Computação Quântica e Modelos Preditivos

Um dos problemas em aberto na computação quântica atualmente é saber quais problemas podem ser resolvidos em computadores quânticos de forma eficiente. Mais do que isso, é importante saber também quais problemas podem apresentar vantagens ao serem resolvidos nesses dispositivos; seja essa vantagem em tempo de computação, custos energéticos ou acurária dos modelos em larga escala. Isso porque os custos para se migrar aplicações que já são resolvidas de forma eficiente em computadores clássicos para computadores quânticos precisam ser justificados.

Dentre os problemas candidatos para solução em computadores quânticos, encontram-se os problemas de regressão, ou de predição, onde o objetivo é extrapolar um conjunto de dados de um tempo passado para tentar predizer qual será o comportamento futuro desses dados.

Essa premissa pode ser utilizada por exemplo com dados climáticos, o que pode ajudar a entender a ocorrência de eventos extremos e previnir a ocorrência de catástrofes ambientais, mas também com dados financeiros, o que pode ajudar a entender o comportamento do mercado em função das sazonalidades e ciclos econômicos, dentre outras variáveis. E esses são só alguns exemplos do que pode ser feito com modelos de regressão.

Predições Climáticas

Prever o comportamento de sistemas físicos complexos, como as variáveis climáticas, é um dos maiores desafios científicos existentes. Esses sistemas são sensíveis às condições atmosféricas iniciais, que não podem ser completamente conhecidas e que mudam no tempo.

Uma das formas de criar predições sobre essas variáveis climáticas é através de modelos de aprendizado de máquina, como as LSTMs (Long Short-Term Memory). Modelos quânticos, no entanto, vêm sendo explorados nessas tarefas, e apresentam bons resultados em simulações computacionais. Apesar de não existirem provas de vantagem quântica para o problema, ele se apresenta como um bom candidato a ser testado em computadores quânticos reais tolerantes a falhas.

Predições Financeiras

Quando falamos em predições financeiras, precisamos levar em consideração uma variável que simplesmente é imprevisível, que é o comportamento humano. O mercado financeiro é composto por pessoas com livre arbítrio, capacidade de tomar decisões e de alterá-las.

No entanto, esse comportamento é influenciado por diversos fatores, e alguns deles são conhecidos. Por exemplo, taxas de juros baixas podem influenciar o mercado de empréstimos e períodos quentes podem aumentar a demanda por aparelhos de ar-condicionado.

Dessa forma, prever o comportamento de mercados significa encontrar a melhor aproximação possível para um determinado setor.

Mas encontrar boas aproximações não é uma tarefa fácil e, para intituições financeiras de grande porte, onde pequenos erros de orçamento podem custar milhões, pequenas melhorias em seus modelos preditivos podem gerar grande valor.

Conclusão

As aplicações listadas acima são apenas algumas das que são possíveis de se resolver com modelos preditivos. Mas o número de aplicações para esses modelos é enorme e abrange diferentes setores.

Por esse motivo, trabalhamos com modelos preditivos através do Software Pythia, desenhado para encontrar projeções em dados e solucionar uma enorme gama de problemas em diversos setores.