La computación cuántica mejora las predicciones de la IA, según un estudio

MADRID 17 Abr. (EUROPA PRESS) -

Según un nuevo estudio dirigido por investigadores de la UCL (University College de Londres en Reino Unido), un modelo de IA que utiliza cálculos de una computadora cuántica puede predecir mejor el comportamiento de un sistema físico complejo a largo plazo que los mejores modelos actuales que utilizan solo computadoras convencionales.

Los hallazgos, publicados en la revista 'Science Advances', podrían mejorar los modelos que predicen cómo se mueven e interactúan los líquidos y los gases (dinámica de fluidos), utilizados en áreas que van desde la ciencia del clima hasta el transporte, la medicina y la generación de energía.

Los investigadores afirman que la mejora en el rendimiento está relacionada con la capacidad de un dispositivo cuántico para almacenar una gran cantidad de información de manera más eficiente. Esto se debe a que, en lugar de bits que se activan o desactivan (1 o 0), como en una computadora clásica, los cúbits de la computadora cuántica pueden ser 1, 0 o cualquier estado intermedio, y cada cúbit puede afectar a cualquiera de los otros cúbits; es decir, unos pocos cúbits pueden generar una enorme cantidad de estados posibles.

El autor principal, el profesor Peter Coveney, del Departamento de Química de la UCL y del Centro de Computación Avanzada para la Investigación de la UCL, señala: "Para hacer predicciones sobre sistemas complejos, podemos ejecutar una simulación completa, que puede tardar semanas (a menudo demasiado tiempo para ser útil), o podemos utilizar un modelo de IA, que es más rápido pero menos fiable en escalas de tiempo más largas. Nuestro modelo de IA basado en computación cuántica nos permite ofrecer predicciones más precisas con rapidez. Predecir el flujo de fluidos y la turbulencia es un desafío científico fundamental, pero también tiene numerosas aplicaciones. Nuestro método puede utilizarse en la predicción climática, en la modelización del flujo sanguíneo y la interacción de moléculas, o para diseñar mejor parques eólicos y que generen más energía".

Las computadoras cuánticas tienen el potencial de ser mucho más potentes que incluso las computadoras convencionales más rápidas, pero hasta ahora su utilidad práctica ha sido limitada.

Para realizar predicciones sobre un sistema complejo, se entrena un modelo de IA con grandes cantidades de datos de simulación u observación. En el método cuántico, estos datos se introducen primero en una computadora cuántica que aprende los patrones estadísticos clave de los datos, o las propiedades estadísticas invariantes, es decir, los patrones que permanecen constantes a lo largo del tiempo. Estos patrones aprendidos cuánticamente se incorporan posteriormente al entrenamiento del modelo de IA en una supercomputadora convencional.

El método basado en información cuántica fue aproximadamente un 20% más preciso y se mantuvo estable a largo plazo en sus predicciones sobre cómo se comportaría un sistema complejo y caótico, en comparación con el modelo de IA que no utilizaba los patrones aprendidos cuánticamente. Además, fue mucho más eficiente, requiriendo cientos de veces menos memoria.

Esta eficiencia es resultado de dos propiedades cuánticas. Una, el entrelazamiento, permite que cada cúbit afecte a cualquier otro, independientemente de la distancia. La otra, la superposición, implica que un cúbit puede existir simultáneamente en diferentes estados clásicos hasta que se mida. Estas propiedades hacen que una computadora cuántica con solo unos pocos cúbits aún posea una enorme capacidad de cálculo.

La primera autora, Maida Wang, del Centro de Ciencias Computacionales de la UCL, declara: "Nuestro nuevo método parece demostrar la 'ventaja cuántica' de forma práctica; es decir, la computadora cuántica supera con creces lo que es posible mediante la computación clásica por sí sola. Estos hallazgos podrían inspirar el desarrollo de nuevos enfoques clásicos que logren una precisión aún mayor, aunque probablemente carecerían de la notable compresión de datos y la eficiencia de parámetros que ofrece nuestro método.

Los próximos pasos consisten en ampliar el método utilizando conjuntos de datos más grandes y aplicarlo a situaciones del mundo real, que suelen implicar una mayor complejidad. Además, se propondrá un marco teórico demostrable".

Los investigadores sugirieron que la capacidad de la computadora cuántica para capturar de forma compacta la física subyacente de sistemas tan complejos puede deberse al caos "de tipo cuántico" de estos sistemas, donde un movimiento en una parte del sistema afecta a otra parte del sistema muy lejana (de forma muy similar al entrelazamiento cuántico).

Según explicaron, su método evita las limitaciones de las computadoras cuánticas actuales, que son muy ruidosas, propensas a errores e interferencias, y por lo tanto requieren demasiadas mediciones, al utilizar un dispositivo cuántico solo en una etapa del proceso, en lugar de transferir datos constantemente entre sistemas clásicos y cuánticos.

El estudio utilizó un ordenador cuántico IQM de 20 cúbits conectado a recursos de supercomputación convencionales en el Centro de Supercomputación Leibniz en Alemania. Los investigadores recibieron financiación de la UCL y del Consejo de Investigación de Ciencias Físicas e Ingeniería del Reino Unido (EPSRC), así como el apoyo de IQM Quantum Computers y del Centro de Supercomputación Leibniz de Múnich.