Redes neuronales cuánticas: Una forma más sencilla de aprender procesos cuánticos.

Este artículo ha sido revisado según el proceso editorial y las políticas de Science X. Los editores han destacado los siguientes atributos mientras aseguraban la credibilidad del contenido:

• verificado de hechos
• publicación revisada por pares
• fuente confiable
• corregido de errores

por Ecole Polytechnique Federale de Lausanne

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. 

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

Gracias a un estudio pionero liderado por la profesora Zoe Holmes y su equipo en EPFL, ahora estamos más cerca de que eso se convierta en una 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 Nature Communications.

Los investigadores trabajaron en 'redes neuronales cuánticas' (QNN, por sus siglas en inglés), 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 inteligencia artificial, las QNN están formadas por nodos interconectados, o 'neuronas', que realizan cálculos. La diferencia es que, en las QNN, las neuronas operan según los principios de la mecánica cuántica, lo que les permite manejar y manipular información cuántica.

'Normalmente, cuando enseñamos algo a una computadora, necesitamos muchos ejemplos', dice Holmes. 'Pero en este estudio, mostramos que con solo unos pocos ejemplos simples llamados 'estados producto' la computadora puede aprender cómo se comporta un sistema cuántico incluso al lidiar con estados entrelazados, que son más complicados y desafiantes de entender'.

Los 'estados producto' que utilizaron los científicos se refieren a un concepto en la mecánica cuántica que describe el tipo específico de estado para un sistema cuántico. Por ejemplo, si un sistema cuántico está compuesto por dos electrones, entonces su estado producto se forma cuando se considera independientemente el estado de cada electrón y luego se combinan.

Los estados producto se utilizan a menudo como punto de partida en cálculos y medidas 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 ser descritas de manera independiente.

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

Holmes explica: 'Esto significa que [nosotros] podríamos ser capaces de aprender y comprender sistemas cuánticos utilizando computadoras más pequeñas y simples, como las computadoras de escala intermedia a corto plazo [NISQ] que es probable que tengamos en los próximos años, en lugar de necesitar computadoras grandes y complejas, lo cual podría llevar décadas'.

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

Finalmente, el método mejora el rendimiento de las computadoras cuánticas al permitir la creación de programas más cortos y menos propensos a errores. Al aprender cómo se comportan los sistemas cuánticos, podemos simplificar 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.