML quântico é mais rápido para tudo." Não é. Os ganhos propostos se aplicam a algoritmos específicos sob condições específicas. Para a imensa maioria das tarefas de ML, uma máquina quântica não traz vantagem — e roda mais devagar quando você considera o hardware atual.

"Computadores quânticos vão substituir os clássicos." Não. Eles são aceleradores especializados voltados a uma classe estreita de problemas, não substitutos genéricos. Seu notebook não vai a lugar nenhum, e nem a parte clássica de todo modelo híbrido de QML.

"QML está pronto para produção hoje." Esse pega muita gente nova. A área é experimental, o hardware é limitado e ruidoso, e quase tudo roda em simuladores. QML é algo para aprender e acompanhar agora, não para colocar em produção.

Com o hype de lado, sobra um campo genuinamente interessante que vale a pena aprender pelos próprios méritos. Se bateu a curiosidade de escrever código, aqui vai por onde começar.

Começando com aprendizado de máquina quântico

Se os conceitos deixaram você curioso a ponto de querer codar, a boa notícia é que as ferramentas são open-source e amigáveis para iniciantes. PennyLane (a biblioteca do exemplo acima) e Qiskit são as duas portas de entrada mais comuns — e ambas rodam em simuladores, então você não precisa de uma máquina quântica real para começar a experimentar. O módulo de machine learning do Qiskit traz kernels, classificadores e redes neurais quânticas prontos e se conecta ao PyTorch, o que cria uma ponte confortável a partir do trabalho clássico.

Meu conselho: consolide primeiro a base clássica. O loop híbrido, os otimizadores, como um modelo treina — tudo isso é clássico, e é a parte da qual você mais vai depender. Nossa trilha Machine Learning Scientist in Python cobre essa base — a partir daí, as peças específicas de quântica são um complemento, não um recomeço do zero. Aprenda rodando circuitos e ajustando parâmetros; ler sobre superposição só leva até certo ponto.

Conclusão

Aprendizado de máquina quântico fica na interseção de duas áreas que avançam rápido, aproveitando a forma quântica de representar informação para assumir partes do pipeline de ML. Tentei manter os pés no chão, porque o tema atrai mais hype do que quase tudo em tech hoje, e o resumo honesto é modesto: QML está no início, é majoritariamente experimental e ainda é incerto onde trará retorno.

Isso não é motivo para ignorar. É motivo para entender o básico agora, enquanto o campo ainda é pequeno o suficiente para aprender de ponta a ponta. Se o hardware quântico amadurecer como os otimistas esperam, quem já entende como qubits, circuitos e treinamento híbrido se encaixam vai estar pronto para usar. E se não vingar em todo lugar, você ainda terá aprendido um canto fascinante da computação — o que, convenhamos, já é um ótimo resultado.