A informação apresentada na imagem é verdadeira em essência, mas existe uma ressalva fundamental: o experimento que produziu o resultado de até 100 vezes não foi executado em um computador quântico físico.
Os pesquisadores calcularam as informações quânticas necessárias utilizando computadores clássicos — por expressões matemáticas no circuito mais raso e por simulação exata nos circuitos de maior profundidade.
Portanto, o trabalho demonstra o potencial de uma técnica chamada quantum preconditioning, mas ainda não representa uma aceleração comprovada produzida por hardware quântico real.
Computador quântico não substitui o computador clássico
A ideia apresentada pelos pesquisadores é diferente daquela visão em que computadores quânticos simplesmente substituem máquinas tradicionais.
Nesse caso, o sistema quântico atuaria como auxiliar.
Primeiro, um algoritmo quântico analisa determinadas relações existentes dentro do problema.
Essas informações são utilizadas para reorganizar matematicamente o problema antes que ele seja entregue ao computador clássico.
Depois, um solver convencional realiza o trabalho pesado.
É daí que vem o termo quantum preconditioning, ou pré-condicionamento quântico.
O computador quântico não necessariamente encontra a solução final. Ele produz informações capazes de ajudar o algoritmo clássico a procurar no lugar certo.
Teste utilizou problema de divisão de grafos
Os pesquisadores avaliaram a abordagem utilizando um problema conhecido como balanced graph bi-partitioning.
De maneira simplificada, imagine uma rede formada por vários pontos conectados entre si.
O desafio é separar esses pontos em dois grupos de mesmo tamanho tentando minimizar o peso das conexões que precisam ser cortadas entre os grupos.
Embora pareça abstrato, problemas combinatórios semelhantes aparecem em diversas áreas, incluindo logística, planejamento, engenharia, redes, alocação de recursos e design de sistemas.
Conforme o número de variáveis aumenta, a quantidade de combinações possíveis cresce rapidamente.
QAOA descobre relações entre as variáveis
A etapa inspirada em computação quântica utiliza o Quantum Approximate Optimization Algorithm (QAOA).
O algoritmo produz correlações entre pares de variáveis.
Essas correlações podem revelar quais elementos possuem maior tendência de terminar juntos na solução.
Os pesquisadores transformam essas informações em uma nova matriz e modificam a função objetivo entregue ao solver clássico.
As restrições originais continuam existindo.
Ou seja, o problema não fica artificialmente mais fácil porque suas regras foram removidas.
O que muda é a forma como o algoritmo clássico enxerga o terreno que precisa explorar.
Gurobi encontra boas soluções muito antes
Depois do pré-condicionamento, o problema é enviado ao Gurobi 13.0, um dos principais solvers comerciais de otimização matemática.
O software utiliza técnicas como branch-and-bound para explorar possíveis soluções.
A diferença observada pelos pesquisadores apareceu principalmente na velocidade com que o solver encontrou boas respostas.
Em problemas com 40 variáveis, a versão pré-condicionada conseguiu atingir uma solução dentro de 1% do ótimo aproximadamente duas ordens de magnitude mais rapidamente em determinadas configurações.
É daí que surge a afirmação de velocidade até 100 vezes maior.
Mas isso não significa que qualquer problema executado com a técnica ficará 100 vezes mais rápido.
O número pertence a um benchmark específico.
Resultado mais impressionante possui uma ressalva importante
Existe ainda outro detalhe metodológico.
O resultado de aproximadamente 100 vezes utilizou uma seleção particularmente favorável de um parâmetro chamado rho (ρ).
Esse parâmetro controla o peso utilizado para representar a restrição de balanceamento durante a etapa do QAOA.
Para produzir parte da análise de escalabilidade, os pesquisadores selecionaram o melhor valor de rho para cada instância individualmente.
O próprio estudo reconhece que essa abordagem funciona como uma espécie de “regra oráculo”: para selecionar sempre a melhor configuração seria necessário possuir informações que, em um problema real desconhecido, não estariam disponíveis antecipadamente.
Quando essa escolha idealizada é removida, parte da vantagem observada no circuito mais raso diminui significativamente.
Isso não invalida o trabalho, mas torna essencial interpretar corretamente o número de 100 vezes.
E o computador quântico?
Aqui está a principal diferença entre o potencial da técnica e aquilo que efetivamente foi demonstrado.
Nos testes mais rasos, com profundidade p=1, as correlações utilizadas pelo pré-condicionamento podiam ser calculadas por uma expressão fechada em computadores clássicos.
Para profundidades p=2 e p=3, os pesquisadores realizaram simulações exatas do estado quântico utilizando CPUs.
Essas simulações possuem um problema conhecido: seu custo cresce exponencialmente conforme o número de qubits aumenta.
Foi justamente essa limitação que restringiu o estudo a problemas relativamente pequenos, chegando a 40 variáveis.
Executar essa etapa em um processador quântico real poderá permitir estudar problemas maiores sem precisar simular todo o estado quântico classicamente.
Mas isso ainda precisa ser demonstrado.
Tempo da preparação também não entrou na comparação principal
Outro detalhe importante é que o tempo necessário para produzir a matriz de correlações utilizada no pré-condicionamento não foi incluído nos números principais de desempenho do solver.
O benchmark mede principalmente quanto tempo o Gurobi levou para chegar ao limite de qualidade definido depois de receber o problema já transformado.
Portanto, o ganho de 100 vezes não deve ser interpretado simplesmente como:
“o processo completo ficou 100 vezes mais rápido”.
A comparação é mais específica: o solver clássico conseguiu navegar pelo problema muito mais rapidamente depois do pré-condicionamento.
Por que o resultado continua sendo interessante?
Mesmo com essas ressalvas, existe uma ideia importante por trás do estudo.
Um dos maiores desafios da computação quântica é encontrar aplicações em que máquinas relativamente pequenas possam oferecer valor antes da chegada de computadores quânticos tolerantes a falhas e com milhões de qubits.
A abordagem da Rigetti tenta contornar esse problema.
Em vez de pedir ao computador quântico que resolva sozinho uma enorme tarefa industrial, ele executaria apenas uma parte específica: extrair informações difíceis sobre a estrutura do problema.
O restante continuaria sendo executado pelos sistemas clássicos extremamente maduros disponíveis atualmente.
Computação híbrida pode chegar antes da vantagem quântica plena
Essa estratégia reforça uma tendência crescente no setor: computadores quânticos podem inicialmente funcionar como coprocessadores especializados.
O modelo lembra aquilo que aconteceu com GPUs.
CPUs não desapareceram quando processadores gráficos ganharam importância.
As GPUs passaram a executar determinadas operações para as quais eram particularmente eficientes, enquanto CPUs continuaram responsáveis pelo restante do sistema.
Uma arquitetura semelhante pode surgir com QPUs.
CPU, GPU e QPU — Quantum Processing Unit — podem trabalhar juntas, cada uma executando a parte do problema mais adequada à sua arquitetura.
Aplicações podem ir muito além dos grafos
Problemas de otimização combinatória aparecem em inúmeras atividades econômicas.
Empresas precisam decidir rotas de veículos, distribuição de mercadorias, horários de funcionários, utilização de fábricas, composição de carteiras financeiras, posicionamento de equipamentos e milhares de outras combinações.
Muitas dessas tarefas possuem espaços de busca gigantescos.
Encontrar uma solução matematicamente perfeita pode exigir tempo demais.
Por isso, em aplicações reais, muitas vezes o objetivo é chegar rapidamente a uma solução boa o suficiente.
É justamente nesse ponto que o pré-condicionamento pode ser interessante.
Se informações quânticas permitirem que solvers clássicos encontrem boas soluções muito antes, o ganho comercial poderá existir mesmo sem uma vantagem quântica absoluta na resolução completa do problema.
Próximo passo será provar tudo em hardware quântico
A grande pergunta agora é se os resultados sobreviverão fora da simulação.
Processadores quânticos atuais possuem ruído, erros de leitura, fidelidade limitada e restrições de conectividade.
Esses fatores podem alterar as correlações utilizadas pelo algoritmo.
Também será necessário incluir no cálculo o custo completo da operação: preparação, execução do circuito, número de amostras, comunicação com o QPU e processamento posterior.
Somente então será possível comparar de maneira justa o sistema híbrido contra as melhores alternativas puramente clássicas.
Resultado promissor, mas ainda não é “vantagem quântica”
O estudo da Rigetti e da Purdue oferece uma demonstração interessante de como algoritmos quânticos poderão ser utilizados para melhorar ferramentas clássicas já consolidadas.
Mas o número de 100 vezes mais rápido precisa ser colocado no contexto correto.
Ele apareceu em um benchmark específico, com problemas relativamente pequenos, sem utilização de um computador quântico real e com uma escolha de parâmetros particularmente favorável em parte dos testes.
Portanto, ainda não existe evidência suficiente para afirmar que um QPU tornou a otimização industrial 100 vezes mais rápida.
O que os pesquisadores demonstraram é algo mais específico — e potencialmente muito importante: informações produzidas por algoritmos quânticos podem reorganizar determinados problemas de forma que um poderoso solver clássico encontre boas soluções muito mais rapidamente.
Se o mesmo efeito puder ser reproduzido em hardware quântico, ampliado para problemas muito maiores e mantido quando todo o custo computacional for considerado, a técnica poderá representar um caminho prático para a utilização da computação quântica antes mesmo da chegada das máquinas totalmente tolerantes a falhas.
