O Que um Computador Quântico Vai Realmente Fazer

Existe um mal-entendido persistente sobre computadores quânticos: a ideia de que eles são “supercomputadores mais rápidos” que eventualmente vão substituir seu laptop. Isso é fundamentalmente errado. Um computador quântico não é um PC turbinado — é uma máquina radicalmente diferente, ótima para certos problemas e completamente inútil para outros. Entender essa distinção é essencial para separar o hype da realidade.

O Que Torna um Problema “Quântico”

Nem todo problema se beneficia de um computador quântico. A computação quântica não oferece aceleração “genérica” — ela só é mais rápida para problemas com estrutura matemática específica que algoritmos quânticos podem explorar.

Em geral, problemas quânticos se enquadram em três categorias:

• Simulação de sistemas quânticos: Se o problema envolve simular o comportamento de elétrons, átomos ou moléculas — sistemas que obedecem às leis da mecânica quântica —, um computador quântico pode modelá-los nativamente. É o “use a quantum system to simulate a quantum system” de Richard Feynman (1982).
• Otimização combinatória: Encontrar a melhor solução entre um número astronômico de possibilidades. Algoritmos como QAOA (Quantum Approximate Optimization Algorithm) e Grover oferecem aceleração quadrática — modesta, mas significativa para problemas de escala massiva.
• Álgebra linear em alta dimensão: Certas operações matriciais podem ser exponencialmente aceleradas. É a base do algoritmo HHL (Harrow-Hassidim-Lloyd) e de algumas propostas para machine learning quântico.

Descoberta de Fármacos: O Santo Graal

Esta é a aplicação mais promissora — e a que justifica grande parte do investimento atual. Simular moléculas é computacionalmente impossível para computadores clássicos em escalas relevantes.

Uma molécula de cafeína (C₈H₁₀N₄O₂) tem 24 átomos e 96 elétrons. Simular exatamente seu comportamento quântico exigiria 10^48 bits clássicos — mais do que toda a capacidade de armazenamento do planeta. Para uma proteína simples com centenas de átomos, a simulação é simplesmente impossível.

Um computador quântico não tem esse problema. Como ele opera com qubits que já obedecem às leis da mecânica quântica, simular sistemas quânticos é natural. A implicação é transformadora:

• Descoberta de novos medicamentos: Simular como moléculas candidatas interagem com proteínas-alvo, acelerando o desenvolvimento de fármacos de décadas para meses.
• Design de catalisadores: Criar catalisadores mais eficientes para processos industriais — da produção de fertilizantes (processo Haber-Bosch consome 2% da energia global) à captura de carbono.
• Baterias e materiais: Simular novos materiais para baterias de estado sólido, supercondutores de temperatura ambiente, células solares mais eficientes.

A farmacêutica Roche já tem parceria com a Cambridge Quantum (Quantinuum) para simulação quântica de interações moleculares. A BASF, Boeing, BMW e Mercedes-Benz também mantêm grupos de pesquisa em computação quântica aplicada.

Fontes: Cao et al., “Quantum Chemistry in the Age of Quantum Computing”, Chemical Reviews, 2019; Google Quantum AI, Nature (2024).

Otimização Logística: Da Cadeia de Suprimentos ao Tráfego Aéreo

Problemas de otimização são onipresentes e brutalmente difíceis. Encontrar a rota ideal para uma frota de caminhões, otimizar o mix de produção de uma fábrica, alocar slots de pouso em aeroportos congestionados — tudo isso envolve explosão combinatória: o número de possibilidades cresce exponencialmente com o tamanho do problema.

Algoritmos quânticos como QAOA (Quantum Approximate Optimization Algorithm) e o algoritmo de Grover oferecem aceleração para esses problemas. O algoritmo de Grover, por exemplo, encontra um item em uma lista não ordenada de N elementos em √N passos (comparado a N/2 no caso clássico). Para N = 1 bilhão, isso significa ~31.600 passos em vez de 500 milhões.

A aceleração é “apenas” quadrática (não exponencial), mas quando você está otimizando cadeias de suprimentos globais ou tráfego aéreo nacional, uma aceleração quadrática representa bilhões de dólares em economia.

A Volkswagen já fez experimentos com otimização de tráfego usando o D-Wave (quantum annealing) para prever rotas de ônibus em Lisboa. A Airbus criou uma divisão de computação quântica para otimização de rotas de voo e design de asas.

Fontes: Moll et al., “Quantum Optimization Using Variational Algorithms on Near-Term Quantum Devices”, Quantum Science and Technology, 2018; Volkswagen Group Research, 2019.

Simulação de Materiais: Baterias e Supercondutores

A simulação de materiais é essencialmente química quântica em escala. O comportamento de elétrons em sólidos — que determina se um material é condutor, isolante, magnético ou supercondutor — é descrito pela equação de Schrödinger. E para sistemas com mais de algumas dezenas de elétrons, não há solução exata viável em computadores clássicos.

Computadores quânticos podem modelar esses sistemas diretamente. As aplicações incluem:

• Baterias de estado sólido: Simular a difusão de íons de lítio através de eletrólitos sólidos para projetar baterias com maior densidade energética e carregamento mais rápido.
• Supercondutores: Entender os mecanismos da supercondutividade de alta temperatura — um dos maiores mistérios da física da matéria condensada — para projetar materiais que superconduzam em temperatura ambiente.
• Captura de carbono: Projetar estruturas metal-orgânicas (MOFs) otimizadas para absorver CO₂ diretamente do ar.
• Fertilizantes: O processo Haber-Bosch (produção de amônia) consome 2% da energia mundial. A nitrogenase — enzima que bactérias usam para fixar nitrogênio — faz o mesmo em temperatura ambiente. Simular essa enzima poderia levar a um processo industrial energeticamente viável e de baixo carbono.

Fonte: Reiher et al., “Elucidating Reaction Mechanisms on Quantum Computers”, PNAS, 2017; Aspuru-Guzik et al., “Simulated Quantum Computation of Molecular Energies”, Science, 2005.

Machine Learning Quântico: Hype vs Realidade

Esta é a área onde o hype mais se distancia da realidade. Existem propostas teóricas elegantes para quantum neural networks (QNN), quantum support vector machines (QSVM) e quantum kernel methods, mas a evidência experimental de vantagem prática é escassa.

O problema central: dados clássicos precisam ser codificados em estados quânticos para processamento. Essa codificação (quantum state preparation) é frequentemente o gargalo, anulando qualquer aceleração teórica. Além disso, para os datasets onde algoritmos como QSVM mostram vantagem teórica, existem algoritmos clássicos inspirados nos quânticos (“dequantization”) que performam igualmente bem.

O consenso em 2026 é que machine learning quântico é uma promessa de longo prazo, não uma aplicação de curto prazo. A vantagem mais provável virá do processamento de dados genuinamente quânticos (output de sensores quânticos, simulações quânticas) — não de acelerar o treinamento de transformers ou redes convolucionais.

Fonte: Tang, E., “A Quantum-Inspired Classical Algorithm for Recommendation Systems”, STOC 2019; Aaronson, S., “Read the Fine Print”, Nature Physics, 2015.

Clima e Modelagem Financeira

Modelos climáticos e financeiros compartilham um desafio: simular sistemas complexos com incerteza massiva. Ambos usam Monte Carlo — a técnica de rodar milhões de simulações com parâmetros variados para estimar distribuições de probabilidade.

O algoritmo quântico de Montentang (Quantum Monte Carlo) oferece aceleração quadrática sobre o Monte Carlo clássico, o que é relevante para:

• Precificação de derivativos: Bancos como Goldman Sachs e JPMorgan já investem em pesquisa de quantum finance para acelerar o pricing de opções e a otimização de portfólios.
• Modelagem de risco sistêmico: Simular como choques se propagam através de sistemas financeiros interconectados.
• Modelos climáticos: Melhorar a resolução de simulações climáticas, especialmente para fenômenos de pequena escala (nuvens, correntes oceânicas) que dominam a incerteza dos modelos atuais.

Fonte: Egger et al., “Quantum Computing for Finance: State-of-the-Art and Future Prospects”, IEEE Transactions on Quantum Engineering, 2020.

O Que NÃO Vai Fazer

Para encerrar com clareza, aqui está o que computadores quânticos definitivamente não vão fazer, ao contrário do que certos artigos sensacionalistas sugerem:

• Rodar jogos: Qubits são péssimos para gráficos, física de jogo ou qualquer tarefa determinística. Seu PlayStation 15 continuará sendo clássico.
• Substituir seu laptop: Um computador quântico é uma máquina especializada, como um acelerador de partículas ou um telescópio espacial. Você não vai ter um no bolso.
• Navegar na internet mais rápido: A internet é um problema de rede e latência, não de computação. Qubits não aceleram pacotes TCP/IP.
• Criar inteligência artificial geral (AGI): Não há evidência de que computação quântica seja relevante para os mecanismos da consciência ou inteligência. É uma ferramenta para problemas específicos, não uma máquina mágica.
• Resolver todos os problemas: A maioria dos problemas cotidianos não tem estrutura que beneficie aceleração quântica. Para a vasta maioria das tarefas computacionais, computadores clássicos continuarão sendo superiores.

O computador quântico não é o sucessor do clássico — é seu complemento. Um instrumento de precisão para um conjunto restrito mas revolucionário de problemas. E esses problemas — simular moléculas, quebrar criptografia, otimizar o inimaginável — são exatamente os que empurram as fronteiras do conhecimento humano.