Un nuevo estudio dirigido por investigadores de la UCL (University College London) muestra que combinar la computación cuántica con la inteligencia artificial puede mejorar significativamente la predicción de sistemas físicos complejos durante largos períodos de tiempo. Los métodos híbridos superan a los modelos líderes que dependen únicamente de computadoras convencionales.
Resultados, publicados Avances de la cienciaPuede mejorar las simulaciones de cómo se comportan los líquidos y los gases, lo que se conoce como dinámica de fluidos. Estos modelos son esenciales en campos como la ciencia climática, el transporte, la medicina y la producción de energía.
Por qué la computación cuántica marca la diferencia
La precisión mejorada parece provenir de cómo las computadoras cuánticas procesan la información. A diferencia de las computadoras tradicionales que usan bits configurados en 1 o 0, las computadoras cuánticas usan qubits, que pueden ser 1, 0 o cualquier valor intermedio. Además, cada qubit puede influir en los demás, lo que permite que un número relativamente pequeño de qubits represente una gran cantidad de estados posibles.
El autor principal, el profesor Peter Coveney, del Centro de Computación de Investigación Avanzada y Química de la UCL, explicó el desafío: “Para hacer predicciones sobre sistemas complejos, podemos ejecutar una simulación completa, que puede llevar semanas, a menudo mucho más, o podemos usar un modelo de IA que es más rápido pero menos confiable en escalas de tiempo más largas.
“Nuestro modelo de IA con información cuántica significa que podemos proporcionar rápidamente predicciones más precisas. Predecir el flujo de fluidos y las turbulencias es un desafío científico fundamental, pero también tiene muchas aplicaciones. Nuestro enfoque podría usarse en el pronóstico del clima, modelando el flujo sanguíneo y las interacciones moleculares, o podrían diseñar mejor parques para la producción eólica”.
Cómo funcionan los métodos híbridos de IA cuántica
Aunque se espera que las computadoras cuánticas superen con creces a las máquinas clásicas en potencia, sus aplicaciones en el mundo real son hasta ahora limitadas. Este nuevo método integra la computación cuántica en una etapa específica del proceso de entrenamiento de la IA.
Normalmente, los modelos de IA aprenden de grandes conjuntos de datos generados por simulaciones u observaciones. En este caso, los datos son procesados primero por una computadora cuántica, que detecta patrones estadísticos clave que permanecen estables en el tiempo. Estos patrones, conocidos como características estadísticas invariantes, se utilizan luego para entrenar un modelo de IA que se ejecuta en una supercomputadora convencional.
Alta precisión con menos memoria
El sistema de IA con información cuántica proporcionó aproximadamente un 20 por ciento más de precisión que los modelos de IA estándar que no utilizan patrones generados cuánticamente. Mantiene predicciones estables durante largos períodos de tiempo incluso cuando modela sistemas caóticos.
Otra gran ventaja fue la eficiencia. El método requiere cientos de veces menos memoria, lo que lo hace mucho más práctico para simulaciones a gran escala.
Efectos cuánticos detrás de la eficiencia
Este aumento del rendimiento proviene de dos características específicas de la computación cuántica. El entrelazamiento permite que los qubits se influyan entre sí independientemente de la distancia, mientras que la superposición permite que un qubit esté en varios estados a la vez hasta que se mide. Juntas, estas propiedades permiten que los sistemas cuánticos procesen grandes cantidades de información de forma compacta.
Demostración de instalaciones cuánticas prácticas
La primera autora, Maida Wang, del Centro de Ciencias Computacionales de la UCL, dijo: “Nuestro nuevo método parece demostrar una ‘ventaja cuántica’ de una manera práctica, es decir, una computadora cuántica supera lo que es posible con la computación clásica sola. Estos resultados pueden inspirar el desarrollo de métodos clásicos novedosos que pueden lograr una precisión aún mayor, aunque ofrecen inconvenientes computacionales e insuficiencias en el cálculo de datos. Nuestro método es ampliar el método utilizando conjuntos de datos más grandes y aplicarlo a situaciones del mundo real generalmente implica más complejidad.
El coautor Xiao Xue, de Computación de Investigación Avanzada de la UCL, agregó: “En este trabajo, hemos demostrado por primera vez que la computación cuántica se puede integrar significativamente con métodos clásicos de aprendizaje automático para abordar sistemas dinámicos complejos, incluida la mecánica de fluidos. Es emocionante ver el enfoque práctico de tales enfoques de ‘práctica cuántica'”.
Capturando la física de sistemas complejos.
Los investigadores sugieren que los ordenadores cuánticos son especialmente adecuados para modelar estos sistemas porque pueden representar de forma compacta su física subyacente. Muchos sistemas complejos se comportan de maneras que se asemejan a los efectos cuánticos, donde los cambios en una región pueden afectar partes distantes del sistema, de manera similar al entrelazamiento.
Superando los límites del hardware cuántico actual
Los ordenadores cuánticos actuales se enfrentan a retos como el ruido, los errores y las interferencias, que a menudo requieren muchas mediciones. El nuevo enfoque evita estos problemas al utilizar una computadora cuántica solo una vez durante un flujo de trabajo, en lugar de intercambiar datos repetidamente entre sistemas cuánticos y clásicos.
Detalles del examen y perspectivas de futuro
La investigación utilizó una computadora cuántica IQM de 20 qubits conectada a potentes recursos informáticos clásicos en el Centro de Supercomputación Leibniz en Alemania.
Para funcionar, las computadoras cuánticas deben funcionar a temperaturas extremadamente bajas, -273 °C (más cerca del cero absoluto, más frías que cualquier cosa en el espacio).
La investigación fue financiada por la UCL y el Consejo de Investigación en Ingeniería y Ciencias Físicas del Reino Unido (EPSRC), con el apoyo adicional de IQM Quantum Computer y el Centro de Supercomputación Leibniz en Munich.
A medida que los investigadores sigan ampliando este enfoque, podría abrir la puerta a predicciones más precisas y eficientes en una amplia gama de aplicaciones científicas y de ingeniería.
