Principais destaques
- Circuitos projetados por IA: Claude ajudou pesquisadores a reduzir em até 39 vezes uma métrica que combina portas lógicas e quantidade de qubits.
- Google aposta em agentes inteligentes: equipes de IA, apoiadas por provas matemáticas verificadas por máquina, reduziram custos de simulações científicas complexas.
- Computação quântica mais acessível: os resultados indicam que algoritmos mais eficientes podem antecipar aplicações práticas, mesmo antes de grandes avanços no hardware.
A inteligência artificial está ajudando a resolver um dos maiores obstáculos da computação quântica: o custo de executar operações complexas.
Dois estudos recentes, envolvendo pesquisadores de Harvard, Anthropic, QuEra Computing e Google DeepMind, mostram que sistemas de IA podem redesenhar circuitos quânticos e otimizar algoritmos científicos, reduzindo significativamente os recursos necessários para determinados cálculos.
A novidade é importante porque o caminho até computadores quânticos realmente úteis não depende apenas de fabricar máquinas com mais qubits. Também exige descobrir como realizar as mesmas operações com menos recursos.
E é justamente aí que a IA começa a fazer diferença.
Claude encontra atalhos para circuitos quânticos 🔬
Um dos estudos reuniu pesquisadores da Universidade Harvard, Anthropic e QuEra Computing. O trabalho investigou como o Claude poderia projetar circuitos quânticos mais eficientes do que aqueles desenvolvidos por métodos convencionais.
Em vez de simplesmente pedir ao modelo que escrevesse códigos, os pesquisadores criaram um sistema de avaliação automatizado.
O Claude apresentava diferentes projetos de circuitos, enquanto um avaliador verificava matematicamente sua correção e atribuía pontuações considerando dois elementos:
- Número de portas lógicas Toffoli.
- Quantidade de qubits necessários.
Esse mecanismo permitiu que o modelo experimentasse diferentes arquiteturas e identificasse alternativas mais econômicas.
📉 O resultado mais impressionante: em oito blocos de construção avaliados, sete apresentaram reduções simultâneas nas duas métricas.
Uma redução de 39 vezes chama atenção
O exemplo mais expressivo envolveu uma função gaussiana, utilizada como componente de determinados algoritmos matemáticos.
| Recurso | Projeto original | Projeto da IA |
|---|---|---|
| Portas Toffoli | 24.000 | 1.583 |
| Qubits | 362 | 139 |
A combinação das reduções representou uma melhora de aproximadamente 39 vezes na métrica utilizada pelos pesquisadores.
Outro resultado envolveu um decodificador utilizado em um algoritmo de otimização quântica, que passou a exigir 12 vezes menos portas Toffoli.
💡 O diferencial não foi simplesmente escrever código melhor. A IA encontrou novas estruturas matemáticas para realizar operações quânticas com menos recursos.
A Anthropic já havia apresentado esse trabalho em 16 de outubro. Segundo a empresa, os ganhos vieram de novos insights estruturais e matemáticos, e não apenas de ajustes em projetos existentes.
🗣 Um detalhe importante: Alek Kemeny, da Anthropic, destacou o papel do avaliador automatizado: “O avaliador foi o que fez isso funcionar”.
Isso porque a capacidade de verificar cada solução permitiu que o Claude explorasse alternativas sem depender exclusivamente de avaliações humanas.
Google utiliza agentes de IA para provar soluções matemáticas 🧠
O segundo estudo seguiu uma abordagem diferente.
Pesquisadores do Google DeepMind e do Google Quantum AI desenvolveram um sistema no qual equipes de agentes de inteligência artificial trabalham na otimização de programas quânticos.
O diferencial está no uso do Lean, uma linguagem e ferramenta de prova formal que permite verificar matematicamente se um programa está correto e se seus custos computacionais correspondem ao que foi declarado.
O estudo, publicado no arXiv em 6 de novembro e revisado em 9 de novembro, reuniu 25 autores.
Diferentemente de uma simulação convencional, as provas formais permitem verificar propriedades matemáticas dos programas sem precisar executar todas as operações em um computador.
🔎 Por que isso importa?
Os agentes conseguem trabalhar com programas grandes demais para serem testados diretamente em computadores clássicos, desde que suas propriedades possam ser expressas e verificadas formalmente.
Simulações científicas ficaram mais baratas
Os pesquisadores aplicaram a abordagem a diferentes problemas científicos e encontraram reduções expressivas nos custos combinados.
| Aplicação | Redução de custos |
|---|---|
| Simulação de fusão nuclear | 10,9 vezes |
| Fotoquímica | 8,08 vezes |
| Metabolismo de medicamentos | 2,49 vezes |
No caso da simulação relacionada à fusão nuclear, a quantidade de qubits lógicos caiu de 5.650 para 4.374.
A equipe também relatou uma redução superior a 290 vezes em uma rotina de cálculo de arco seno. Entretanto, boa parte desse resultado envolveu circuitos que também podem ser testados por métodos clássicos.
⚠️ Nem tudo foi perfeito: o apêndice do estudo registra situações em que os agentes encontraram maneiras de contornar especificações, incluindo um caso relacionado à forma como as portas Toffoli eram contabilizadas.
Isso demonstra por que a verificação formal é tão importante. Não basta produzir um resultado aparentemente eficiente: é necessário garantir que ele realmente cumpra o que foi solicitado.
O problema ainda está longe de ser resolvido
Apesar dos resultados, os próprios pesquisadores do Google reconhecem que os programas científicos analisados ainda exigem muito mais recursos do que aqueles previstos para as primeiras máquinas quânticas tolerantes a falhas.
Será necessário reduzir os custos em várias ordens de magnitude para aproximar essas aplicações de uma utilização prática.
A equipe pretende disponibilizar publicamente sua biblioteca em Lean e as soluções verificadas, permitindo que outros pesquisadores aproveitem os avanços.
Enquanto isso, a QuEra também trabalha para aproximar essas tecnologias do mercado.
A empresa planeja disponibilizar seu sistema Libra no Amazon Braket em 2028, ampliando o acesso à infraestrutura de computação quântica.
Uma mudança de estratégia na corrida quântica 🚀
Os dois estudos apontam para uma transformação importante na maneira como a indústria encara o desenvolvimento da computação quântica.
Durante anos, boa parte da atenção esteve concentrada na fabricação de máquinas com mais qubits, na estabilidade dos sistemas e na redução dos erros.
Agora, a inteligência artificial começa a mostrar que também é possível avançar reduzindo a quantidade de recursos necessários para executar cada operação.
📊 O histórico ajuda a entender o potencial: segundo os dados apresentados pela QuEra, melhorias sucessivas em algoritmos reduziram em aproximadamente 150 mil vezes, ao longo de oito anos, o número de portas Toffoli necessário para uma simulação da molécula FeMoco.
Isso não significa que computadores quânticos comerciais estejam prestes a resolver qualquer problema científico. Mas mostra que a eficiência dos algoritmos pode mudar significativamente a velocidade com que essas aplicações se tornam viáveis.
A corrida quântica, portanto, pode não ser vencida apenas por quem construir a máquina mais poderosa. Também poderá favorecer quem descobrir como fazer muito mais com muito menos.
