Introdução

A transição para fontes de energia renováveis é um pilar central no combate à crise climática global. A energia eólica, em particular, desponta como uma das soluções mais promissoras, com rápido crescimento em todo o mundo. No entanto, a natureza inerentemente complexa e não linear do vento torna sua previsão precisa um desafio significativo. Para otimizar a geração e garantir a estabilidade da rede, modelos avançados de Inteligência Artificial (IA) tornaram-se ferramentas indispensáveis.

Contudo, surge um paradoxo: os mesmos modelos de IA, especialmente arquiteturas de deep learning, que otimizam a energia limpa precisam de quantidades consideráveis de energia. Os processos de treinamento e ajuste desses modelos podem consumir uma grande quantidade de recursos computacionais, levantando questões críticas sobre a sustentabilidade da própria IA a longo prazo.

Diante disso, a computação quântica emerge como um paradigma alternativo. Ela tem o potencial de fornecer uma “vantagem quântica verde” (green quantum advantage), pois tende a reduzir drasticamente o consumo de energia em certas tarefas computacionais ora custosas. Uma questão fundamental, no entanto, permanece: os modelos de Quantum Machine Learning (QML), em seu estado atual, são capazes de competir com as soluções clássicas de IA em problemas relevantes do mundo real?

Proposta

Um novo estudo, publicado no renomado periódico Energy and AI, endereça essa questão diretamente. A pesquisa foi conduzida por Otto Menegasso Pires, Prof Dr Marcelo A. Moret e Prof Dr Erick Sperandio, pesquisadores da Universidade SENAI CIMATEC. O Prof. Dr. Erick Sperandio, líder da pesquisa, também é professor de IA e líder de IA e Sustentabilidade no Surrey Institute for People-Centred Artificial Intelligence (University of Surrey, Reino Unido).

O objetivo central foi investigar a eficácia de redes neurais quânticas (Quantum Neural Networks – QNN) para nowcasting — previsão de curtíssimo prazo — da velocidade do vento em horizontes de até seis horas. Para estabelecer uma base de comparação robusta, o desempenho do QNN foi rigorosamente comparado ao de uma rede neural clássica (Multilayer Perceptron – MLP), um modelo de linha de base estabelecido para esta tarefa.

Metodologia

O modelo proposto é uma QNN da categoria “CQ” (Clássico-Quântico), que utiliza dados de entrada clássicos para alimentar um processador quântico. A arquitetura depende de um Circuito Quântico Parametrizado (PQC), também conhecido como ansatz.

O processo ocorre em três etapas principais:

Preparação de Dados (Feature Map): Os dados clássicos — variáveis meteorológicas como temperatura, pressão, umidade e direção do vento — não podem ser processados diretamente por um computador quântico. Eles são primeiro codificados em estados quânticos (qubits) através de um circuito Feature Map. Este estudo utilizou uma camada de superposição (com portas Hadamard) seguida por uma camada de codificação angular (Angle Encoding Layer).
Processamento de Dados (Ansatz): O coração do QNN é o ansatz, uma sequência de camadas quânticas que processam a informação. Cada camada é composta por um Operador Variacional (que “aprende” ajustando parâmetros) e um Operador de Emaranhamento (que cria correlações complexas entre os qubits usando portas CNOT).
Saída de Dados (Pós-processamento Clássico): Após o processamento, os qubits são medidos, gerando uma saída. Esse resultado quântico é então alimentado em uma pequena camada clássica de pós-processamento (seis neurônios) para gerar as previsões finais para cada um dos horizontes de seis horas.

Para validar o modelo, os pesquisadores utilizaram dados reais de torres anemométricas em três locais distintos na Bahia, Brasil (Esplanada, Mucugê e Mucuri), em alturas de 100, 120 e 150 metros.

Resultados

Os resultados demonstraram que o modelo QNN proposto atingiu um desempenho comparável e competitivo em relação à linha de base clássica (MLP).

● Métricas de Desempenho: Embora o MLP tenha apresentado um Erro Quadrático Médio (RMSE) ligeiramente melhor, o QNN foi consistentemente superior na métrica Fac2 (fração de previsões dentro de um fator de dois) em todos os cenários, e mostrou uma Correlação de Pearson (R) melhor em uma das instâncias.

● Capacidade de Generalização: Uma das descobertas mais promissoras foi a excelente capacidade de generalização do QNN. As curvas de perda de treinamento e validação convergiram de forma similar, indicando que o modelo é robusto e não apresenta sinais de underfitting ou overfitting.

● Impacto da Profundidade do Circuito: Contraintuitivamente, o estudo revelou que uma rede neural quântica “mais profunda” (ou seja, maior e mais complexa) não significa necessariamente “melhor”. Circuitos quânticos mais rasos (com apenas uma ou duas camadas no ansatz) foram em geral suficientes para aprender os padrões dos dados. O teste estatístico Wilcoxon Signed-Rank confirmou que as diferenças de desempenho entre as profundidades eram estatisticamente significativas.

Conclusão

A principal contribuição deste trabalho, considerado seminal pelos autores, é a prova de viabilidade. Ele demonstra que uma arquitetura QNN puramente quântica pode, de fato, ser competitiva para um problema complexo de previsão no mundo real.

Este estudo foi executado inteiramente em um simulador quântico clássico — o supercomputador Kuatomu do Latin American Quantum Computing Center (LAQCC), da Universidade SENAI-CIMATEC – que imita o comportamento de um computador quântico. Os autores destacam que simular circuitos quânticos em hardware clássico é um processo inerentemente caro e computacionalmente intensivo. Portanto, uma comparação direta do consumo de energia neste cenário seria injusta e enganosa.

Apesar disso, essa pesquisa estabelece as bases para evidenciar a viabilidade e adequabilidade de se desenvolver modelos de QNN para endereçar desafios de sustentabilidade. Com este objetivo atingido, o próximo passo é migrar esses modelos de simuladores para hardware quântico nativo, para que a “vantagem quântica verde” — a projetada redução drástica no consumo de energia — possa ser finalmente avaliada e, espera-se, alcançada.

DOI da publicação: https://doi.org/10.1016/j.egyai.2025.100588