Máquina cuántica para la salud
Fotografía de la máquina cuántica desarrollada por O’Connell. El resonador mecánico está situado en la parte inferior izquierda del condensador de acoplamiento (pequeño cuadrado blanco). El qubit está conectado a la parte superior derecha del condensador de acoplamiento.
La primera máquina cuántica fue creada el 4 de agosto de 2009 por Aaron D. O’Connell mientras realizaba su doctorado bajo la dirección de Andrew N. Cleland y John M. Martinis en la Universidad de California, Santa Bárbara. O’Connell y sus colegas acoplaron un resonador mecánico, similar a un diminuto trampolín, y un qubit, un dispositivo que puede estar en una superposición de dos estados cuánticos al mismo tiempo. Consiguieron que el resonador vibrara una cantidad pequeña y otra grande simultáneamente, un efecto que sería imposible en la física clásica. El resonador mecánico era lo suficientemente grande como para verlo a simple vista, más o menos como el ancho de un cabello humano[4].
El innovador trabajo se publicó posteriormente en la revista Nature en marzo de 2010[5] La revista Science declaró la creación de la primera máquina cuántica como el “Avance del Año” de 2010[6].
Inteligencia artificial cuántica
Francesco Petruccione es uno de los directores adjuntos del Instituto Nacional de Física Teórica (NITheP) y profesor adjunto del Instituto Avanzado de Ciencia y Tecnología de Corea (KAIST). Recibe financiación de la Fundación Nacional de Investigación (NRF), el Instituto Nacional de Física Teórica (NITheP) y el Centro Nacional de Láseres (NLC).
La inteligencia artificial se refiere, entre otras cosas, a la capacidad de las máquinas de demostrar cierto grado de lo que los humanos consideran “inteligencia”. Este proceso está siendo impulsado por el rápido avance del aprendizaje automático: conseguir que las máquinas piensen por sí mismas en lugar de preprogramarlas con un concepto absoluto.
Por ejemplo, el reconocimiento de imágenes. Los humanos destacan en esta tarea, pero ha resultado difícil simularla artificialmente. Entrenar a una máquina para que reconozca un gato no significa introducir una definición fija de su aspecto. En su lugar, se introducen muchas imágenes diferentes de gatos; el objetivo es que el ordenador aprenda a destilar el patrón de píxeles “gatuno” subyacente.
Aprendizaje automático cuántico
La computación cuántica ha avanzado rápidamente tanto en la teoría como en la práctica en los últimos años, y con ella la esperanza del impacto potencial en las aplicaciones reales. Un área clave de interés es cómo los ordenadores cuánticos podrían afectar al aprendizaje automático. Recientemente hemos demostrado experimentalmente que los ordenadores cuánticos son capaces de resolver de forma natural ciertos problemas con correlaciones complejas entre entradas que pueden ser increíblemente difíciles para los ordenadores tradicionales o “clásicos”. Esto sugiere que los modelos de aprendizaje creados en ordenadores cuánticos pueden ser mucho más potentes para determinadas aplicaciones, ya que pueden ser más rápidos de calcular, generalizar mejor con menos datos, o ambas cosas. De ahí que sea de gran interés comprender en qué situaciones podría lograrse esa “ventaja cuántica”.
La idea de la ventaja cuántica suele expresarse en términos de ventajas computacionales. Es decir, dada una tarea con entradas y salidas bien definidas, ¿puede un ordenador cuántico lograr un resultado más preciso que una máquina clásica en un tiempo de ejecución comparable? Hay una serie de algoritmos para los que se sospecha que los ordenadores cuánticos tienen ventajas abrumadoras, como el algoritmo de factorización de Shor para la factorización de productos de grandes primos (relevante para el cifrado RSA) o la simulación cuántica de sistemas cuánticos. Sin embargo, la dificultad de resolver un problema, y por tanto la ventaja potencial de un ordenador cuántico, puede verse muy afectada por la disponibilidad de datos. Por ello, entender cuándo un ordenador cuántico puede ayudar en una tarea de aprendizaje automático depende no sólo de la tarea, sino también de los datos disponibles, y una comprensión completa de ésta debe incluir ambos.
Aprendizaje por refuerzo cuántico
tiempo que se tarda en entrenar o evaluar un modelo de aprendizaje automático. Por otro lado, podemos aprovechar las técnicas del aprendizaje automático para ayudarnos a descubrir códigos cuánticos de corrección de errores, estimar las propiedades de los sistemas cuánticos o desarrollar nuevos algoritmos cuánticos.
Del mismo modo, la idea de entrenar ordenadores cuánticos es más amplia que el aprendizaje automático cuántico. Los circuitos cuánticos entrenables pueden aprovecharse en otros campos como la química cuántica o la optimización cuántica. Puede ayudar en diversas aplicaciones, como el diseño de algoritmos cuánticos, el descubrimiento de esquemas de corrección de errores cuánticos y la comprensión de sistemas físicos.