O Prêmio Nobel de Física de 2024 foi concedido a John Hopfield e Geoffrey Hinton por suas contribuições à Inteligência Artificial (IA), especialmente na criação dos Energy Based Models (EBM, Modelos Baseados em Energia).

Os EBM são modelos inspirados na mecânica estatística, que utilizam uma função de energia para guiar o treinamento de IA. Uma das funções de energia mais utilizadas é conhecida como Modelo de Ising, originalmente usado para estudar fenômenos físicos como magnetismo.

Tudo isto tem relação com a Computação Quântica.  Em artigos anteriores explicamos a relevância dessa área, que tem o potencial de resolver determinados tipos de problema de forma muitas vezes mais rápida do que os computadores clássicos. Também falamos de um software chamado QUBO,jl, que permite a qualquer um ter acesso à solução de problemas de otimização através de Computação Quântica. Por meio desse programa, é possível reformular problemas de otimização para o formato QUBO (Quadratic Unconstrained Binary Optimization), que é compatível com computadores quânticos. Após a reformulação, os usuários do QUBO.jl podem enviar seus modelos para computadores quânticos reais, ou para computadores clássicos que simulam computadores quânticos, sem que seja necessária experiência prévia nessa área.

O modelo QUBO possui um formato similar ao Modelo de Ising, do qual falamos acima. Assim, é possível utilizar esse modelo para o treinamento de um tipo de EBM chamado Restricted Boltzmann Machine (RBM). As RBMs são redes neurais muito efetivas para a detecção de padrões e problemas em imagens e bases de dados.

Ou seja: é possível treinar algumas redes neurais em computadores quânticos.

O treinamento de RBMs é muitas vezes computacionalmente intensivo e pode enfrentar dificuldades para encontrar melhores resultados. Com o auxílio da computação quântica, busca-se superar essas limitações. Resultados positivos do treinamento quântico das RBMs, seja na eficiência do uso de recursos computacionais durante o treinamento, como no desempenho do modelo já treinado, podem abrir novas fronteiras de pesquisa. Como tais redes neurais podem ser utilizadas para classificação e também como modelos generativos, suas aplicações incluem tanto a detecção de falhas, fraudes e anomalias em setores como o bancário e o elétrico, como também a previsão de demanda de energia, o planejamento, e a otimização de redes de distribuição elétrica.

Uma parceria entre a PSR e o Núcleo Interdisciplinar em Tecnologias Quânticas (NITeQ) da PUC-Rio, com apoio da empresa Stone, além da Universidade de Purdue e da NASA, está desenvolvendo o novo software QARBoM.jl (Quantum-Assisted Restricted Bolzmann Machines), de código aberto que tem como principal objetivo apoiar o processo de treinamento das RBMs com auxílio de computação quântica. Trata-se de um projeto de pesquisa que está na fronteira das novas aplicações de inteligência artificial e de computação quântica.