Los científicos están explorando el potencial del aprendizaje automático cuántico. Pero no está claro si existen aplicaciones útiles para la fusión de la inteligencia artificial y la computación cuántica
Fuente: Por Davide Castelvecchi-Nature
Llámelos los Vengadores de la informática futurista. Junte dos de los términos más de moda en tecnología (aprendizaje automático y computadoras cuánticas) y obtendrá aprendizaje automático cuántico. Al igual que los cómics y las películas de Los Vengadores , que reúnen a un elenco estelar de superhéroes para formar un equipo de ensueño, es probable que el resultado atraiga mucha atención. Pero en tecnología, como en ficción, es importante idear una buena trama.
Si alguna vez se pueden construir computadoras cuánticas a escalas suficientemente grandes, prometen resolver ciertos problemas de manera mucho más eficiente que la electrónica digital ordinaria, aprovechando las propiedades únicas del mundo subatómico. Durante años, los investigadores se han preguntado si esos problemas podrían incluir el aprendizaje automático, una forma de inteligencia artificial (IA) en la que las computadoras se utilizan para detectar patrones en los datos y aprender reglas que pueden usarse para hacer inferencias en situaciones desconocidas.
Ahora, con el lanzamiento del destacado sistema de inteligencia artificial ChatGPT , que se basa en el aprendizaje automático para impulsar sus conversaciones inquietantemente humanas al inferir relaciones entre palabras en el texto , y con el rápido crecimiento en el tamaño y potencia de las computadoras cuánticas , ambos Las tecnologías están avanzando a pasos agigantados. ¿Se obtendrá algo útil al combinar los dos?
Interés en auge
Muchas empresas de tecnología, incluidas corporaciones establecidas como Google e IBM, así como empresas emergentes como Rigetti en Berkeley, California, e IonQ en College Park, Maryland, están investigando el potencial del aprendizaje automático cuántico. También hay un gran interés por parte de los científicos académicos.
El CERN, el laboratorio europeo de física de partículas en las afueras de Ginebra, Suiza, ya utiliza el aprendizaje automático para buscar signos de que se han producido ciertas partículas subatómicas en los datos generados por el Gran Colisionador de Hadrones. Entre los académicos que experimentan con el aprendizaje automático cuántico se encuentran científicos.
«Nuestra idea es utilizar computadoras cuánticas para acelerar o mejorar los modelos clásicos de aprendizaje automático», dice la física Sofia Vallecorsa, que dirige un grupo de investigación sobre computación cuántica y aprendizaje automático en el CERN.
La gran pregunta sin respuesta es si existen escenarios en los que el aprendizaje automático cuántico ofrezca una ventaja sobre la variedad clásica. La teoría muestra que para tareas informáticas especializadas, como simular moléculas o encontrar factores primos de números enteros grandes, las computadoras cuánticas acelerarán los cálculos que de otro modo podrían llevar más tiempo que la edad del Universo. Pero los investigadores todavía carecen de pruebas suficientes de que este sea el caso del aprendizaje automático. Otros dicen que el aprendizaje automático cuántico podría detectar patrones que las computadoras clásicas pasan por alto, incluso si no es más rápido.
Las actitudes de los investigadores hacia el aprendizaje automático cuántico oscilan entre dos extremos, dice Maria Schuld, física con sede en Durban, Sudáfrica. El interés en este enfoque es alto, pero los investigadores parecen cada vez más resignados ante la falta de perspectivas para aplicaciones a corto plazo, dice Schuld, que trabaja para la empresa de computación cuántica Xanadu, con sede en Toronto, Canadá.
Algunos investigadores están empezando a centrar su atención en la idea de aplicar algoritmos de aprendizaje automático cuántico a fenómenos que son inherentemente cuánticos. De todas las aplicaciones propuestas del aprendizaje automático cuántico, ésta es “el área en la que ha habido una ventaja cuántica bastante clara”, afirma el físico Aram Harrow del Instituto Tecnológico de Massachusetts (MIT) en Cambridge.
¿Ayudan los algoritmos cuánticos?
Durante los últimos 20 años, los investigadores de computación cuántica han desarrollado una gran cantidad de algoritmos cuánticos que, en teoría, podrían hacer que el aprendizaje automático sea más eficiente. En un resultado fundamental en 2008, Harrow, junto con los físicos del MIT Seth Lloyd y Avinatan Hassidim (ahora en la Universidad Bar-Ilan en Ramat Gan, Israel) inventaron un algoritmo cuántico 1 que es exponencialmente más rápido que una computadora clásica para resolver grandes conjuntos de patrones lineales. ecuaciones , uno de los desafíos que se encuentran en el corazón del aprendizaje automático.
Pero en algunos casos, la promesa de los algoritmos cuánticos no ha dado resultado. Un ejemplo de alto perfil ocurrió en 2018, cuando el científico informático Ewin Tang encontró una manera de superar un algoritmo de aprendizaje automático cuántico 2 ideado en 2016. El algoritmo cuántico fue diseñado para proporcionar el tipo de sugerencia que las empresas y servicios de compras por Internet como Netflix ofrecer a los clientes en función de sus elecciones anteriores, y era exponencialmente más rápido a la hora de hacer dichas recomendaciones que cualquier algoritmo clásico conocido.
Tang, que en ese momento era un estudiante universitario de 18 años en la Universidad de Texas en Austin (UT), escribió un algoritmo que era casi tan rápido, pero que podía ejecutarse en una computadora común y corriente. La recomendación cuántica era un raro ejemplo de un algoritmo que parecía proporcionar un aumento significativo de la velocidad en un problema práctico, por lo que su trabajo “puso el objetivo de una aceleración cuántica exponencial para un problema práctico de aprendizaje automático aún más fuera de su alcance que antes”. era antes”, dice el investigador de computación cuántica de la UT Scott Aaronson, quien fue asesor de Tang. Tang, que ahora trabaja en la Universidad de California, Berkeley, dice que sigue siendo «bastante escéptica» ante cualquier afirmación de una aceleración cuántica significativa en el aprendizaje automático.
Un problema potencialmente aún mayor es que los datos clásicos y la computación cuántica no siempre se combinan bien. En términos generales, una aplicación típica de computación cuántica consta de tres pasos principales. Primero, se inicializa la computadora cuántica, lo que significa que sus unidades de memoria individuales, llamadas bits cuánticos o qubits, se colocan en un estado cuántico entrelazado colectivo. A continuación, la computadora realiza una secuencia de operaciones, el análogo cuántico de las operaciones lógicas en bits clásicos. En el tercer paso, la computadora realiza una lectura, por ejemplo midiendo el estado de un único qubit que contiene información sobre el resultado de la operación cuántica. Esto podría deberse a si un electrón determinado dentro de la máquina gira en el sentido de las agujas del reloj o en el sentido contrario, por ejemplo.
La pajita más fina
Algoritmos como el de Harrow, Hassidim y Lloyd prometen acelerar el segundo paso: las operaciones cuánticas. Pero en muchas aplicaciones, el primer y tercer paso podrían ser extremadamente lentos y anular esos beneficios 3 . El paso de inicialización requiere cargar datos «clásicos» en la computadora cuántica y traducirlos a un estado cuántico, lo que suele ser un proceso ineficiente. Y como la física cuántica es inherentemente probabilística, la lectura a menudo tiene un elemento de aleatoriedad, en cuyo caso la computadora tiene que repetir las tres etapas varias veces y promediar los resultados para obtener una respuesta final.
Una vez que los datos cuánticos se hayan procesado hasta un estado cuántico final, podría llevar mucho tiempo obtener una respuesta también, según Nathan Wiebe, investigador de computación cuántica de la Universidad de Washington en Seattle. «Sólo podemos extraer esa información de la más fina de las pajitas», dijo Wiebe en un taller de aprendizaje automático cuántico en octubre.
“Cuando se pregunta a casi cualquier investigador en qué aplicaciones serán buenas las computadoras cuánticas, la respuesta es: ‘Probablemente, no los datos clásicos’”, dice Schuld. «Hasta ahora, no hay ninguna razón real para creer que los datos clásicos necesiten efectos cuánticos».
Vallecorsa y otros dicen que la velocidad no es la única métrica por la que se debe juzgar un algoritmo cuántico. También hay indicios de que un sistema de IA cuántica impulsado por aprendizaje automático podría aprender a reconocer patrones en los datos que sus homólogos clásicos pasarían por alto. Esto podría deberse a que el entrelazamiento cuántico establece correlaciones entre bits cuánticos y, por tanto, entre puntos de datos, dice Karl Jansen, físico del laboratorio de física de partículas DESY en Zeuthen, Alemania. «La esperanza es que podamos detectar correlaciones en los datos que serían muy difíciles de detectar con algoritmos clásicos», dice.
Pero Aaronson no está de acuerdo. Las computadoras cuánticas siguen leyes de la física bien conocidas y, por lo tanto, su funcionamiento y el resultado de un algoritmo cuántico son completamente predecibles por una computadora común, con el tiempo suficiente. «Por tanto, la única cuestión de interés es si el ordenador cuántico es más rápido que una simulación clásica perfecta del mismo», afirma Aaronson.
Cambio cuántico fundamental
Otra posibilidad es evitar por completo el obstáculo de traducir datos clásicos, utilizando algoritmos de aprendizaje automático cuántico en datos que ya son cuánticos.
A lo largo de la historia de la física cuántica, la medición de un fenómeno cuántico se ha definido como la toma de una lectura numérica utilizando un instrumento que «vive» en el mundo macroscópico y clásico. Pero está surgiendo una idea que implica una técnica incipiente, conocida como detección cuántica, que permite medir las propiedades cuánticas de un sistema utilizando instrumentación puramente cuántica. Cargue esos estados cuánticos directamente en los qubits de una computadora cuántica, y luego el aprendizaje automático cuántico podría usarse para detectar patrones sin ninguna interfaz con un sistema clásico.
Cuando se trata de aprendizaje automático, esto podría ofrecer grandes ventajas sobre los sistemas que recopilan mediciones cuánticas como puntos de datos clásicos, dice Hsin-Yuan Huang, físico del MIT e investigador de Google. “Nuestro mundo es inherentemente mecánico cuántico. Si queremos tener una máquina cuántica que pueda aprender, podría ser mucho más potente”, afirma.
Huang y sus colaboradores han realizado un experimento de prueba de principio en una de las computadoras cuánticas Sycamore de Google 4 . Dedicaron algunos de sus qubits a simular el comportamiento de una especie de material abstracto. Luego, otra sección del procesador tomó información de esos qubits y la analizó mediante aprendizaje automático cuántico. Los investigadores descubrieron que la técnica es exponencialmente más rápida que la medición y el análisis de datos clásicos.
¿Es un superconductor?
Realizar la recopilación y el análisis de datos completamente en el mundo cuántico podría permitir a los físicos abordar preguntas que las mediciones clásicas sólo pueden responder indirectamente, dice Huang. Una de esas preguntas es si un determinado material se encuentra en un estado cuántico particular que lo convierta en un superconductor, capaz de conducir electricidad con una resistencia prácticamente nula. Los experimentos clásicos exigen que los físicos demuestren la superconductividad de forma indirecta, por ejemplo comprobando cómo responde el material a los campos magnéticos.
Los físicos de partículas también están estudiando el uso de la detección cuántica para manejar datos producidos por futuros colisionadores de partículas, como en LUXE, un experimento DESY que aplastará electrones y fotones, dice Jensen, aunque todavía falta al menos una década para que la idea se haga realidad. , él añade. Los observatorios astronómicos muy alejados entre sí también podrían utilizar sensores cuánticos para recopilar datos y transmitirlos (por medio de una futura «Internet cuántica» ) a un laboratorio central para procesarlos en una computadora cuántica. La esperanza es que esto pueda permitir capturar imágenes con una nitidez incomparable.
Si estas aplicaciones de detección cuántica resultan exitosas, el aprendizaje automático cuántico podría desempeñar un papel en la combinación de las mediciones de estos experimentos y el análisis de los datos cuánticos resultantes.
En última instancia, si las computadoras cuánticas ofrecerán ventajas al aprendizaje automático se decidirá mediante la experimentación, en lugar de dar pruebas matemáticas de su superioridad (o falta de ella). «No podemos esperar que todo se demuestre como lo hacemos en la informática teórica», dice Harrow.
«Ciertamente creo que todavía vale la pena estudiar el aprendizaje automático cuántico», dice Aaronson, independientemente de si termina o no aumentando la eficiencia. Schuld está de acuerdo. «Necesitamos hacer nuestra investigación sin la limitación de demostrar una aceleración, al menos por un tiempo».
doi: https://doi.org/10.1038/d41586-023-04007-0
Referencias
- Harrow, AW, Hassidim, A. y Lloyd, S. Phys. Rev. Lett. 103 , 150502 (2009).
Artículo PubMed Google Académico
- Tang, E. en Proc. 51º año. Síntoma ACM SIGACT. Computación teórica. (eds Charikar, M. y Cohen, E.) 217–228 (ACM, 2019).
- Biamonte, J. et al. Naturaleza 549 , 195-202 (2017).
Artículo PubMed Google Académico
- Huang, H.-Y. et al. Ciencia 376 , 1182–1186 (2022).
