Pesquisadores deram um passo relevante na convergência entre inteligência artificial (IA) e computação quântica ao demonstrar, pela primeira vez, que modelos quânticos de linguagem conseguem ser treinados e avaliados de ponta a ponta em hardware quântico real. O estudo, conduzido por uma equipe liderada por Stefan Balauca e Ada-Astrid Balauca, da Universidade “Al. I. Cuza”, […]
Pesquisadores deram um passo relevante na convergência entre inteligência artificial (IA) e computação quântica ao demonstrar, pela primeira vez, que modelos quânticos de linguagem conseguem ser treinados e avaliados de ponta a ponta em hardware quântico real.
O estudo, conduzido por uma equipe liderada por Stefan Balauca e Ada-Astrid Balauca, da Universidade “Al. I. Cuza”, com a participação de Adrian Iftene, mostra que arquiteturas híbridas quântico-clássicas são capazes de aprender padrões sequenciais mesmo nas limitações dos atuais dispositivos quânticos ruidosos. As informações são do Quantum Zeitgeist.
O trabalho se concentra em dois tipos de modelos: as Redes Neurais Recorrentes Quânticas (QRNNs) e as Redes Neurais Convolucionais Quânticas (QCNNs). Essas arquiteturas foram adaptadas para atuar como modelos de linguagem generativos, combinando circuitos quânticos parametrizados com camadas clássicas de projeção. A principal novidade está no fato de que todo o processo — do treinamento à avaliação — foi realizado diretamente em hardware quântico físico, e não apenas em simulações.
Os experimentos utilizaram um processador quântico da IBM, o ibm_kingston, baseado na topologia heavy-hex, que impõe restrições específicas de conectividade entre qubits. Para lidar com essas limitações, os pesquisadores adotaram uma abordagem de design orientada ao hardware, ajustando cuidadosamente o mapeamento entre qubits lógicos e físicos para reduzir a necessidade de operações adicionais que aumentam o ruído, como as portas SWAP.
Leia também: TGT ISG: mesmo com dificuldades, IA generativa ganha maturidade no Brasil
Antes de implementar os modelos, a equipe caracterizou o comportamento do hardware, medindo taxas de erro em portas de um e dois qubits. Essas informações orientaram o desenho dos circuitos quânticos e a definição do número de qubits usados para representar os tokens de entrada. No caso das QCNNs, a arquitetura incluiu camadas de embedding, blocos convolucionais para extração de características e uma camada final de predição. Já as QRNNs foram estruturadas para lidar com dados sequenciais, explorando recorrência quântica.
Um dos principais desafios superados foi o treinamento em ambientes ruidosos. Para isso, os pesquisadores recorreram a uma estratégia de otimização baseada em SPSA (Stochastic Parallel Simultaneous Annealing), capaz de estimar gradientes mesmo com interferência significativa de ruído quântico. Além disso, adotaram um método de leitura baseado em observáveis, que se mostrou mais estável do que a amostragem tradicional de bitstrings para tarefas de aprendizado de linguagem.
Para avaliar o desempenho, foi criado um conjunto de dados sintético projetado para isolar dependências sintáticas. Essa escolha permitiu analisar com mais clareza a capacidade dos modelos quânticos de aprender estruturas sequenciais, sem a complexidade semântica típica de grandes vocabulários. Os resultados indicam que, mesmo com as limitações atuais dos dispositivos NISQ (Noisy Intermediate-Scale Quantum), os modelos conseguiram aprender padrões relevantes e gerar sequências de forma consistente.
A comparação entre as arquiteturas revelou trade-offs importantes. As QRNNs se mostraram mais eficientes no uso de qubits, mas mais sensíveis ao acúmulo de ruído à medida que a profundidade do circuito aumenta. Já as QCNNs apresentaram circuitos mais rasos, o que favorece a treinabilidade, embora exijam maior conectividade entre qubits, algo nem sempre disponível nos processadores atuais.
O estudo também estabelece uma linha de base de desempenho para modelos quânticos generativos e analisa sua robustez em relação ao ruído físico, em comparação com simulações clássicas. Embora ainda existam limitações claras, como o tamanho restrito do vocabulário e a dificuldade de capturar dependências semânticas mais complexas, os autores apontam caminhos para evolução, incluindo embeddings quânticos hierárquicos e mecanismos de atenção espacialmente multiplexados.
Ao demonstrar que modelos quânticos de linguagem podem ser treinados em hardware real, a pesquisa valida, do ponto de vista de engenharia, a viabilidade de aplicações mais avançadas de processamento de linguagem natural no contexto quântico. O trabalho também reforça a importância de arquiteturas híbridas, nas quais os processamentos quântico e clássico atuam de forma complementar, enquanto a fidelidade dos dispositivos continua a evoluir.
Siga o IT Forum no LinkedIn e fique por dentro de todas as notícias!
