Treinando as interações paramétricas em uma rede neural quântica bosônica analógica com medida na base de Fock

Aprendizado inteligente com ondas quânticas

A inteligência artificial moderna funciona com redes neurais feitas de transistores e código digital. Este estudo explora como um tipo de hardware muito diferente, construído a partir de pequenos campos eletromagnéticos oscilantes que obedecem às leis da física quântica, pode ser treinado para reconhecer padrões em dados. O trabalho mostra como projetar e treinar essa rede neural quântica de forma prática, para que ela possa eventualmente ajudar a processar informação diretamente dentro de máquinas quânticas futuras.

Um novo tipo de cérebro quântico

Os autores focam em sistemas feitos de excitações semelhantes à luz, chamadas bósons, armazenadas em ressonadores micro-ondas ou ópticos. Esses ressonadores podem trocar energia e criar pares de partículas quando acionados por sinais externos. Por si só, essas interações são descritas por equações lineares, que geralmente são simples demais para realizar aprendizado poderoso. O truque principal aqui é manter a evolução física linear, mas ler o sistema usando contagem de fótons, o que produz respostas não lineares de forma natural. Ao escolher cuidadosamente como excitar e acoplar os ressonadores, o dispositivo quântico comporta-se como uma rede neural analógica que mapeia dados de entrada em características úteis de saída.

Deixando o computador clássico cuidar da parte difícil

Treinar redes neurais comuns depende de retropropagação, um método que ajusta parâmetros de forma eficiente seguindo gradientes da função de perda. Aplicar essa ideia diretamente a um grande sistema quântico costuma ser impossível, pois simular sua dinâmica completa rapidamente se torna intratável. A inovação deste trabalho é explorar a estrutura especial dos chamados estados gaussianos, onde a evolução de médias e flutuações pode ser descrita de forma compacta. O hardware quântico realizaria o passo direto, evoluindo os campos físicos, enquanto um modelo clássico da mesma dinâmica gaussiana, fácil de simular, é usado para calcular gradientes. Essa estratégia híbrida permite treinamento de ponta a ponta das forças de excitação e dos acoplamentos físicos sem precisar extrair informação de gradiente do próprio dispositivo quântico.

Ensinando o dispositivo a reconhecer padrões

Para testar a abordagem, os pesquisadores simulam várias tarefas de aprendizado com dificuldade crescente. Primeiro, pedem a uma pequena rede de dois ressonadores que distinga entre sinais senoidais e sinais quadrados apresentados como séries temporais curtas. Medindo apenas a chance de um ressonador conter zero fótons após cada entrada, e usando treinamento baseado em gradiente sobre os parâmetros físicos, o modelo atinge classificação perfeita. Em comparação com uma versão “reservatório” não treinada do mesmo hardware, que usa muitas leituras de saída, a rede treinada precisa de muito menos quantidades medidas e de bem menos execuções experimentais para alcançar a mesma precisão.

Encontrando a melhor forma de inserir dados

Em seguida, a equipe estuda um problema clássico e difícil em que pontos devem ser atribuídos a uma de duas espirais entrelaçadas no plano. Essa tarefa exige forte não linearidade. Usando quatro ressonadores acoplados, eles comparam várias maneiras de codificar as duas coordenadas de entrada nos controles físicos, como a amplitude ou a fase dos tons de excitação e de diferentes processos de acoplamento. Descobrem que inserir os dados na força ou na fase de uma interação especial que cria pares de fótons tem um efeito particularmente forte, permitindo classificação perfeita ao ler apenas uma probabilidade de fóton. Outras escolhas de codificação precisam de muito mais saídas medidas, ou nunca alcançam precisão total. Isso mostra que a forma como os dados são escritos no dispositivo quântico molda fortemente sua não linearidade efetiva.

De dígitos manuscritos a dispositivos futuros

Por fim, os autores enfrentam uma pequena tarefa de reconhecimento de imagens envolvendo dígitos manuscritos representados como grades de 8 × 8 pixels. Com seis ressonadores e múltiplos processos de criação de pares, eles alimentam os pixels ao longo de vários fatias temporais, uma estratégia similar a apresentar repetidamente o mesmo circuito quântico com novos dados. Após treinar algumas centenas de parâmetros físicos e clássicos, o modelo classifica dígitos não vistos com mais de 97% de acurácia enquanto mede apenas um conjunto modesto de resultados de contagem de fótons. Em contraste, quando o mesmo hardware é usado como um reservatório não treinado, o desempenho se satura muito mais baixo mesmo com mais medições, ressaltando o benefício de otimizar as interações físicas.

Por que isso importa para a tecnologia quântica

O estudo demonstra que redes construídas a partir de modos bosônicos que evoluem linearmente, combinadas com contagem de fótons não linear, podem ser ao mesmo tempo expressivas e treináveis usando ferramentas de gradiente familiares. Embora o trabalho atual dependa de simulação clássica para orientar o treinamento e por isso seja limitado em tamanho, os ingredientes subjacentes combinam bem com plataformas supercondutoras e fotônicas existentes que já suportam acoplamentos paramétricos ajustáveis. Isso abre uma rota realista rumo a hardware quântico que não apenas processa informação de forma quântica, mas também pode ser treinado como as redes neurais de hoje, potencialmente servindo como front-ends inteligentes para sensores e processadores quânticos futuros.

Citação: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Palavras-chave: redes neurais quânticas, modos bosônicos, dinâmica gaussiana, contagem de fótons, aprendizado de máquina quântico