Uma equipa internacional de investigadores liderada pela Universidade de Viena alcançou um avanço significativo na computação quântica e inteligência artificial, demonstrando que mesmo computadores quânticos de pequena escala podem trazer benefícios práticos para aplicações de aprendizagem automática.
O estudo, publicado na Nature Photonics a 8 de junho de 2025, utilizou um novo circuito quântico fotónico para implementar um algoritmo de aprendizagem automática baseado em kernel e potenciado por quântica. Os investigadores mostraram que a sua abordagem quântica supera métodos clássicos de topo, como os kernels Gaussianos e de tangente neural, em tarefas de classificação binária.
"Verificámos que, para tarefas específicas, o nosso algoritmo comete menos erros do que o seu equivalente clássico", explica o Professor Philip Walther, da Universidade de Viena, que liderou o projeto. "Isto implica que os computadores quânticos existentes já podem apresentar bons desempenhos sem ser necessário ultrapassar a tecnologia de ponta atual", acrescenta Zhenghao Yin, primeiro autor da publicação.
A configuração experimental contou com um circuito quântico fotónico construído no Politecnico di Milano (Itália), executando um algoritmo de aprendizagem automática inicialmente proposto por investigadores da Quantinuum (Reino Unido). O sistema utiliza interferência quântica e coerência de fotões únicos para alcançar uma precisão superior em tarefas de classificação de dados.
Para além da melhoria na precisão, esta abordagem fotónica oferece vantagens significativas em termos de eficiência energética. À medida que as aplicações de aprendizagem automática se tornam cada vez mais complexas e exigentes em energia, os processadores quânticos fotónicos podem constituir uma alternativa sustentável. "Isto poderá ser crucial no futuro, dado que os algoritmos de aprendizagem automática estão a tornar-se inviáveis devido ao elevado consumo energético", sublinha a coautora Iris Agresti.
A investigação tem implicações para além da computação quântica, ao identificar tarefas específicas que beneficiam de efeitos quânticos e podendo inspirar novos algoritmos clássicos com melhor desempenho e menor consumo de energia. Isto representa um passo significativo rumo à vantagem quântica prática em aplicações de IA, aproximando a computação quântica teórica da sua implementação no mundo real.