Os buracos negros são os misturadores de dados mais rápidos da natureza, e novas pesquisas sugerem que os segredos jogados neles podem ser mais seguros do que se pensava anteriormente. Em um artigo publicado na Physical Review Letters, pesquisadores do Laboratório Nacional de Los Alamos (LANL), nos Estados Unidos, mostram que uma vez que uma mensagem é embaralhada por um buraco negro ou outro sistema com propriedades semelhantes, nem mesmo um computador quântico pode colocá-la de volta no lugar.
Scramblers são sistemas quânticos que pegam informações locais e as espalham por todo o sistema, gerando emaranhamento quântico entre regiões distantes. Eles surgem em vários contextos da física. Embora os buracos negros sejam talvez o exemplo mais famoso, os misturadores também existem em sistemas simples, como cadeias de spin – arranjos 1D de partículas quânticas com acoplamento entre vizinhos mais próximos – e em metais “estranhos”, nos quais a resistividade depende atipicamente da temperatura.
Embora o processo de embaralhamento seja determinístico – uma entrada fixa produz uma saída fixa – os sistemas de embaralhamento podem dar origem a um comportamento extremamente complexo, distribuindo informações de maneira aparentemente aleatória. Esse surgimento de aleatoriedade aparente é conhecido como caos quântico, em analogia com a teoria do caos clássica, em que sistemas igualmente simples produzem dinâmicas igualmente intrincadas.
Um fiapo de esperança para a recuperação da mensagem
Os físicos que trabalham na interseção da mecânica quântica e da gravidade estão interessados em misturadores em parte graças ao chamado paradoxo da informação do buraco negro. O paradoxo gira em torno do destino final da informação que cai além do horizonte de eventos e em um buraco negro: depois que uma mensagem é embaralhada na superfície de um buraco negro, sua informação está presa no buraco negro para sempre, ou de alguma forma consegue escapar? Uma escola de pensamento afirma que a informação escapa dos buracos negros na forma de fótons emitidos por um processo conhecido como radiação de Hawking. Esta teoria recebeu alguma corroboração em 2019, mas o júri ainda não decidiu.
Em 2007, enquanto investigavam esse paradoxo, os físicos Patrick Hayden e John Preskill criaram um experimento mental. Assumindo que os buracos negros codificam informações na radiação de Hawking, eles mostraram que quando uma mensagem é enviada para um buraco negro, seus pedaços podem ser rapidamente recuperados pela captura de alguns dos fótons emitidos – um processo semelhante a recuperar as fatias de um documento fragmentado do calor emitido pelo triturador. No entanto, embora o comportamento de embaralhamento do buraco negro torne essa recuperação possível, a radiação Hawking por si só não diz a você como decifrar uma mensagem embaralhada. Outras abordagens são necessárias para, de fato, remontar o documento fragmentado de suas tiras de papel.
Scramblers cercados por planaltos áridos
Insira algoritmos de aprendizado de máquina. Essas poderosas ferramentas de identificação de padrões “aprendem” a melhor forma de aproximar um sistema físico, comparando as saídas do sistema real às suas próprias saídas (dadas as mesmas entradas para ambos), ajustando seu modelo interno e, em seguida, enxaguando e repetindo até a realidade e aproximação alinhar. A quantidade central neste processo de aprendizagem é uma quantidade matemática conhecida como função de custo, que captura o grau de desvio entre o modelo e o sistema real.
Nos métodos clássicos de aprendizado de máquina, a função de custo é como uma cadeia de montanhas, repleta de picos e vales que representam seus valores mais altos e mais baixos. Minimizar a função de custo – e aprender um modelo para o sistema – é como encontrar um caminho descendente e segui-lo até o acampamento base. Quando o modelo é um sistema quântico modelado em um computador quântico, no entanto, o cenário da função de custo nem sempre é tão rico. Na verdade, os pesquisadores do LANL mostraram que quando o algoritmo é solicitado a modelar um misturador, ele sofre do problema de “planaltos estéreis”. “A função de custo é essencialmente plana em todos os lugares, com um orifício do tamanho de uma agulha que é a base”, diz Zoe Holmes, uma bolsista de pós-doutorado na LANL e autora principal do artigo.
Essa ausência de recursos na função de custo torna o aprendizado de máquina quântico ineficaz, porque encontrar o “buraco” de um ponto de partida aleatório na paisagem é quase impossível sem um caminho descendente a seguir. “Se você estiver aprendendo usando uma função de custo avaliada em um computador quântico, não importa quantos pares de treinamento você tenha, não será capaz de aprender o misturador”, diz Holmes, “pelo menos sem conhecimento prévio”. Esta falha descarta a possibilidade de reconstrução de uma mensagem, o que implicaria na inversão do processo de embaralhamento.
Uma lição difícil de aprender
Os pesquisadores do LANL concluem que, mesmo que as partes de uma mensagem embaralhada sejam conhecidas, colocá-las novamente juntas representa um problema que os computadores quânticos não podem nos ajudar a resolver. “Você poderia talvez (ambiciosamente!) Tentar usar a física fundamental do buraco negro para colocar uma mensagem”, diz Holmes, alertando que nenhum método é conhecido atualmente, “mas qualquer método de aprendizagem parece bastante condenado”. A natureza, ao que parece, é uma ótima confidente.
Publicado em 14/06/2021 01h43
Artigo original: