O Centro de Ciências Computacionais da FURG colocou o Brasil no mapa da computação quântica global em setembro de 2026. O recém-lançado Quantum@C3 estreou com três artigos em eventos de elite — um deles na IEEE Quantum Week, em Toronto, conferência que reuniu 2,3 mil especialistas e 372 trabalhos técnicos.
O detalhe que chama a atenção do mercado: o primeiro autor do estudo apresentado no Canadá é Kauã Barbosa, estudante de Engenharia de Automação e bolsista do PRH-22. Um aluno de graduação assinando pesquisa de ponta em uma das principais vitrines mundiais da área.
Da indústria de Rio Grande para o palco de Toronto
O trabalho “Unsupervised Quantum Kernels for One-Class Fault Detection in Industrial Time Series” atacou um problema real da indústria: a escassez de registros de falhas. A solução adotada foi uma abordagem de classe única — o modelo aprende apenas o padrão de funcionamento normal e usa kernels quânticos para medir desvios.
Em termos práticos: a técnica permite detectar anomalias em sensores industriais mesmo sem histórico de erros. Algo valioso para petróleo, gás e manufatura, onde paradas não planejadas custam milhões.
“Começamos com uma pergunta sobre dados industriais, aqui em Rio Grande. Em Toronto, discutimos essa pergunta com grupos de outros países”, resumiu Kauã após a apresentação em 13 de setembro.
Duas frentes, uma semana de diferença
O grupo não parou no Canadá. De 21 a 25 de setembro, outros dois trabalhos foram apresentados no 1º Congresso Brasileiro de Ciências e Tecnologias Quânticas (CBCTQ 2026), em Niterói, evento bancado pelo MCTI que cobriu as viagens dos pesquisadores.
- 24/09: Kauã apresentou análise de sensibilidade de kernels quânticos para séries temporais industriais (visão data-centric)
- 25/09: Everson Flores, doutorando do PPGComp, abriu a sessão de Computação Quântica com artigo publicado no IEEE Access sobre aprendizado de máquina quântico centrado em dados
Os dois eventos — IEEE Quantum Week e CBCTQ — são as principais portas de entrada para colaborações internacionais e funding público-privado na área.
O que é Data-Centric Quantum Machine Learning
A assinatura metodológica do Quantum@C3 é a DC-QML: deslocar o foco do refinamento de modelos para a qualidade, organização e codificação dos dados. A tese é simples — parte dos ganhos recentes em quantum ML vem de melhores práticas de dados, não apenas de algoritmos mais sofisticados.
A abordagem estrutura em fluxo único: ingestão → pré-processamento → codificação quântica → treinamento. Isso reduz o ruído de entrada, crítico em hardware atual com qubits limitados e decoerência alta.
Origem: currículo global, execução local
O grupo nasceu da participação da FURG na força-tarefa IEEE/ACM/AAAI que redigiu o CS2023 — as novas diretrizes globais de currículo em Ciência da Computação. O documento criou a unidade “Quantum Architectures” entre 17 áreas essenciais.
Professores e alunos voluntários do C3 organizaram-se em 12 pesquisadores, três linhas de atuação e produção acadêmica imediata: seis publicações em 2026, repositórios no GitHub (qsvm-benchmark e oc-qsvm-benchmark) e três projetos em andamento.
Três linhas, um alvo: hardware real, problemas reais
O Quantum@C3 não ignora as limitações atuais — ruído, decoerência, poucos qubits. Pelo contrário: desenha métodos compatíveis com o estágio NISQ (Noisy Intermediate-Scale Quantum).
- DC-QML: qualidade e representação de dados para quantum ML
- Sistemas Computacionais Quânticos: detecção de anomalias, monitoramento ciberfísico, ambientes inteligentes
- Sistemas Quânticos Distribuídos: comunicação ponto a ponto, efeitos de decoerência na transmissão
O coordenador Marcelo Pias compara o momento ao início da era dos microprocessadores (anos 1970-80): “Temos portas e circuitos quânticos, mas não temos sistema operacional nem compiladores maduros. Mesmo assim, já dá para resolver problemas industriais complexos.”
Projetos em execução e o que observar
Três frentes avançam em paralelo: (1) decoerência e propagação de erros em comunicação quântica baseada em fótons; (2) DC-QML aplicada a ambientes industriais com foco em representação de dados para detecção de anomalias; (3) livro de acesso aberto para ensinar DC-QML em aplicações industriais.
O código aberto no GitHub permite que outras equipes testem, validem e estendam os benchmarks de QSVM — acelerando a curva de aprendizado do ecossistema nacional.
O que monitorar nos próximos trimestres
A combinação de publicação em venue top-tier (IEEE Quantum Week), protagonismo de aluno de graduação, abordagem data-centric diferenciada e foco em problemas industriais coloca o Quantum@C3 como vetor de observação obrigatória para quem acompanha inovação deep tech no Brasil.
Três sinais práticos: evolução dos benchmarks open-source, parcerias com LNCC/MCTI e demais ICTs, e a entrega do livro didático — que pode padronizar a formação de talentos em quantum ML aplicado à indústria. Quem chega cedo nesse ecossistema acessa talento, IP e casos de uso antes da curva de hype.
