Embora o treinamento de grandes modelos de linguagem (LLMs) em computadores quânticos atuais continue sendo um desafio, descobertas recentes sugerem uma sinergia promissora entre a computação quântica e a inteligência artificial. Especialistas da IBM e da Eviden (grupo Atos) estão explorando esse potencial, revelando avanços em várias áreas-chave.
Um estudo de 2021 na Nature Computational Science demonstrou que as redes neurais quânticas podem ser treinadas mais rapidamente do que as contrapartes clássicas, sugerindo um potencial significativo com redes maiores. A computação quântica se destaca em problemas de otimização, permitindo o ajuste fino dos parâmetros da rede neural para previsões mais precisas.
A Agência Espacial Europeia (ESA) demonstrou o poder da computação quântica em visão computacional, alcançando uma taxa de reconhecimento de imagem de 96% com uma rede neural quântica, em comparação com 85% com uma rede clássica, usando imagens de satélite para detectar vulcões em erupção. O modelo quântico usou significativamente menos parâmetros, resultando em menor consumo de energia e dados.
Pesquisas publicadas na Nature Communications em 2024 solidificaram ainda mais essas descobertas, mostrando que um modelo quântico poderia alcançar precisão semelhante aos modelos clássicos com dez vezes menos dados. A computação quântica também facilita a criação de dados sintéticos de alta qualidade para o treinamento de modelos e melhora a detecção de padrões em conjuntos de dados complexos, beneficiando campos como química e ciência dos materiais.
Esses avanços apontam para a capacidade da computação quântica de aprimorar a precisão com modelos menores, otimizar o desempenho e acelerar resultados confiáveis, potencialmente revolucionando as aplicações de IA.