--- title: "IA quântica melhora previsão da rede elétrica em até 41 por cento em projeto australiano" author: "Gustavo Ramos O. Klein" date: "2026-10-05 06:45:00-03" category: "Inteligência Artificial & Dados" url: "http://desbugados.scale.press/portal/desbugados/post/2026/10/05/ia-quantica-melhora-previsao-da-rede-eletrica-em-ate-41-por-cento-em-projeto-australiano/md" --- ## Resumo - SQC e Schneider Electric avançaram para a Fase 2 do Critical Technologies Challenge Program da Austrália. - O projeto recebeu A$ 3,6 milhões, equivalentes a US$ 2,5 milhões, para ampliar os testes. - A primeira fase registrou melhora média de 20% na previsão de energia para o dia seguinte, com picos de 41%. - O Watermelon gera recursos quânticos que complementam os modelos clássicos de aprendizado de máquina da Schneider Electric. - A abordagem foi desenhada para lidar com a complexidade de redes distribuídas com energia solar, baterias domésticas e carregamento de veículos elétricos. - A nova etapa pretende integrar diretamente o hardware quântico aos modelos de IA da Schneider Electric. - Os testes serão ampliados para dados de centenas de residências na Austrália. --- O bug que a **Silicon Quantum Computing (SQC)** e a **Schneider Electric** querem resolver é conhecido por qualquer operador de rede elétrica: quanto mais fontes distribuídas entram no sistema, mais difícil fica estimar a demanda do dia seguinte. A parceria avançou para a Fase 2 do programa governamental australiano Critical Technologies Challenge Program e recebeu **A$ 3,6 milhões**, ou **US$ 2,5 milhões**, para ampliar os testes. Na primeira etapa, a combinação de recursos quânticos com dados clássicos elevou a precisão média em 20%, chegando a 41% em um período de 12 meses. Agora, a pergunta é como essa ponte entre duas formas de processamento funciona na prática e até onde ela pode ser ampliada. ## O que muda com a segunda fase do projeto O financiamento coloca a iniciativa em uma etapa descrita pelo governo australiano como **fase demonstradora**. O objetivo é integrar diretamente o hardware quântico da SQC aos modelos de inteligência artificial da Schneider Electric, em vez de manter o componente quântico isolado em um teste de laboratório. O projeto faz parte de um pacote de **A$ 12,3 milhões** destinado a seis iniciativas de tecnologia quântica, e o aporte específico pretende acelerar a comercialização e a adoção da tecnologia. O [comunicado do governo australiano](https://www.minister.industry.gov.au/charlton/media/albanese-government-backs-aussie-quantum-projects-12-million) conecta esse investimento à meta de tornar as redes de energia mais eficientes e sustentáveis. Essa integração funciona como uma conversa entre sistemas com papéis diferentes. O modelo híbrido usa o **Watermelon** para gerar recursos quânticos e os combina com datasets clássicos, ou seja, conjuntos de dados processados por métodos convencionais de aprendizado de máquina. A análise técnica disponível descreve o Watermelon como um gerador de recursos para algoritmos clássicos, sem substituir o modelo-base da Schneider Electric. A distinção muda a forma de entender a notícia: a computação quântica entra como uma camada de apoio, fornecendo elementos para melhorar uma estrutura que continua usando processamento clássico. A ponte é tecnológica, mas a lógica é parecida com uma negociação bem coordenada, em que cada lado contribui com aquilo que sabe fazer. Além dessa arquitetura, a parceria inclui a colaboração com a **UNSW Sydney**, instituição que aparece associada ao desenvolvimento do projeto. As fontes descrevem o Watermelon como um gerador de recursos quânticos baseado em uma unidade de processamento quântico de precisão atômica. Em termos simples, o equipamento produz os recursos que alimentam a etapa de aprendizado de máquina, enquanto os dados tradicionais continuam participando do fluxo de previsão. Essa divisão ajuda a traduzir o ganho anunciado sem sugerir que a rede elétrica passou a ser controlada por um computador quântico isolado, porque o projeto trabalha justamente com a comunicação entre as duas camadas. ## De onde vieram os ganhos de precisão O resultado mais concreto apareceu na **Fase 1**. Ao integrar recursos gerados por computação quântica a datasets clássicos, o projeto obteve uma melhora média de **20%** na precisão das previsões de energia para o dia seguinte, com picos de até **41%** durante um período de 12 meses. A métrica não descreve uma promessa distante, mas o desempenho observado em uma etapa anterior do próprio projeto. Ela também oferece uma régua para a próxima fase, que terá de verificar se os ganhos permanecem quando o sistema receber mais dados e for conectado de maneira direta aos fluxos de inteligência artificial. Os números completos da primeira etapa foram divulgados na [atualização sobre a parceria e o sistema Watermelon](https://quantumcomputingreport.com/silicon-quantum-computing-and-schneider-electric-advance-energy-grid-forecasting-via-watermelon-quantum-enhanced-ai-system). Esse ganho é relevante porque a previsão precisa lidar com redes de energia distribuídas, nas quais a produção e o consumo acontecem em muitos pontos diferentes. As fontes citam a integração de **energia solar em telhados** e o uso de **baterias domésticas** como exemplos da complexidade que o projeto pretende administrar. Cada elemento acrescenta informação ao cálculo que estima a demanda do dia seguinte, e o modelo precisa organizar esses dados sem abandonar as ferramentas clássicas já usadas pela Schneider Electric. A computação quântica, nesse desenho, funciona como uma nova fonte de recursos para o cálculo, não como uma substituição imediata de toda a infraestrutura existente. O próximo exemplo citado pelas empresas envolve o **carregamento de veículos elétricos**, que adiciona outro tipo de variação ao consumo. Quando esse carregamento ocorre em residências espalhadas, a previsão precisa considerar mais pontos e mais padrões de uso dentro da mesma rede distribuída. O projeto não apresenta uma solução separada para cada equipamento; ele busca inserir os recursos quânticos no modelo que organiza essas informações. A pergunta que a segunda fase terá de responder é direta: o ganho médio observado em um conjunto anterior continua aparecendo quando a inteligência artificial recebe dados de uma quantidade maior de residências? ## Como a ponte entre quântico e clássico é construída O **Watermelon** usa precisão atômica em silício e, segundo a análise técnica do projeto, permite ciclos semanais de iteração de hardware. Essa característica aparece como parte do caminho para testar e ajustar rapidamente os recursos usados pelos algoritmos de aprendizado de máquina. O sistema, portanto, participa de um ciclo de desenvolvimento em que a camada quântica é refinada enquanto os modelos clássicos continuam responsáveis pela estrutura principal da previsão. A descrição é diferente da ideia popular de que um computador quântico precisa assumir sozinho toda a tarefa: aqui, ele atua como uma peça conectada a outra plataforma. Essa convivência foi defendida por **Michelle Simmons**, CEO da SQC. Segundo a executiva, os resultados demonstram a viabilidade prática da computação quântica trabalhando ao lado de **CPUs e GPUs** em ambientes de produção. CPU é o processador de uso geral, enquanto GPU é um processador especializado em executar muitas operações em paralelo; os dois termos aparecem na fonte para descrever a infraestrutura clássica que permanece ao lado do componente quântico. A declaração ajuda a localizar o avanço anunciado: o valor do projeto está na interoperabilidade entre camadas, na forma como diferentes processadores trocam funções dentro do mesmo fluxo e não na substituição completa de uma tecnologia pela outra. O papel da interoperabilidade fica mais claro quando observamos o caminho dos dados. Os recursos produzidos pelo componente quântico são incorporados a informações clássicas e utilizados por algoritmos de aprendizado de máquina que já fazem parte da solução da Schneider Electric. Em uma analogia simples, o Watermelon não precisa falar sozinho; ele precisa entregar uma mensagem que o modelo existente consiga interpretar. Essa relação reduz a distância entre uma demonstração tecnológica e uma aplicação operacional, pois o projeto procura inserir o recurso quântico em uma arquitetura de inteligência artificial já voltada à previsão de energia. ## Por que centenas de residências são o próximo teste A segunda fase pretende ampliar a modelagem para dados vindos de **centenas de residências na Austrália**. Esse passo muda a escala da avaliação, porque o projeto deixará de observar apenas o desempenho da abordagem em uma etapa inicial e passará a testar sua capacidade de lidar com uma quantidade maior de pontos residenciais. A expansão também aproxima o experimento dos problemas que as redes distribuídas precisam administrar, como diferentes padrões de consumo e a presença de recursos energéticos instalados nas próprias casas. O resultado esperado da fase demonstradora será medido pela integração direta do hardware quântico aos modelos de inteligência artificial. Nessa expansão, a **energia solar residencial** e as **baterias domésticas** aparecem como elementos que precisam ser considerados pela previsão. A primeira pode alterar a quantidade de energia disponível em determinados pontos, enquanto a segunda participa da gestão local do armazenamento, mas o projeto não apresenta esses recursos como sistemas independentes. Eles entram como dados e condições que o modelo precisa organizar para prever melhor a demanda. É justamente nesse ponto que a comunicação entre o Watermelon e os algoritmos clássicos ganha valor: quanto mais distribuídos são os recursos, mais importante se torna definir como as informações circulam entre as partes. O carregamento de **veículos elétricos** adiciona outra fonte de consumo que a iniciativa pretende considerar junto à gestão da rede. A fonte oficial descreve a tecnologia como uma forma de lidar com a complexidade das redes modernas, incluindo a integração de energia solar em telhados, o carregamento de veículos elétricos e o uso de baterias domésticas. A aplicação prática, portanto, está na previsão e na coordenação de recursos que já aparecem associados ao cotidiano residencial. A expansão para centenas de locais permitirá observar se a combinação quântico-clássica mantém o desempenho quando a quantidade e a diversidade dos dados aumentam. ## O que acompanhar a partir de agora O próximo passo anunciado é conectar o hardware quântico da **SQC** diretamente aos modelos de IA da **Schneider Electric** e ampliar a demonstração para dados residenciais em escala maior. O financiamento de A$ 3,6 milhões sustenta essa transição dentro do programa australiano, enquanto o resultado da primeira fase fornece a referência de 20% de melhora média e 41% de pico. Para o setor de energia, a questão prática será acompanhar se esses números se repetem fora do conjunto inicial de testes. Para quem acompanha computação quântica, o ponto de observação é outro: verificar se a tecnologia consegue entregar recursos úteis dentro de uma arquitetura clássica já existente. A caixa de ferramentas para entender o projeto pode ser resumida em três perguntas: qual tarefa o recurso quântico executa, como seus resultados entram no modelo clássico e qual ganho aparece quando os dados aumentam? Neste caso, o Watermelon gera recursos quânticos, a Schneider Electric os integra aos modelos de aprendizado de máquina e a próxima etapa usará dados de centenas de residências. A resposta final ainda dependerá da fase demonstradora, mas o caminho já está definido pelas fontes: testar a interoperabilidade em uma aplicação de previsão de energia, medir a precisão e observar se a ponte entre processamento quântico e clássico permanece útil em uma rede mais ampla.