Redes neuronales cuánticas: una forma más fácil de aprender procesos cuánticos

Los científicos de EPFL muestran que incluso unos pocos ejemplos simples son suficientes para que un modelo de aprendizaje automático cuántico, las «redes neuronales cuánticas», aprendan y predigan el comportamiento de los sistemas cuánticos, acercándonos a una nueva era de la computación cuántica.

Imagine un mundo donde las computadoras puedan desentrañar los misterios de la mecánica cuántica, permitiéndonos estudiar el comportamiento de materiales complejos o simular la intrincada dinámica de las moléculas con una precisión sin precedentes.

Gracias a un estudio pionero dirigido por la profesora Zoe Holmes y su equipo en EPFL, ahora estamos más cerca de que eso se convierta en realidad. Trabajando con investigadores de Caltech, la Universidad Libre de Berlín y el Laboratorio Nacional de Los Álamos, han encontrado una nueva forma de enseñar a una computadora cuántica cómo comprender y predecir el comportamiento de los sistemas cuánticos. La investigación ha sido publicada en Comunicaciones de la naturaleza.

Redes neuronales cuánticas (QNN)

Los investigadores trabajaron en «redes neuronales cuánticas» (QNN), un tipo de modelo de aprendizaje automático diseñado para aprender y procesar información utilizando principios inspirados en la mecánica cuántica para imitar el comportamiento de los sistemas cuánticos.

Al igual que las redes neuronales utilizadas en la inteligencia artificial, las QNN están formadas por nodos interconectados o «neuronas» que realizan cálculos. La diferencia es que, en las QNN, las neuronas funcionan según los principios de la mecánica cuántica, lo que les permite manejar y manipular la información cuántica.

«Normalmente, cuando le enseñamos algo a una computadora, necesitamos muchos ejemplos», dice Holmes. «Pero en este estudio, mostramos que con solo unos pocos ejemplos simples llamados ‘estados del producto’, la computadora puede aprender cómo se comporta un sistema cuántico incluso cuando se trata de estados entrelazados, que son más complicados y difíciles de entender».

Estados del producto

Los «estados del producto» que utilizaron los científicos se refieren a un concepto de la mecánica cuántica que describe el tipo específico de estado de un sistema cuántico. Por ejemplo, si un sistema cuántico está compuesto por dos electrones, su estado de producto se forma cuando el estado de cada electrón individual se considera de forma independiente y luego se combina.

Los estados de producto a menudo se utilizan como punto de partida en cálculos y mediciones cuánticas porque proporcionan un marco más simple y manejable para estudiar y comprender el comportamiento de los sistemas cuánticos, antes de pasar a estados más complejos y entrelazados, donde las partículas están correlacionadas y no pueden describirse de forma independiente.

Mejores computadoras cuánticas por delante

Los investigadores demostraron que al entrenar las QNN utilizando solo algunos de estos ejemplos simples, las computadoras pueden comprender de manera efectiva la compleja dinámica de los sistemas cuánticos entrelazados.

Holmes explica: «Esto significa que [we] podría aprender y comprender los sistemas cuánticos utilizando computadoras más pequeñas y simples, como la escala intermedia a corto plazo [NISQ] Es probable que tengamos computadoras en los próximos años, en lugar de necesitar computadoras grandes y complejas, lo que puede tardar décadas».

El trabajo también abre nuevas posibilidades para el uso de computadoras cuánticas para resolver problemas importantes como estudiar nuevos materiales complejos o simular el comportamiento de las moléculas.

Finalmente, el método mejora el rendimiento de las computadoras cuánticas al permitir la creación de programas más cortos y más resistentes a errores. Al aprender cómo se comportan los sistemas cuánticos, podemos optimizar la programación de las computadoras cuánticas, lo que conduce a una mayor eficiencia y confiabilidad. «Podemos mejorar aún más las computadoras cuánticas haciendo que sus programas sean más cortos y menos propensos a errores», dice Holmes.