Como uma coincidência me levou ao Quantum Machine Learning
“Eu não entendia absolutamente nada de computação quântica.”
Essa poderia ser uma frase pouco interessante para começar um artigo. No meu caso, porém, ela representa exatamente o ponto de partida de uma jornada que começou quase que por acaso: um trabalho de uma disciplina, um tema sorteado e uma curiosidade que acabou crescendo até se transformar em um projeto envolvendo Quantum Machine Learning (QML) e Quantum Neural Networks (QNN).
A história começou de maneira simples: minha equipe em uma disciplina optativa na faculdade precisava desenvolver um trabalho sobre um tema sorteado pela professora. Um dos seis temas a serem sorteados era sobre quântica, especificamente sobre comunicação quântica, mas, estranhamente e repentinamente, eu me senti atraído por esse tema e, rapidamente, comecei a desejar que esse fosse o tema sorteado para a minha equipe.
Por uma dessas coincidências que parecem pequenas no momento, o tema relacionado à quântica acabou sendo sorteado para nós. Eu poderia simplesmente estudar o necessário para entregar o trabalho e seguir em frente.
Mas aconteceu o contrário.
Quanto mais eu estudava, mais percebia que a computação quântica não era apenas uma tecnologia futurista distante da realidade de quem trabalha com computação. Havia ali uma combinação extremamente interessante entre matemática, programação, física, algoritmos e problemas que os computadores tradicionais enfrentam de maneiras diferentes.
Foi então que surgiu uma ideia e, acima disso, um desejo: por que não fazer meu TCC sobre computação quântica?
Algum tempo depois, quando decidi procurar um orientador para desenvolver essa ideia, aconteceu outra coincidência: havia um professor interessado justamente em orientar um aluno em um projeto relacionado à computação quântica. De um lado, alguém procurando uma oportunidade para pesquisar quântica. Do outro, alguém procurando um aluno interessado em fazer isso.
E foi nesse caminho que cheguei ao Quantum Machine Learning, utilizando conceitos de Quantum Neural Networks, uma experiência que será levada adiante, tornando a pesquisa do meu TCC em uma futura dissertação de mestrado.
E existe uma lição importante nessa história:
Você não precisa começar sabendo computação quântica para começar a aprender computação quântica.
Se você acompanha tecnologia, provavelmente já percebeu que a computação quântica deixou de aparecer apenas em artigos acadêmicos ou discussões extremamente especializadas. Hoje, empresas de tecnologia, universidades, governos e startups estão investindo no desenvolvimento de hardware, algoritmos, linguagens, frameworks e aplicações quânticas. E isso acontece porque existe uma promessa bastante diferente daquela associada simplesmente a computadores “mais rápidos”. Um computador quântico não é apenas uma versão mais potente de um computador tradicional. Ele funciona a partir de princípios da mecânica quântica para representar e manipular informação. Em vez de trabalhar exclusivamente com bits clássicos, que assumem os estados 0 ou 1, os computadores quânticos utilizam qubits, capazes de explorar propriedades como superposição e emaranhamento.
É aqui que a conversa começa a ficar realmente interessante.
Um qubit pode ser descrito por uma combinação de estados quânticos. Operações sobre esses qubits são realizadas por meio de portas quânticas e circuitos quânticos, permitindo construir algoritmos com propriedades que não possuem equivalente direto na computação clássica. Mas existe um detalhe fundamental:
Computação quântica não significa substituir o computador que está na sua mesa.
Na prática, a tendência é trabalhar cada vez mais com modelos híbridos, nos quais computadores clássicos e processadores quânticos colaboram na resolução de determinados problemas. Essa integração entre computação clássica e quântica já é objeto de pesquisa e desenvolvimento na indústria. Ou seja, o futuro da computação provavelmente não será simplesmente “clássico versus quântico”. Será uma combinação.
Para quem vem da computação tradicional, talvez o maior desafio inicial seja aceitar que algumas das nossas intuições precisam ser reconstruídas. Eu mesmo fui uma dessas pessoas, pois estamos acostumados a pensar em informação como sequências de bits.
0 ou 1. Ligado ou desligado. Verdadeiro ou falso.
No universo quântico, a representação da informação é mais rica. A superposição permite que um qubit seja descrito por uma combinação dos estados 0 e 1 antes da medição. O emaranhamento, por sua vez, cria correlações quânticas entre sistemas que não podem ser explicadas simplesmente como uma coleção de estados independentes.
Esses conceitos não são apenas curiosidades da física. Eles são parte da linguagem utilizada para construir algoritmos quânticos.
E é justamente aí que a computação quântica se torna fascinante para quem gosta de programação. Você começa a perceber que um circuito quântico também pode ser programado.
Você prepara estados. Aplica portas. Executa circuitos. Realiza medições. Analisa resultados.
E, em determinadas plataformas, tudo isso pode ser experimentado por meio de simuladores ou até mesmo em hardware quântico disponível remotamente.
Frameworks como o Qiskit, por exemplo, oferecem caminhos de aprendizado que começam pelos fundamentos e avançam para a construção e execução de circuitos em simuladores e hardware quântico. Isso muda completamente a relação com o tema. Você deixa de apenas “ouvir falar” sobre computação quântica.
Você começa a programá-la.
E onde entra a Inteligência Artificial?
Foi justamente nessa interseção que minha jornada acadêmica encontrou um dos pontos mais interessantes: Quantum Machine Learning.
Se Machine Learning já transformou a forma como trabalhamos com dados, modelos preditivos e automação, surge uma pergunta naturalmente provocativa:
O que acontece quando começamos a combinar aprendizado de máquina com computação quântica?
Essa é a essência, em termos gerais, do Quantum Machine Learning. O objetivo não é simplesmente colocar a palavra “quantum” ao lado de qualquer modelo de IA.
A ideia é investigar como propriedades e algoritmos quânticos podem ser incorporados a fluxos de Machine Learning, explorando possibilidades como quantum kernels, codificação de dados e circuitos quânticos variacionais. Esses são alguns dos tópicos abordados atualmente em materiais de formação em QML.
É nesse contexto que aparecem as Quantum Neural Networks (QNNs).
De maneira simplificada, podemos pensar nas QNNs como modelos que utilizam circuitos quânticos parametrizados dentro de uma estrutura de aprendizado. Em vez de imaginar uma rede neural apenas como uma sequência de camadas tradicionais, passamos a trabalhar também com componentes quânticos que possuem parâmetros ajustáveis. O conceito é particularmente interessante porque conecta três áreas que já possuem enorme relevância individual:
Computação + Inteligência Artificial + Mecânica Quântica.
E quando essas áreas se encontram, surgem problemas novos. Também surgem oportunidades novas, quem sabe. Eu gosto de ser otimista e imaginar um futuro que teremos QPUs, GPUs e CPUs trabalhando juntas.
No entanto, ainda estamos diante de uma tecnologia em desenvolvimento. Construir computadores quânticos úteis, escaláveis e tolerantes a erros continua sendo um enorme desafio de engenharia e pesquisa. Por isso, é importante fugir de duas visões extremas.
A primeira é:
“Computadores quânticos vão substituir os computadores tradicionais em poucos anos.”
A segunda é:
“Computação quântica é apenas ficção científica.”
E, ainda bem, nenhuma das duas representa adequadamente o cenário. A realidade é muito mais interessante.
Existe uma corrida tecnológica envolvendo hardware, correção de erros, algoritmos, software, aplicações e formação de profissionais. Empresas e instituições estão trabalhando para transformar experimentos e protótipos em sistemas cada vez mais úteis, enquanto o mercado ainda busca entender as aplicações que apresentarão valor econômico consistente.
E, dito isso, eis o quê, para mim, é um dos fatores mais importantes a respeito desse tema:
Você não precisa ser físico para começar
Talvez esse seja um dos maiores bloqueios para quem demonstra interesse pelo assunto.
“Mas eu não sei mecânica quântica.”
“Minha matemática não é tão boa.”
“Sou programador.”
“Trabalho com dados.”
“Não tenho formação em Física.”
Tudo isso pode parecer uma barreira no início, mas não é.
É claro que fundamentos de física e matemática são importantes Porém, existe uma diferença enorme entre precisar dominar toda a física quântica e começar a aprender os conceitos fundamentais necessários para programar circuitos e compreender algoritmos quânticos.
Foi exatamente isso que minha própria experiência mostrou.
Eu parti do zero. O aprendizado aconteceu enquanto o projeto acontecia.
E talvez essa seja uma das melhores formas de estudar uma tecnologia complexa: transformar o aprendizado em algo concreto.
Em vez de estudar indefinidamente antes de criar qualquer coisa, você pode aprender um conceito, implementá-lo, observar o resultado e voltar para a teoria com uma pergunta mais específica. É um ciclo.
Teoria → Código → Experimento → Erro → Investigação → Aprendizado.
E isso é extremamente familiar para qualquer pessoa que já tenha aprendido programação pela primeira vez.
Existe uma diferença entre estudar uma tecnologia porque ela está na moda e estudá-la porque você percebe que ela pode fazer parte da próxima transformação tecnológica. A computação quântica está avançando em diferentes frentes, enquanto o ecossistema ao redor dela também cresce. E não estamos falando apenas de pesquisa acadêmica.
Existe um movimento envolvendo software, hardware, cloud computing, segurança, otimização, química computacional, finanças, Machine Learning e outras áreas.
A segurança digital é um exemplo especialmente importante. O desenvolvimento de computadores quânticos suficientemente poderosos pode representar riscos para alguns sistemas criptográficos utilizados atualmente. Por isso, o movimento de Post-Quantum Cryptography (PQC) já deixou de ser uma discussão puramente futurista.
Em 2024, o NIST publicou três padrões finalizados de criptografia pós-quântica (FIPS 203, FIPS 204 e FIPS 205) e recomenda que organizações iniciem a transição para algoritmos resistentes a ataques quânticos. Perceba a dimensão disso.
Você pode trabalhar com desenvolvimento de software, segurança, dados ou infraestrutura e, mesmo assim, a computação quântica eventualmente cruzar o seu caminho. Isso torna o conhecimento sobre o tema interessante mesmo para quem nunca pretende construir um computador quântico ou algo do gênero.
Talvez a pergunta mais interessante não seja:
“Devo me tornar um especialista em computação quântica?”
Talvez seja:
“Como a computação quântica pode se conectar àquilo que eu já sei?”
Se você trabalha com dados, existe QML. Se trabalha com Inteligência Artificial, existem QNNs e circuitos variacionais. Se trabalha com segurança, existe criptografia pós-quântica.
Se trabalha com desenvolvimento, existem SDKs, simuladores e ferramentas para construir aplicações quânticas. Se gosta de matemática, existe um universo inteiro de álgebra linear, probabilidade e otimização. Se gosta de pesquisa, existem problemas ainda abertos.
É justamente nas interseções que tecnologias emergentes costumam se tornar mais interessantes. E foi assim que eu comecei a enxergar a computação quântica. Não como uma área isolada. Mas como uma nova camada de possibilidades para a própria computação.
Depois de passar pela experiência de sair do zero e chegar a um projeto envolvendo QML e QNN, uma coisa ficou bastante clara para mim:
O primeiro passo não precisa ser grandioso.
Você pode começar entendendo o que é um qubit. Depois, estudar superposição. Em seguida, aprender sobre portas quânticas.
Construir seu primeiro circuito. Executá-lo em um simulador. Depois experimentar um problema simples.
E, quando perceber, estará olhando para conceitos que inicialmente pareciam completamente abstratos através de código.
Existem atualmente plataformas educacionais que oferecem cursos e trilhas específicas para quem está começando. O IBM Quantum Learning, por exemplo, reúne cursos sobre fundamentos da informação quântica, desenvolvimento de algoritmos, otimização, Data Science e Quantum Machine Learning.
A jornada pode começar pequena. O importante é começar.
Nós ainda não sabemos exatamente quais aplicações dominarão o mercado. Ainda existem desafios enormes. Ainda existem diferentes arquiteturas, abordagens e linhas de pesquisa. Ainda existe muita coisa para descobrir. E isso significa que o campo não está completamente pronto.
Aprender computação quântica hoje significa entrar em uma área que ainda está definindo boa parte das próprias regras.
Foi assim que uma simples atividade acadêmica mudou completamente minha trajetória. Primeiro veio um tema sorteado. Depois veio a curiosidade. A curiosidade virou estudo. O estudo virou projeto. O projeto virou TCC. E o TCC abriu caminho para uma possibilidade ainda maior: continuar investigando Quantum Machine Learning e Quantum Neural Networks em uma futura dissertação de mestrado.
No início, eu não sabia nada sobre computação quântica. E talvez essa seja a parte mais importante dessa história:
Ninguém começa sabendo.
Se você chegou até aqui porque gosta de tecnologia, inovação, programação, Inteligência Artificial ou simplesmente porque quer entender o que está por trás de uma das tecnologias mais promissoras da computação, talvez seja hora de parar de apenas acompanhar as notícias sobre computação quântica.
Comece a estudar. Escolha um conceito. Leia sobre qubits. Aprenda o básico de álgebra linear. Monte um circuito. Experimente um framework. Faça um pequeno projeto. Depois faça outro.
Você não precisa decidir hoje se quer trabalhar profissionalmente com computação quântica. Também não precisa dominar física quântica antes de escrever sua primeira linha de código.
Você só precisa dar o primeiro passo.
Porque tecnologias emergentes não são construídas apenas por quem já conhece profundamente o assunto. Elas também são construídas por pessoas que tiveram curiosidade suficiente para perguntar:
“E se eu aprender isso?”
Foi assim que começou para mim. Pode ser assim que começa para você também.
