Bruno Coutinho, Lorenzo Buffoni e João Moutinho, investigadores do Grupo de Física da Informação e Tecnologias Quânticas do Instituto de Telecomunicações (IT) conquistaram um dos prémios especiais do concurso Science4Cast, uma competição internacional na área da Inteligência Artificial.  A abordagem da equipa deu origem a uma solução simples, intuitiva, e escalável para o problema proposto e garantiu-lhes a distinção no concurso internacional.

João Moutinho, que é também aluno do programa de doutoramento em Física do Instituto Superior Técnico, partilha a satisfação que esta vitória trouxe à equipa. “Inicialmente na competição estavam anunciados 3 prémios para os 3 métodos que tivessem a melhor performance, mas havia a possibilidade de prémios especiais utilizando outras avaliações como a criatividade, etc. Foi dessa forma que, apesar de o nosso método ficar em 4.º lugar no ranking, foi reconhecido para um prémio especial devido a ser uma solução mais simples e original do que os outros, com um sacrifício de performance mínimo”, recorda.

Com 72 submissões de equipas de todo o mundo, o objetivo do Science4Cast passava por prever futuras ligações numa rede de conceitos científicos nas áreas de machine learning e Inteligência Artificial. “Cada nodo na rede corresponde a um conceito e uma ligação na rede significa que esses dois conceitos foram utilizados em conjunto numa publicação. Para a competição tínhamos acesso à evolução diária da rede desde 1994 até 2017, e o objetivo era prever as ligações que se terão formado entre 2017 e 2020, simulando assim a previsão de novas ideias científicas”, refere João Moutinho. “Este tipo de estudo é comum na área de Science of Science, sendo um dos objetivos a criação de ferramentas computacionais que possam ajudar investigadores a encontrarem novas ideias para explorar fora da sua zona de conforto”, adiciona.

De acordo com João Moutinho, neste tipo de competição são tipicamente “criados modelos muito gerais com um grande número de características possíveis que depois têm de ser treinados para se adaptarem ao problema em questão”.  No método que desenvolveu e que lhe valeu a distinção, a equipa do IT não utilizou, surpreendentemente, nenhuma técnica de machine learning. “Em vez disso, fizemos uma análise do problema com métodos simples de Network Science e conseguimos identificar duas características-chave desta rede: as novas ligações são feitas com maior probabilidade entre conceitos que por si só já têm muitas ligações e conceitos que têm muitos conceitos vizinhos em comum”, explica o aluno de doutoramento. “Para além disto, utilizámos também a ideia intuitiva de que as ligações mais importantes são as mais antigas, correspondendo a publicações pioneiras, e ligações mais recentes, correspondendo aos tópicos populares na atualidade”, complementa. O modelo da equipa do IT juntou estes três pontos de uma forma artesanal e diretamente aplicável ao problema, necessitando apenas de uma adaptação mínima de alguns parâmetros.

Na conferência IEEE BigData 2021, onde apresentou o trabalho vencedor, João Moutinho terá verificado que o trabalho da equipa do IT foi mesmo o único dos premiados a utilizar esta metodologia de teoria de redes, sendo que todos os outros empregaram técnicas de machine learning com contribuições de várias dezenas de características. “A vantagem do nosso método é que permite ter uma justificação intuitiva dos resultados, e não requer tantos recursos computacionais, permitindo a sua aplicação em redes ainda maiores”, destaca o aluno de doutoramento do Técnico.

O 1.º algoritmo “com potencial vantagem quântica para um problema de redes”

Determinante nesta vitória foi o conhecimento adquirido por João Moutinho no seu projeto de doutoramento, desenvolvido em colaboração com o colega de equipa Bruno Coutinho e o professor Yasser Omar, docente do Departamento de Matemática (DM) e líder do Grupo de Física da Informação e de Tecnologias Quânticas. Esta bagagem forneceu à equipa o conhecimento “prévio do problema e das ferramentas a utilizar”, tal como salienta João Moutinho.

Neste trabalho, intitulado Quantum Link Prediction in Complex Networks, os autores propõem um algoritmo quântico que prevê novas ligações em redes complexas por amostragem a partir de um passeio quântico em tempo contínuo, permitindo uma potencial velocidade quântica neste problema.

O professor Yasser Omar destaca a importância deste “primeiro algoritmo com potencial vantagem quântica para um problema de redes complexas”,  uma ideia antiga que demorou vários anos a desenvolver, e vem no seguimento de trabalhos passados nos quais o grupo demonstrou o potencial da computação quântica para problemas em grafos. “Vivemos rodeados de redes complexas, sejam redes naturais como a rede de interação entre proteínas, redes tecnológicas, como a internet, ou redes sociais, como o Facebook. Muitas vezes não temos o conhecimento completo dessas redes, e recorremos a algoritmos para adivinhar ligações existentes entre dois nós da rede”, refere o docente do DM. “Por exemplo, quando o Facebook sugere a ligação de duas pessoas que de facto são amigos. Ou que proteínas interagem com outras proteínas, informação muito importante para a medicina, mas que vem de um mapeamento que em laboratório é muito caro e demorado, e por isso atualmente ainda incompleto”, acrescenta em seguida.

Ora este novo algoritmo quântico “cuja precisão nas previsões compete com os melhores métodos clássicos atuais”, como salienta o professor Yasser Omar, “abre a perspetiva de aceleração quântica em redes de grandes dimensões”.  “E abre a porta para investigar o potencial da computação quântica nos muitos problemas computacionais existentes em teoria de redes complexas, estabelecendo uma ponte entre estas duas disciplinas fascinantes”, remata o docente do Técnico.

João Moutinho está já a trabalhar em algumas extensões deste trabalho, como “a redução dos recursos computacionais do caso quântico para melhorar a possível vantagem face ao caso clássico, e também a aplicação em redes com sinais correspondendo a ligações positivas ou negativas”, partilha o aluno.