Resumo

A computação quântica costuma ser apresentada por meio de frases como “um qubit pode ser zero e um ao mesmo tempo”. Embora essa formulação tente traduzir a superposição para uma linguagem cotidiana, ela também pode criar mais confusão do que entendimento. A estrutura da computação quântica se torna muito mais clara quando partimos de sua base real: vetores, matrizes, números complexos, probabilidades e transformações lineares [1–4].

Este artigo apresenta uma introdução progressiva aos principais fundamentos da computação quântica. Começamos pela representação matemática dos qubits, avançamos para portas quânticas, medição, sistemas compostos e emaranhamento, e chegamos a algoritmos como Deutsch, Grover, Transformada de Fourier Quântica e Estimativa de Fase. Também discutimos teletransporte quântico, ruído, correção de erros, algoritmos variacionais e aprendizado de máquina quântico.

O objetivo é preservar o rigor matemático sem transformar a matemática em uma barreira de entrada. Cada equação será acompanhada de uma interpretação física ou computacional, porque compreender computação quântica exige mais do que memorizar símbolos: exige entender o que esses símbolos nos permitem calcular.

Palavras-chave: computação quântica, qubits, álgebra linear, emaranhamento, algoritmos quânticos, VQE, QAOA, aprendizado de máquina quântico.

1. A computação quântica começa na álgebra linear

Computadores clássicos trabalham com bits. Um bit pode assumir um de dois valores:

\[0\]

ou

\[1.\]

Esses valores podem representar situações como desligado e ligado, falso e verdadeiro ou ausência e presença de um sinal elétrico.

Na computação quântica, a unidade fundamental de informação é o qubit. Para representá-lo, utilizamos vetores em um espaço vetorial complexo.

Os estados básicos são escritos como:

\[|0\rangle = \begin{pmatrix} 1\\ 0 \end{pmatrix}\]

e

\[|1\rangle = \begin{pmatrix} 0\\ 1 \end{pmatrix}.\]

Essa notação, chamada de notação de Dirac ou notação bra-ket, aparece em praticamente toda a mecânica quântica [3,4].

Um qubit geral pode ser escrito como:

\[|\psi\rangle = \alpha|0\rangle+\beta|1\rangle,\]

em que \(\alpha\) e \(\beta\) são números complexos chamados amplitudes de probabilidade.

Na representação vetorial:

\[|\psi\rangle = \begin{pmatrix} \alpha\\ \beta \end{pmatrix}.\]

As amplitudes não são diretamente as probabilidades. As probabilidades surgem quando calculamos o módulo ao quadrado de cada amplitude:

\[P(0)=|\alpha|^2\]

e

\[P(1)=|\beta|^2.\]

Como uma medição precisa produzir algum resultado, as probabilidades devem somar 1:

\[|\alpha|^2+|\beta|^2=1.\]

Essa é a condição de normalização do estado quântico.

Considere o estado:

\[|\psi\rangle=\frac{\sqrt{3}}{2}|0\rangle+\frac{1}{2}|1\rangle.\]

A probabilidade de medir \(0\) será:

\[P(0)=\left|\frac{\sqrt{3}}{2}\right|^2=\frac{3}{4}.\]

A probabilidade de medir \(1\) será:

\[P(1)=\left|\frac{1}{2}\right|^2=\frac{1}{4}.\]

Portanto, ao preparar e medir esse mesmo estado muitas vezes, esperamos encontrar aproximadamente 75% de resultados iguais a \(0\) e 25% iguais a \(1\).

O estado quântico contém uma distribuição de amplitudes. A medição converte essa descrição em um resultado clássico.

2. Superposição, fase e interferência

Quando escrevemos

\[|\psi\rangle=\alpha|0\rangle+\beta|1\rangle,\]

dizemos que o qubit está em uma superposição dos estados da base computacional.

A superposição não deve ser interpretada apenas como desconhecimento. Em um sistema clássico, uma moeda coberta sobre a mesa já possui uma face voltada para cima, mesmo que ainda não saibamos qual. Em um sistema quântico, as amplitudes associadas às possibilidades podem interferir entre si antes da medição.

Essa interferência depende tanto do módulo quanto da fase das amplitudes.

Um qubit puro também pode ser representado como:

\[|\psi\rangle= \cos\left(\frac{\theta}{2}\right)|0\rangle+ e^{i\phi}\sin\left(\frac{\theta}{2}\right)|1\rangle.\]

Os ângulos \(\theta\) e \(\phi\) posicionam o estado na chamada esfera de Bloch.

A fase relativa \(\phi\) não altera diretamente as probabilidades de medir \(0\) ou \(1\) na base computacional. Entretanto, ela altera o comportamento do estado quando outras operações são aplicadas.

Compare os estados:

\[|+\rangle=\frac{|0\rangle+|1\rangle}{\sqrt{2}}\]

e

\[|-\rangle=\frac{|0\rangle-|1\rangle}{\sqrt{2}}.\]

Nos dois casos:

\[P(0)=P(1)=\frac{1}{2}.\]

Uma medição direta na base computacional produzirá distribuições iguais. Mesmo assim, os estados são diferentes. O sinal negativo representa uma diferença de fase que pode ser revelada por uma transformação posterior.

Aplicando a porta de Hadamard:

\[H|+\rangle=|0\rangle\]

e

\[H|-\rangle=|1\rangle.\]

É justamente esse controle sobre fases e interferências que permite aos algoritmos quânticos concentrar probabilidade em determinadas respostas.

3. Bra, ket e produto interno

O vetor coluna \(|\psi\rangle\) é chamado de ket.

Seu conjugado transposto é chamado de bra:

\[\langle\psi|=|\psi\rangle^\dagger.\]

Se

\[|\psi\rangle= \begin{pmatrix} \alpha\\ \beta \end{pmatrix},\]

então:

\[\langle\psi|= \begin{pmatrix} \alpha^* & \beta^* \end{pmatrix},\]

em que o símbolo \(^*\) representa o conjugado complexo.

O produto interno entre dois estados é escrito como:

\[\langle\phi|\psi\rangle.\]

Para os vetores da base computacional:

\[\langle0|0\rangle=1,\]

\[\langle1|1\rangle=1,\]

\[\langle0|1\rangle=0,\]

\[\langle1|0\rangle=0.\]

Os vetores \(|0\rangle\) e \(|1\rangle\) possuem norma 1 e são ortogonais. Por isso, formam uma base ortonormal.

Geometricamente, podemos pensar neles como dois eixos perpendiculares. Um estado quântico é um vetor construído a partir de uma combinação desses eixos.

Essa interpretação geométrica será importante quando tratarmos de algoritmos quânticos. Grande parte do trabalho de um circuito consiste em girar, refletir ou redistribuir amplitudes dentro de um espaço vetorial.

4. A matriz densidade

A representação por vetores funciona muito bem para estados puros. Entretanto, sistemas reais também podem envolver incerteza estatística, interação com o ambiente e ruído [3,9].

Nesse caso, utilizamos a matriz densidade.

Para um estado puro:

\[\rho=|\psi\rangle\langle\psi|.\]

Se

\[|\psi\rangle=\alpha|0\rangle+\beta|1\rangle,\]

então:

\[\rho= \begin{pmatrix} |\alpha|^2 & \alpha\beta^*\\ \alpha^*\beta & |\beta|^2 \end{pmatrix}.\]

Os elementos da diagonal estão relacionados às probabilidades de medição. Os elementos fora da diagonal carregam informações sobre coerência e fase.

Considere o estado:

\[|+\rangle=\frac{|0\rangle+|1\rangle}{\sqrt{2}}.\]

Sua matriz densidade é:

\[\rho_+= \frac{1}{2} \begin{pmatrix} 1&1\\ 1&1 \end{pmatrix}.\]

Agora considere uma mistura clássica na qual metade dos sistemas foi preparada em \(|0\rangle\) e metade em \(|1\rangle\):

\[\rho_{\text{mistura}} = \frac{1}{2}|0\rangle\langle0| + \frac{1}{2}|1\rangle\langle1|.\]

Logo:

\[\rho_{\text{mistura}}= \frac{1}{2} \begin{pmatrix} 1&0\\ 0&1 \end{pmatrix}.\]

Os dois casos produzem 50% de \(0\) e 50% de \(1\) quando medidos diretamente na base computacional. Ainda assim, representam situações físicas distintas.

No estado \(|+\rangle\), existe coerência entre as amplitudes. Na mistura clássica, essa coerência desapareceu. Os termos fora da diagonal permitem enxergar essa diferença.

Toda matriz densidade física deve satisfazer:

\[\rho^\dagger=\rho,\]

\[\rho\geq0\]

e

\[\operatorname{Tr}(\rho)=1.\]

Para um estado puro:

\[\operatorname{Tr}(\rho^2)=1.\]

Para um estado misto:

\[\operatorname{Tr}(\rho^2)<1.\]

A quantidade \(\operatorname{Tr}(\rho^2)\) é chamada de pureza.

5. Portas quânticas e operadores

Uma operação quântica transforma um vetor de estado em outro:

\[|\psi'\rangle=U|\psi\rangle.\]

Nos circuitos quânticos fechados, as portas são representadas por matrizes unitárias [1,3,4]. Uma matriz \(U\) é unitária quando:

\[U^\dagger U=UU^\dagger=I.\]

A unitariedade preserva a norma do vetor. Como a norma está ligada à soma das probabilidades, essa propriedade impede que uma transformação produza probabilidades totais diferentes de 1.

É importante separar dois conceitos.

As portas quânticas são normalmente unitárias. Os observáveis físicos são representados por operadores hermitianos:

\[A=A^\dagger.\]

Algumas matrizes, como as matrizes de Pauli e a porta de Hadamard, são ao mesmo tempo unitárias e hermitianas. Essa coincidência não vale para todas as portas.

As matrizes de Pauli são:

\[X= \begin{pmatrix} 0&1\\ 1&0 \end{pmatrix},\]

\[Y= \begin{pmatrix} 0&-i\\ i&0 \end{pmatrix},\]

\[Z= \begin{pmatrix} 1&0\\ 0&-1 \end{pmatrix}.\]

A porta \(X\) funciona como uma inversão de bit:

\[X|0\rangle=|1\rangle,\]

\[X|1\rangle=|0\rangle.\]

A porta \(Z\) altera a fase de \(|1\rangle\):

\[Z|0\rangle=|0\rangle,\]

\[Z|1\rangle=-|1\rangle.\]

A porta de Hadamard é:

\[H= \frac{1}{\sqrt{2}} \begin{pmatrix} 1&1\\ 1&-1 \end{pmatrix}.\]

Sua aplicação sobre os estados básicos produz:

\[H|0\rangle= \frac{|0\rangle+|1\rangle}{\sqrt{2}} =|+\rangle,\]

\[H|1\rangle= \frac{|0\rangle-|1\rangle}{\sqrt{2}} =|-\rangle.\]

Essa porta aparece repetidamente em algoritmos quânticos porque cria superposições e também converte diferenças de fase em diferenças mensuráveis.

6. Sistemas com vários qubits

Para representar dois qubits, utilizamos o produto tensorial.

Se o primeiro qubit está em \(|a\rangle\) e o segundo em \(|b\rangle\), o estado conjunto é:

\[|a\rangle\otimes|b\rangle.\]

Por simplicidade, geralmente escrevemos:

\[|a\rangle|b\rangle=|ab\rangle.\]

Os estados da base para dois qubits são:

\[|00\rangle,\quad |01\rangle,\quad |10\rangle,\quad |11\rangle.\]

Um estado geral pode ser escrito como:

\[|\psi\rangle= \alpha|00\rangle+ \beta|01\rangle+ \gamma|10\rangle+ \delta|11\rangle,\]

com:

\[|\alpha|^2+ |\beta|^2+ |\gamma|^2+ |\delta|^2=1.\]

Enquanto um qubit é descrito por duas amplitudes, dois qubits exigem quatro. Três qubits exigem oito. Em geral, \(n\) qubits são descritos por \(2^n\) amplitudes complexas.

Essa expansão exponencial ajuda a explicar por que sistemas quânticos são difíceis de simular em computadores clássicos. Um registrador com muitos qubits ocupa um espaço de estados de dimensão extremamente elevada [1–3].

Entretanto, possuir \(2^n\) amplitudes não significa que podemos medir e recuperar \(2^n\) respostas de uma só vez. Uma medição produz apenas um resultado clássico. Os algoritmos precisam organizar a interferência das amplitudes para tornar a informação relevante observável.

7. Emaranhamento

Alguns estados de vários qubits podem ser escritos como produtos de estados individuais.

Por exemplo:

\[|01\rangle=|0\rangle\otimes|1\rangle.\]

Também temos:

\[\frac{|01\rangle+|11\rangle}{\sqrt{2}} = \left(\frac{|0\rangle+|1\rangle}{\sqrt{2}}\right)\otimes|1\rangle.\]

Esses são estados separáveis.

Para um estado puro de dois qubits,

\[|\psi\rangle= \alpha|00\rangle+ \beta|01\rangle+ \gamma|10\rangle+ \delta|11\rangle,\]

uma condição de separabilidade é:

\[\alpha\delta=\beta\gamma.\]

Quando essa relação não é satisfeita, o estado não pode ser decomposto em dois estados independentes.

Um dos exemplos mais conhecidos é o estado de Bell [2,3,9]:

\[|\Phi^+\rangle= \frac{|00\rangle+|11\rangle}{\sqrt{2}}.\]

Esse estado produz apenas dois resultados possíveis quando medido na base computacional:

\[P(00)=\frac{1}{2},\]

\[P(11)=\frac{1}{2}.\]

Nunca encontramos \(01\) ou \(10\) em uma situação ideal.

O ponto central aparece quando examinamos cada qubit separadamente. O estado reduzido de cada um é:

\[\rho_A=\rho_B=\frac{I}{2}.\]

Individualmente, cada qubit parece completamente aleatório. Em conjunto, os resultados apresentam correlações perfeitas.

O sistema completo contém uma estrutura que não pode ser atribuída separadamente a nenhuma de suas partes.

7.1 Criando um estado de Bell

Podemos criar \(|\Phi^+\rangle\) a partir de \(|00\rangle\).

Primeiro, aplicamos uma porta de Hadamard ao primeiro qubit:

\[(H\otimes I)|00\rangle = \frac{|00\rangle+|10\rangle}{\sqrt{2}}.\]

Depois, aplicamos uma porta CNOT, usando o primeiro qubit como controle e o segundo como alvo.

A CNOT inverte o alvo quando o controle está em \(|1\rangle\):

\[\operatorname{CNOT}|00\rangle=|00\rangle,\]

\[\operatorname{CNOT}|10\rangle=|11\rangle.\]

Portanto:

\[\operatorname{CNOT} \left( \frac{|00\rangle+|10\rangle}{\sqrt{2}} \right) = \frac{|00\rangle+|11\rangle}{\sqrt{2}}.\]

Uma operação local criou a superposição. A operação controlada transformou essa superposição em correlação quântica.

8. Circuitos, simuladores e medições

Um circuito quântico é uma sequência ordenada de operações aplicadas a um conjunto de qubits.

Podemos imaginar cada linha do circuito como a trajetória lógica de um qubit. As portas aparecem ao longo dessas linhas e a leitura acontece da esquerda para a direita.

Um circuito típico envolve:

1. preparação do estado inicial;
2. aplicação de portas quânticas;
3. possível criação de emaranhamento;
4. medição;
5. repetição do experimento.

A repetição é necessária porque o resultado da medição é probabilístico.

Considere novamente o estado:

\[|\Phi^+\rangle= \frac{|00\rangle+|11\rangle}{\sqrt{2}}.\]

Em uma execução, podemos medir \(00\). Em outra, \(11\). Depois de mil execuções, esperamos encontrar valores próximos de:

\[500\text{ ocorrências de }00\]

e

\[500\text{ ocorrências de }11.\]

Um experimento pode produzir 487 e 513, por exemplo. Essa diferença não contradiz a teoria. Ela decorre da variabilidade estatística de uma amostra finita.

Em um simulador de vetor de estado, podemos acessar diretamente as amplitudes ideais. Em uma simulação baseada em medições, recebemos contagens. Em hardware físico, entram também erros de porta, ruído de leitura, perda de coerência e interação com o ambiente. Plataformas como o Qiskit permitem estudar essas diferenças em simuladores e em dispositivos disponíveis por nuvem [11].

A diferença entre probabilidade teórica e contagem observada precisa ser tratada como parte do experimento.

9. De onde vem a vantagem algorítmica

A aplicação de Hadamard em \(n\) qubits inicialmente preparados em zero produz:

\[H^{\otimes n}|0\rangle^{\otimes n} = \frac{1}{\sqrt{2^n}} \sum_{x=0}^{2^n-1}|x\rangle.\]

O registrador passa a conter amplitudes associadas a todos os estados da base.

Às vezes, esse resultado é descrito como a capacidade de “calcular todas as possibilidades ao mesmo tempo”. A frase precisa ser usada com cuidado. A medição continuará retornando uma única sequência de bits.

O ganho aparece quando o algoritmo manipula as fases de modo que respostas indesejadas sofram interferência destrutiva e respostas relevantes sofram interferência construtiva.

Um algoritmo quântico eficiente é uma coreografia de amplitudes.

10. Oráculos quânticos

Muitos algoritmos são descritos por meio de um oráculo, uma operação que codifica determinada função.

Uma forma comum é:

\[U_f|x,y\rangle= |x,y\oplus f(x)\rangle,\]

em que \(\oplus\) representa a operação XOR.

O primeiro registrador contém a entrada \(x\). O segundo recebe o resultado de \(f(x)\) por meio da operação XOR.

Outra forma importante é o oráculo de fase:

\[U_f|x\rangle= (-1)^{f(x)}|x\rangle.\]

Quando \(f(x)=0\), o estado permanece com a mesma fase. Quando \(f(x)=1\), sua amplitude recebe um sinal negativo.

Essa mudança não é imediatamente visível em uma medição. O restante do circuito transforma a informação de fase em uma diferença de probabilidade.

11. O algoritmo de Deutsch

O algoritmo de Deutsch considera uma função:

\[f:\{0,1\}\rightarrow\{0,1\}.\]

A função é constante quando:

\[f(0)=f(1),\]

e balanceada quando:

\[f(0)\neq f(1).\]

Em um procedimento clássico determinístico, precisamos consultar os dois valores para ter certeza da classificação.

O circuito quântico prepara uma superposição das entradas, aplica o oráculo e utiliza interferência para identificar uma propriedade global da função com uma única consulta ao oráculo.

O interesse desse algoritmo não está em resolver um problema comercial de grande escala. Ele funciona como uma demonstração elementar de um princípio importante: algoritmos quânticos podem extrair propriedades de uma função sem recuperar individualmente todos os seus valores [5,8].

12. Transformada de Fourier Quântica

A Transformada de Fourier Quântica, ou QFT, é a versão quântica da transformada discreta de Fourier.

Para um espaço com dimensão

\[N=2^n,\]

ela atua sobre um estado da base \(|j\rangle\) segundo:

\[\operatorname{QFT}|j\rangle = \frac{1}{\sqrt{N}} \sum_{k=0}^{N-1} e^{2\pi i jk/N}|k\rangle.\]

A QFT redistribui a informação presente nas amplitudes e nas fases. Seu papel é especialmente importante em problemas nos quais periodicidade e fase carregam a informação procurada.

Para um único qubit, a QFT coincide com a ação da porta de Hadamard:

\[\operatorname{QFT}|0\rangle = \frac{|0\rangle+|1\rangle}{\sqrt{2}}.\]

A QFT aparece como componente de algoritmos mais amplos, entre eles a Estimativa de Fase Quântica e o algoritmo de Shor [3,5,8].

Seu valor não está simplesmente em executar uma transformada de Fourier. Em muitas situações, o circuito utiliza a QFT para converter relações de fase em sequências de bits que podem ser medidas.

13. Estimativa de Fase Quântica

Suponha que um operador unitário \(U\) possua um autovetor \(|u\rangle\):

\[U|u\rangle=e^{2\pi i\theta}|u\rangle.\]

O termo

\[e^{2\pi i\theta}\]

é o autovalor associado ao autovetor, e \(\theta\) é a fase que desejamos estimar.

A Estimativa de Fase Quântica, ou QPE, utiliza qubits auxiliares, operações controladas e uma QFT inversa para aproximar \(\theta\).

Com \(m\) qubits de precisão, o circuito representa a fase por meio de uma fração binária:

\[\theta\approx\frac{k}{2^m},\]

em que \(k\) é o inteiro obtido após a medição.

Por exemplo, com três qubits de precisão, a sequência:

\[001\]

representa:

\[\frac{1}{2^3}=\frac{1}{8}=0{,}125.\]

O aumento do número de qubits de controle permite uma resolução mais fina. Existe, contudo, um custo: o circuito se torna mais profundo e mais sensível ao ruído.

A Estimativa de Fase é uma peça central da computação quântica porque conecta operações unitárias a seus autovalores. Essa relação aparece em problemas de fatoração, simulação de sistemas físicos e cálculo de energias [3,5].

14. O algoritmo de Grover

Considere uma lista não ordenada com \(N\) elementos e uma função capaz de reconhecer a resposta correta.

Classicamente, no pior caso, precisamos verificar uma quantidade proporcional a \(N\) elementos.

O algoritmo de Grover encontra uma solução usando uma quantidade de consultas proporcional a [5,8]:

\[O(\sqrt{N}).\]

Quando existe uma única resposta marcada, o número ideal de iterações é aproximadamente:

\[\frac{\pi}{4}\sqrt{N}.\]

O algoritmo começa preparando uma superposição uniforme:

\[|\psi\rangle= \frac{1}{\sqrt{N}} \sum_{x=0}^{N-1}|x\rangle.\]

Depois, aplica duas operações principais.

A primeira é o oráculo, que altera a fase do estado procurado:

\[|x\rangle\longmapsto(-1)^{f(x)}|x\rangle.\]

A segunda é o operador de difusão, que realiza uma reflexão das amplitudes em torno de sua média.

A repetição dessas duas etapas aumenta gradualmente a amplitude da solução correta.

Uma analogia geométrica é mais útil do que imaginar uma busca simultânea em várias gavetas. O estado quântico é um vetor. Cada iteração de Grover gira esse vetor na direção do subespaço das soluções.

Ao final, a medição encontra a resposta marcada com alta probabilidade.

15. Informação quântica

A teoria da informação quântica estuda como estados quânticos podem ser preparados, transmitidos, transformados, comparados e protegidos [3,9].

Ela também estabelece limites fundamentais. Alguns desses limites são tão importantes quanto os algoritmos.

15.1 Teletransporte quântico

Suponha que Alice possua um qubit desconhecido:

\[|\psi\rangle=\alpha|0\rangle+\beta|1\rangle.\]

Alice e Bob compartilham previamente um par emaranhado.

Alice realiza operações conjuntas sobre seu qubit e sua metade do par, mede dois bits clássicos e envia esses resultados a Bob.

Se os resultados forem \(m_1\) e \(m_2\), Bob aplica:

\[X^{m_2}Z^{m_1}\]

ao seu qubit.

Depois dessa correção, o estado de Bob passa a ser:

\[|\psi\rangle.\]

O protocolo transfere o estado quântico, mas depende da comunicação de dois bits clássicos. Portanto, não permite comunicação mais rápida que a luz.

O estado original também deixa de existir após a medição de Alice. O processo respeita o teorema da não clonagem.

15.2 Codificação superdensa

O emaranhamento também permite transmitir dois bits clássicos por meio do envio físico de um único qubit, desde que Alice e Bob já compartilhem um par emaranhado.

Alice escolhe uma entre quatro operações sobre seu qubit. Cada operação transforma o par em um estado de Bell diferente. Depois de receber o qubit, Bob mede o par e identifica qual operação foi realizada.

O recurso adicional está no emaranhamento previamente distribuído. A contabilidade completa do protocolo precisa incluir essa preparação.

16. O teorema da não clonagem

Em sistemas clássicos, copiar dados é uma operação elementar. Podemos duplicar um arquivo sem alterar o original.

Para um estado quântico arbitrário e desconhecido, uma copiadora universal é impossível.

Suponha que exista uma operação unitária \(U\) capaz de copiar qualquer estado:

\[U|\psi\rangle|0\rangle = |\psi\rangle|\psi\rangle\]

e

\[U|\phi\rangle|0\rangle = |\phi\rangle|\phi\rangle.\]

Operações unitárias preservam produtos internos. Antes da cópia:

\[\langle\psi|\phi\rangle.\]

Depois da cópia:

\[\langle\psi|\phi\rangle^2.\]

Logo, seria necessário que:

\[\langle\psi|\phi\rangle= \langle\psi|\phi\rangle^2.\]

Essa igualdade só vale, de forma geral, quando:

\[\langle\psi|\phi\rangle=0\]

ou

\[\langle\psi|\phi\rangle=1.\]

Ou seja, a clonagem funcionaria apenas para estados ortogonais ou idênticos, desde que a base fosse conhecida. Não existe uma operação capaz de copiar perfeitamente qualquer estado quântico desconhecido.

Esse teorema possui consequências profundas para comunicação, criptografia e correção de erros [3,9].

17. Canais quânticos e ruído

Sistemas quânticos reais interagem com o ambiente. Essa interação pode alterar amplitudes, fases e correlações.

Uma operação quântica geral pode ser escrita por meio de operadores de Kraus [3,9]:

\[\rho'= \sum_k E_k\rho E_k^\dagger,\]

com:

\[\sum_k E_k^\dagger E_k=I.\]

Essa condição garante que o traço da matriz densidade seja preservado.

Entre os modelos básicos de ruído estão:

Inversão de bit

O estado sofre uma operação \(X\) com probabilidade \(p\):

\[\rho'=(1-p)\rho+pX\rho X.\]

Inversão de fase

O estado sofre uma operação \(Z\):

\[\rho'=(1-p)\rho+pZ\rho Z.\]

Canal despolarizante

O estado é parcialmente substituído por ruído maximamente misto:

\[\rho'=(1-p)\rho+p\frac{I}{2}.\]

Amortecimento de amplitude

Modela processos de perda de energia, como a transição de \(|1\rangle\) para \(|0\rangle\).

Esse comportamento é semelhante a um sistema excitado que libera energia e retorna ao estado fundamental.

Amortecimento de fase

Reduz a coerência entre estados sem necessariamente alterar as populações da diagonal da matriz densidade.

Em termos práticos, o sistema pode continuar apresentando as mesmas probabilidades de \(0\) e \(1\), enquanto perde a capacidade de produzir interferência.

18. Entropia e informação

A entropia de von Neumann é definida como:

\[S(\rho)= -\operatorname{Tr}(\rho\log_2\rho).\]

Ela generaliza a entropia de Shannon para sistemas quânticos.

Para um estado puro:

\[S(\rho)=0.\]

Para o estado maximamente misto de um qubit:

\[\rho=\frac{I}{2},\]

temos:

\[S(\rho)=1.\]

A entropia mede o grau de mistura do estado. Em sistemas compostos, ela também ajuda a caracterizar emaranhamento.

No estado de Bell completo, o sistema de dois qubits é puro:

\[S(\rho_{AB})=0.\]

Porém, cada subsistema isolado é maximamente misto:

\[S(\rho_A)=S(\rho_B)=1.\]

O sistema completo possui informação precisa, enquanto cada parte, observada separadamente, parece completamente aleatória.

19. Correção de erros quânticos

O teorema da não clonagem impede que um qubit desconhecido seja simplesmente copiado várias vezes. Ainda assim, é possível proteger sua informação distribuindo-a em correlações entre vários qubits.

No código de inversão de bit com três qubits:

\[|\psi\rangle= \alpha|0\rangle+\beta|1\rangle\]

é codificado como:

\[|\psi_L\rangle= \alpha|000\rangle+\beta|111\rangle.\]

Se ocorrer uma inversão no segundo qubit:

\[X_2|\psi_L\rangle= \alpha|010\rangle+\beta|101\rangle.\]

Medidas auxiliares, chamadas de síndromes, permitem identificar qual qubit sofreu o erro sem medir diretamente os coeficientes \(\alpha\) e \(\beta\).

Depois de identificar o erro, aplicamos uma correção \(X\) no qubit afetado.

Esse código protege contra uma inversão de bit. Ele não corrige automaticamente erros de fase nem combinações arbitrárias de falhas. Códigos mais avançados distribuem a informação lógica em um número maior de qubits físicos.

A correção de erros é um dos principais desafios da computação quântica. Para manter um qubit lógico confiável, frequentemente são necessários muitos qubits físicos, operações de síndrome e ciclos contínuos de correção [3,7].

20. Algoritmos quânticos variacionais

Os dispositivos quânticos ruidosos possuem limitações de coerência, fidelidade e profundidade dos circuitos. Uma estratégia para trabalhar com esses dispositivos é dividir o problema entre um processador clássico e um processador quântico.

Essa é a base dos algoritmos quânticos variacionais e de grande parte das propostas atuais de aprendizado de máquina quântico [10].

Um circuito parametrizado prepara um estado:

\[|\psi(\boldsymbol{\theta})\rangle = U(\boldsymbol{\theta})|0\rangle^{\otimes n}.\]

Os parâmetros \(\boldsymbol{\theta}\) controlam ângulos de rotação e outras operações.

O computador quântico estima uma função de custo. Um otimizador clássico atualiza os parâmetros. O processo se repete até atingir um critério de parada.

O circuito parametrizado utilizado para explorar o espaço de soluções recebe o nome de ansatz.

Um bom ansatz precisa equilibrar três elementos:

• capacidade de representar estados relevantes;
• profundidade compatível com o hardware;
• possibilidade de treinamento sem gradientes excessivamente pequenos.

Um circuito muito simples pode não representar a solução. Um circuito excessivamente profundo pode acumular ruído e produzir paisagens de otimização quase planas.

21. VQE e o princípio variacional

O Variational Quantum Eigensolver, ou VQE, busca aproximar a menor energia de um Hamiltoniano.

Se \(H\) possui energia fundamental \(E_0\), o princípio variacional estabelece:

\[\langle\psi|H|\psi\rangle\geq E_0\]

para qualquer estado normalizado \(|\psi\rangle\).

Assim, definimos:

\[E(\boldsymbol{\theta}) = \langle\psi(\boldsymbol{\theta})| H |\psi(\boldsymbol{\theta})\rangle.\]

O objetivo do otimizador é encontrar:

\[\boldsymbol{\theta}^* = \arg\min_{\boldsymbol{\theta}} E(\boldsymbol{\theta}).\]

O valor:

\[E(\boldsymbol{\theta}^*)\]

fornece uma aproximação para a energia fundamental.

Na prática, o Hamiltoniano pode ser decomposto como uma soma de produtos de operadores de Pauli:

\[H=\sum_j c_jP_j.\]

Cada termo \(P_j\) é medido separadamente, e o valor esperado total é reconstruído:

\[\langle H\rangle = \sum_j c_j\langle P_j\rangle.\]

Podemos pensar no VQE como uma busca em uma paisagem de energia. O circuito quântico prepara candidatos. O computador clássico observa a energia de cada candidato e decide em que direção ajustar os parâmetros.

Essa abordagem é particularmente associada à simulação de moléculas e materiais, porque energias fundamentais estão diretamente relacionadas à estabilidade de sistemas físicos [5,10].

22. QAOA e problemas de otimização

O Quantum Approximate Optimization Algorithm, ou QAOA, é voltado a problemas de otimização combinatória.

Ele utiliza dois Hamiltonianos.

O Hamiltoniano de custo \(H_C\) representa o problema. O Hamiltoniano de mistura \(H_M\) permite explorar diferentes configurações.

Para profundidade \(p\), o estado pode ser escrito como:

\[|\psi_p(\boldsymbol{\gamma},\boldsymbol{\beta})\rangle = \prod_{\ell=1}^{p} e^{-i\beta_\ell H_M} e^{-i\gamma_\ell H_C} |+\rangle^{\otimes n}.\]

Os parâmetros \(\gamma_\ell\) e \(\beta_\ell\) são ajustados por um otimizador clássico.

No problema Max-Cut, queremos dividir os vértices de um grafo em dois grupos de modo a maximizar o número de arestas que conectam grupos diferentes.

Para uma aresta \((i,j)\), podemos usar:

\[H_{ij} = \frac{1}{2}(I-Z_iZ_j).\]

Se os qubits \(i\) e \(j\) possuem valores diferentes, esse termo contribui com 1. Se possuem o mesmo valor, contribui com 0.

O Hamiltoniano de custo completo é:

\[H_C= \sum_{(i,j)\in E} \frac{1}{2}(I-Z_iZ_j).\]

O circuito tenta aumentar o valor esperado desse Hamiltoniano, favorecendo estados que representam cortes maiores.

23. Aprendizado de máquina quântico

O aprendizado de máquina quântico combina circuitos quânticos com métodos de otimização e inferência [10].

Uma arquitetura comum utiliza dados clássicos, processamento quântico e otimização clássica.

O primeiro desafio é codificar os dados em um estado quântico.

Dado um vetor clássico \(\mathbf{x}\), construímos:

\[|\phi(\mathbf{x})\rangle = U_\phi(\mathbf{x})|0\rangle^{\otimes n}.\]

A operação \(U_\phi(\mathbf{x})\) é chamada de mapa de características quântico.

23.1 Codificação de base

Dados binários podem ser inseridos diretamente na base computacional:

\[\mathbf{x}=(1,0,1) \quad\longrightarrow\quad |101\rangle.\]

Essa estratégia é simples, mas requer um qubit para cada característica binária.

23.2 Codificação por ângulo

Cada característica controla uma rotação:

\[|\phi(\mathbf{x})\rangle = R_y(x_1)\otimes R_y(x_2)\otimes\cdots\otimes R_y(x_n) |0\rangle^{\otimes n}.\]

É uma abordagem frequente em circuitos variacionais porque sua preparação é relativamente direta.

23.3 Codificação por amplitude

Um vetor normalizado com \(d\) componentes pode ser representado nas amplitudes de:

\[\lceil\log_2 d\rceil\]

qubits:

\[|\phi(\mathbf{x})\rangle= \sum_{j=0}^{d-1}x_j|j\rangle.\]

Essa representação parece muito compacta. Contudo, a preparação do estado pode exigir um circuito custoso. A análise de eficiência precisa incluir o custo de carregar os dados, e não apenas a quantidade de qubits utilizada depois que o estado já está pronto.

24. Kernels quânticos

Métodos de kernel comparam dados por meio de sua similaridade em um espaço de características.

No caso quântico, podemos definir:

\[K(\mathbf{x},\mathbf{x}') = \left| \langle\phi(\mathbf{x})| \phi(\mathbf{x}') \rangle \right|^2.\]

O circuito quântico estima a sobreposição entre os estados gerados por duas entradas.

A matriz de kernel resultante pode ser utilizada por métodos clássicos, como máquinas de vetores de suporte.

A proposta é que um circuito quântico possa mapear os dados para um espaço no qual certas estruturas sejam mais fáceis de separar.

Essa vantagem depende do problema, do mapa de características e do custo completo da execução. Um espaço de alta dimensionalidade, sozinho, não garante um modelo melhor. O mapeamento precisa representar relações relevantes presentes nos dados.

25. Modelos quânticos variacionais

Outra abordagem utiliza um circuito treinável:

\[|\psi(\mathbf{x},\boldsymbol{\theta})\rangle = U(\boldsymbol{\theta}) U_\phi(\mathbf{x}) |0\rangle^{\otimes n}.\]

Depois, medimos um observável \(M\):

\[f_{\boldsymbol{\theta}}(\mathbf{x}) = \langle \psi(\mathbf{x},\boldsymbol{\theta}) | M | \psi(\mathbf{x},\boldsymbol{\theta}) \rangle.\]

Esse valor pode ser interpretado como escore de classificação, saída de regressão ou parte de uma função de custo.

O treinamento segue uma lógica conhecida no aprendizado de máquina:

1. os dados são codificados;
2. o circuito produz uma previsão;
3. a previsão é comparada ao valor esperado;
4. uma função de perda é calculada;
5. os parâmetros são atualizados;
6. o ciclo é repetido.

A diferença está no modelo utilizado para produzir a saída. Em vez de uma sequência inteiramente clássica de operações matriciais, parte do cálculo ocorre em um circuito quântico.

O processo permanece híbrido. Preparação de dados, otimização, controle do experimento e avaliação costumam acontecer em computadores clássicos [10].

25.1 Redes neurais quânticas e circuitos convolucionais

Uma rede neural quântica pode ser construída a partir de um circuito parametrizado no qual os dados entram como ângulos, fases ou amplitudes, enquanto outros parâmetros são ajustados durante o treinamento. Há exemplos de circuitos de um único qubit capazes de representar a função XOR, embora isso não signifique que qualquer problema de classificação se torne automaticamente mais simples em hardware quântico [6].

Também existem propostas de Redes Neurais Convolucionais Quânticas, ou QCNNs. Nelas, blocos de portas quânticas exercem um papel análogo ao de operações locais e etapas de redução usadas em redes convolucionais clássicas. Um exemplo didático pode usar pequenas imagens de \(3\times3\) pixels, codificando seus valores em nove qubits para distinguir padrões de adjacência entre pixels [13].

Implementações educacionais da função XOR e de circuitos QNN também aparecem em materiais técnicos da MathWorks [12]. Esses exemplos são úteis para estudar a construção do circuito, a codificação dos dados e a função de custo. Ainda assim, o desempenho deve ser comparado a baselines clássicos simples, porque resolver um conjunto pequeno não demonstra, por si só, vantagem quântica.

26. Expressividade e treinabilidade

Um circuito expressivo consegue representar uma variedade ampla de estados ou funções.

Essa capacidade possui um custo. Circuitos muito expressivos podem apresentar regiões nas quais o gradiente da função de custo se torna extremamente pequeno.

Essas regiões são conhecidas como barren plateaus, ou platôs estéreis.

Quando:

\[\frac{\partial C}{\partial\theta_j}\approx0\]

para muitos parâmetros, o otimizador recebe pouca informação sobre qual direção seguir.

O problema se torna ainda mais difícil quando a estimativa do gradiente contém ruído estatístico e ruído do hardware.

O projeto de um modelo quântico envolve, portanto, escolhas semelhantes às encontradas em outros campos do aprendizado de máquina: representação, capacidade, generalização, custo de treinamento e estabilidade numérica.

A presença de um circuito quântico acrescenta novas restrições físicas e computacionais a esse conjunto [10].

27. Como avaliar uma possível vantagem quântica

Uma comparação séria entre uma solução clássica e uma solução quântica precisa considerar o pipeline completo.

Isso inclui:

• preparação e carregamento dos dados;
• quantidade de qubits;
• profundidade do circuito;
• número de medições;
• custo da otimização clássica;
• mitigação de erros;
• comunicação entre os componentes;
• qualidade final da solução;
• escalabilidade.

Um algoritmo pode apresentar uma etapa matematicamente elegante e, ainda assim, perder eficiência quando o custo de preparação dos dados é incluído.

Da mesma forma, um modelo quântico pode atingir boa acurácia em um conjunto pequeno sem demonstrar vantagem sobre métodos clássicos simples.

A pergunta cientificamente relevante deve ser formulada de maneira precisa: para qual classe de problemas, sob quais hipóteses, em qual escala e considerando quais custos o método quântico oferece benefício?

Computação quântica exige experimentos, métricas e comparação com baselines fortes. O vocabulário futurista não substitui essa análise.

Considerações finais

A computação quântica fica mais compreensível quando abandonamos explicações baseadas apenas em metáforas e acompanhamos o caminho matemático percorrido pelos estados.

Um qubit é um vetor complexo normalizado. Uma porta quântica é uma transformação linear unitária. A medição associa amplitudes a probabilidades. O emaranhamento surge quando o estado conjunto não pode ser separado em estados individuais. Algoritmos quânticos controlam fases para produzir interferência. Canais quânticos descrevem a interação com o ambiente. Algoritmos variacionais combinam circuitos parametrizados com otimização clássica.

Mesmo fenômenos que parecem estranhos, como teletransporte e emaranhamento, seguem regras matemáticas rigorosas. Não há liberdade para produzir qualquer resultado. As amplitudes precisam ser normalizadas, as operações precisam preservar a estrutura física do sistema e as medições obedecem a distribuições de probabilidade bem definidas.

O campo ainda enfrenta limitações importantes relacionadas a ruído, escalabilidade, correção de erros, preparação de estados e custo de medição. Essas limitações fazem parte da ciência e da engenharia envolvidas.

A computação quântica pode oferecer novas formas de resolver problemas de simulação, otimização, criptografia e aprendizado de máquina. O potencial surge da estrutura dos espaços quânticos e da maneira como manipulamos suas amplitudes. Quanto mais nos aproximamos da álgebra linear, da teoria da informação e da física, menos misterioso o assunto se torna.

No fim, o computador quântico continua sendo uma máquina que transforma informação. A diferença está no espaço matemático em que essa transformação acontece.

Referências

[1] D. McMahon. Quantum Computing Explained. 1. ed. New Jersey: John Wiley & Sons, 2008.

[2] E. Rieffel; W. Polak. Quantum Computing: A Gentle Introduction. 1. ed. Cambridge: The MIT Press, 2011.

[3] M. A. Nielsen; I. L. Chuang. Quantum Computation and Quantum Information. Cambridge: Cambridge University Press, 2010.

[4] N. Zettili. Quantum Mechanics: Concepts and Applications. 2. ed. West Sussex: John Wiley & Sons, 2009.

[5] S. Kurgalin; S. Borzunov. Concise Guide to Quantum Computing: Algorithms, Exercises, and Implementations. Cham: Springer, 2021.

[6] I. Grossu. “Single Qubit Neural Quantum Circuit for Solving Exclusive-OR”. MethodsX, v. 8, art. 101573, 2021.

[7] A. Chatterjee; K. Phalak; S. Ghosh. “Quantum Error Correction for Dummies”. arXiv, arXiv:2304.08678, 2023.

[8] E. Strubell. An Introduction to Quantum Algorithms. GitHub. Disponível em: https://strubell.github.io.

[9] M. Christandl; M. Ozols; M. Walter; F. Witteveen. Quantum Information Theory. Disponível em: https://qi.rub.de.

[10] O. Simeone. “An Introduction to Quantum Machine Learning for Engineers”. arXiv, arXiv:2205.09510, 2022.

[11] IBM Quantum Learning. Disponível em: https://learning.quantum.ibm.com.

[12] MathWorks. Solve XOR Problem Using Quantum Neural Network (QNN). Disponível em: https://www.mathworks.com.

[13] M. Nur Hidayat; M. Faruq Nuruddinsyah. 3x3 Pixel Pattern Classification Dataset: 12 Adjacent Pair Classes [conjunto de dados]. Pi Quantum. DOI: https://doi.org/10.5281/zenodo.17576072.