Um dos fenômenos mais estranhos da física quântica, o emaranhamento, faz com que duas partes de um sistema físico possam estar correlacionadas de maneiras impossíveis de serem explicadas pela física clássica. Mais do que uma curiosidade, as chamadas correlações não-locais são o recurso fundamental das novas tecnologias da criptografia e da computação quântica. Identificar e caracterizar essas correlações não-locais, porém, não é tarefa fácil. O método convencional, que consiste em analisar a rede de um sistema físico quântico em busca de violações das chamadas desigualdades de Bell, tende a se tornar exponencialmente mais complicado, mesmo para redes quânticas relativamente simples. Um novo método mais rápido, porém, foi desenvolvido por um grupo de pesquisadores do Instituto Internacional de Física da Universidade Federal do Rio Grande do Norte (IIF-UFRN), utilizando técnicas modernas de inteligência artificial.
“Técnicas modernas de aprendizagem de máquina fornecem um novo caminho para a caracterização de correlações em redes quânticas”, afirma no vídeo Rafael Chaves, físico do IIF e um dos autores do estudo publicado em maio na revista Physical Review Letters, com seus colegas Askery Canabarro e Samuraí Brito. “Basicamente, o que fizemos foi samplear aleatoriamente correlações não-locais e, através de técnicas de optimização convexa, calculamos a distância dessas correlações ao conjunto de correlações locais”, Brito explica. “Em outras palavras, quantificamos a não-localidade dessas correlações, sendo esses então os dados usados para treinar os diferentes algoritmos de aprendizagem de máquina.”
Como Canabarro explica no vídeo, a aprendizagem de máquina consiste em programas de computador que aumentam sua performance automaticamente com a exposição crescente a dados. No caso, os dados de entrada eram as medidas da não-localidade de várias correlações escolhidas ao acaso. Quanto mais eram alimentados com esses dados, melhor se tornava o resultado do programa, um modelo capaz de identificar e caracterizar as correlações da rede. “Testamos o modelo com correlações inéditas, nunca antes vistas por ele e obtivemos um acerto de mais de 99,5%”, conta Canabarro. “Além disso, utilizamos o modelo para encontrar novos tipos de correlações, virtualmente impossíveis de serem descobertas pelos métodos usuais.”
Assim, os pesquisadores concluem que as técnicas de aprendizagem de máquina não apenas facilitam a caracterização de redes quânticas, mas também podem ser úteis no estudo dos próprios fundamentos da mecânica quântica.
A pesquisa teve apoio financeiro do CNPq, da UFAL, do Instituto Serrapilheira e da John Templeton Foundation.
Artigo Científico
Machine Learning Nonlocal Correlations
Askery Canabarro, Samuraí Brito e Rafael Chaves
Phys. Rev. Lett. 122, 200401, 22 de maio de 2019
ArXiv:1808.07069
Contato para imprensa
Igor Zolnerkevic
Assessor de comunicação
comunicacao@sbfisica.org.br