Redes neurais convolucionais (CNN) em modelos de aprendizado de máquina fornecem suporte essencial para reconhecimento de imagens, tradução de idiomas e outras aplicações. As redes neurais convolucionais quânticas (QCNN), versão quântica das CNNs, podem processar informações de forma mais eficiente usando estados quânticos. Sistemas fotônicos são plataformas ideais para QCNN devido à alta velocidade, estabilidade e facilidade de integração em chips, mas a natureza linear dos circuitos fotônicos limita as operações flexíveis necessárias para redes neurais.
Em estudo publicado na revista Advanced Photonics, os pesquisadores propuseram um novo método que aumenta a adaptabilidade dos circuitos fotônicos sem comprometer a compatibilidade com tecnologias existentes. O método adiciona etapas controladas de “injeção de estado adaptativa”, permitindo que o circuito ajuste seu comportamento com base nos resultados das medições durante o processamento, aproximando a QCNN de aplicações práticas. A equipe utilizou fontes de fótons únicos gerados por pontos quânticos e dois processadores quânticos fotônicos integrados para construir uma QCNN modular, na qual a rede processa informações em etapas. Após a primeira etapa, parte do sinal óptico é medida; com base nos resultados, o sistema injeta novos fótons ou envia os fótons existentes para frente, guiando o fluxo do cálculo. Como o hardware fotônico atual não permite a troca de fótons em tempo real, os pesquisadores simularam essa etapa com técnicas controláveis, reproduzindo o efeito.
Para testar o projeto, os pesquisadores codificaram imagens simples de 4×4 e verificaram que os resultados de medição em cada etapa correspondiam às previsões teóricas. No sistema experimental completo, a QCNN alcançou mais de 92% de precisão na classificação, consistente com simulações numéricas, demonstrando o potencial do método adaptativo. Os pesquisadores também discutiram a escalabilidade, destacando que futuros dispositivos fotônicos com comutação rápida poderiam permitir QCNN maiores e mais poderosas, com desempenho superior a alguns métodos clássicos. O autor sênior, Fabio Charino, afirmou que este trabalho fornece uma estrutura teórica e prova de conceito, estabelecendo bases para o desenvolvimento de novos métodos de aprendizado de máquina quântico. A adição de simples etapas adaptativas oferece um caminho realista para processadores quânticos fotônicos mais potentes.
