Los datos simples aprovechan al máximo el aprendizaje automático cuántico

Una nueva investigación teórica demuestra que el aprendizaje automático en computadoras cuánticas requiere datos mucho más simples de lo que se pensaba anteriormente. El descubrimiento allana el camino para maximizar la utilidad de las computadoras cuánticas ruidosas de escala media de hoy en día para simular sistemas cuánticos y otras tareas mejor que las computadoras digitales clásicas, al tiempo que promete la optimización de los sensores cuánticos.

“Demostramos que datos sorprendentemente simples en una pequeña cantidad son suficientes para entrenar una red neuronal cuántica”, dijo Lukasz Cincio, un teórico cuántico del Laboratorio Nacional de Los Álamos. Es coautor de un artículo publicado en la revista que contiene la prueba comunicación de la naturaleza. “Este trabajo representa otro paso para hacer que el aprendizaje automático cuántico sea más fácil, más accesible y más a corto plazo”.

El nuevo artículo es una colaboración entre el equipo de Los Alamos, el autor principal Matthias Caro de Freie Universität Berlin y otros científicos de los EE. UU., el Reino Unido y Suiza. El grupo está desarrollando la base teórica para algoritmos más eficientes, especialmente para el aprendizaje automático cuántico, para explotar las capacidades de estas máquinas ruidosas, mientras la industria trabaja para mejorar la calidad y el tamaño de las computadoras cuánticas.

El nuevo trabajo de investigación se basa en el trabajo anterior del Laboratorio Nacional de Los Álamos y sus colegas, lo que demuestra que entrenar una red neuronal cuántica requiere solo una pequeña cantidad de datos. En conjunto, estos avances teóricos recientes demuestran que el entrenamiento con muy pocos y muy simples estados ofrece un enfoque específico para realizar trabajos prácticos en las computadoras cuánticas limitadas de hoy más rápido que en las computadoras convencionales basadas en la física clásica.

“Si bien el trabajo anterior analizó la cantidad de datos de entrenamiento en el aprendizaje automático cuántico, aquí nos enfocamos en el tipo de datos de entrenamiento”, dijo Caro. “Demostramos que unos pocos puntos de datos de entrenamiento son suficientes, incluso si nos limitamos a un tipo simple de datos”.

“En la práctica, esto significa que puedes entrenar una red neuronal no solo con unas pocas fotos de gatos, por ejemplo, sino también con imágenes muy simples”, dijo Cincio. “Para las simulaciones cuánticas, esto significa que puedes entrenar en estados cuánticos simples”.

“Estos estados son fáciles de preparar, lo que hace que todo el algoritmo de aprendizaje sea mucho más fácil de ejecutar en computadoras cuánticas en un futuro próximo”, dijo la coautora Zoe Holmes, profesora de física en la École Polytechnique Fédérale de Lausanne y expostdoctorado en Los Alamos.

Próximamente aplicación para computadoras cuánticas

El ruido en forma de interacciones entre bits cuánticos o qubits y el entorno circundante provoca errores que limitan las capacidades de procesamiento de la tecnología informática cuántica actual. A pesar de la exageración, las computadoras cuánticas sobresalen en algunas tareas, como simular un sistema cuántico en ciencia de materiales y clasificar estados cuánticos mediante el aprendizaje automático.

“Si está clasificando datos cuánticos, hay una cierta cantidad de ruido que puede tolerar y aun así obtener la respuesta correcta”, dijo Cincio. “Por lo tanto, el aprendizaje automático cuántico podría ser una buena aplicación a corto plazo”.

El aprendizaje automático cuántico tolera más ruido que otros tipos de algoritmos porque tareas como la clasificación, la base del aprendizaje automático, no requieren una precisión del 100 % para ofrecer un resultado útil, dijo Andrew T. Sornborger, coautor del artículo. Sornborger es líder en el área de algoritmos cuánticos y simulaciones en el Quantum Science Center. Operado por el Laboratorio Nacional de Oak Ridge, el centro es un esfuerzo de colaboración entre los laboratorios nacionales, incluyendo Los Alamos, las universidades y la industria.

Un nuevo artículo muestra que el uso de datos más simples permite que un circuito cuántico menos complejo prepare un estado cuántico dado en una computadora, como una simulación de química cuántica que muestra la evolución de un sistema de moléculas. Un circuito simple es fácil de implementar, menos ruidoso y, por lo tanto, permite realizar cálculos. Un nuevo artículo de Nature Communications demuestra un método para compilar algoritmos de aprendizaje automático cuántico utilizando estados fáciles de preparar.

Descarga en ordenadores clásicos

Los algoritmos cuánticos complejos superan las capacidades de procesamiento incluso de las computadoras clásicas muy grandes. Sin embargo, el equipo también descubrió que debido a que su nuevo enfoque simplifica el desarrollo de algoritmos, la compilación de algoritmos cuánticos se puede transferir a una computadora clásica. El algoritmo compilado se puede ejecutar con éxito en una computadora cuántica. Este nuevo enfoque permite a los desarrolladores reservar recursos de computación cuántica para tareas que pueden realizar de manera única, pero que limitan la computación clásica, como la simulación de sistemas cuánticos, al tiempo que evitan el ruido que causa errores de los circuitos largos en las computadoras cuánticas.

La investigación del Laboratorio es aplicable en el campo en desarrollo de la detección cuántica. El uso de ciertos principios de la mecánica cuántica permite crear dispositivos extremadamente sensibles para medir, por ejemplo, campos gravitatorios o magnéticos.

“Los métodos de detección cuántica en ausencia de ruido son simples y teóricamente bien entendidos, pero las cosas se complican mucho más cuando se tiene en cuenta el ruido”, dijo Sornborger. “Agregar el aprendizaje automático cuántico al protocolo de detección cuántica permite que el método se use cuando se desconoce el mecanismo de codificación o cuando el ruido del hardware afecta la sonda cuántica”. Esta aplicación de aprendizaje automático cuántico se está explorando en un proyecto patrocinado por el Departamento de Energía, dirigido por Lukasz Cincio y Marco Cerezo, también de Los Álamos.