La inteligencia artificial se refiere, entre otras cosas, a la capacidad de las máquinas para demostrar algún grado de lo que los humanos consideran "inteligencia". Este proceso está impulsado por el rápido avance del aprendizaje automático:hacer que las máquinas piensen por sí mismas en lugar de preprogramarlas con un concepto absoluto.

Toma el reconocimiento de imágenes. Los humanos sobresalen en esta tarea, pero ha resultado difícil de simular artificialmente. Entrenar a una máquina para que reconozca a un gato no significa ingresar una definición fija de cómo es un gato. En lugar de, se ingresan muchas imágenes diferentes de gatos; el objetivo es que la computadora aprenda a destilar el patrón subyacente de píxeles "similar a un gato".

Esta dependencia de los datos es una poderosa herramienta de formación. Pero viene con posibles dificultades. Si las máquinas están capacitadas para encontrar y explotar patrones en los datos, entonces, en ciertos casos, solo perpetúan la carrera, prejuicios de género o clase específicos de la inteligencia humana actual.

Pero la facilidad de procesamiento de datos inherente al aprendizaje automático también tiene el potencial de generar aplicaciones que pueden mejorar la vida de las personas. Las máquinas "inteligentes" podrían ayudar a los científicos a detectar el cáncer de manera más eficiente o comprender mejor la salud mental.

La mayor parte del progreso en el aprendizaje automático hasta ahora ha sido clásico:las técnicas que utilizan las máquinas para aprender siguen las leyes de la física clásica. Los datos de los que aprenden tienen una forma clásica. Las máquinas en las que se ejecutan los algoritmos también son clásicas.

Trabajamos en el campo emergente del aprendizaje automático cuántico, que está explorando si la rama de la física llamada mecánica cuántica podría mejorar el aprendizaje automático. La mecánica cuántica es diferente a la física clásica en un nivel fundamental:se ocupa de las probabilidades y hace de la incertidumbre un principio. La mecánica cuántica también expande la física para incluir fenómenos interesantes que no se pueden explicar usando la intuición clásica.

De lo clásico a lo cuántico

La mecánica cuántica es una rama de la física que intenta comprender y aplicar las matemáticas, reglas verificables para el comportamiento de la naturaleza en el extremo más pequeño del espectro, en la escala de átomos, electrones y fotones. Fue desarrollado por primera vez a principios del siglo XX, y ha tenido mucho éxito en la descripción de sistemas a nivel microscópico.

La división fundamental entre los mundos cuántico y clásico ha sido popularizada por el experimento mental del gato de Schrodinger. En eso, un gato está sellado en una caja junto con un frasco de veneno y un átomo radiactivo. La liberación del veneno, y la vida del gato, depende de la descomposición del átomo.

La mecánica cuántica permite describir el átomo como descompuesto o no descompuesto simultáneamente hasta que una medición lo fuerza a un estado exacto. Pero luego debe seguirse que el gato puede describirse como muerto y vivo al mismo tiempo hasta que se abra la caja y se asegure el estado del gato. La paradoja ilustra la dificultad de aplicar reglas cuánticas a objetos clásicos.

Esta es una de las posibilidades más fascinantes inherentes a la teoría cuántica:que es posible que un sistema cuántico esté en más de un estado al mismo tiempo, un fenómeno descrito como superposición, hasta que se mida ese sistema.

Computación cuántica

Hay varias formas en las que el aprendizaje automático puede hacerse cuántico. De estos, es la carrera para crear una computadora cuántica que ha dominado la prensa popular y ha visto el desarrollo de competidores como la computadora D-Wave y la IBM Quantum Experience.

El valor de las computadoras cuánticas radicaría en su capacidad para procesar información y realizar tareas computacionales de manera diferente, y en algunos casos más rápidamente, que las computadoras clásicas.

A pesar del interés comercial, ninguno de los contendientes es un éxito rotundo todavía. Eso es porque los fenómenos de los que se basan en la mecánica cuántica, como estados de superposición, son delicados y propensos a la destrucción.

Otras ramas del aprendizaje automático cuántico se centran en cómo la teoría cuántica podría informar los métodos que utilizan las computadoras para aprender, o los datos de los que aprenden, así como perfeccionar las herramientas y técnicas del aprendizaje automático clásico en un marco cuántico.

Si bien los resultados medibles todavía se encuentran principalmente en el ámbito de la teoría, El aprendizaje automático cuántico tiene implicaciones cotidianas para la gente corriente. Se ha predicho durante mucho tiempo que la potencia de procesamiento de las computadoras cuánticas podría hacer que las técnicas de cifrado actuales utilizadas en la banca u otras transacciones en línea sean ineficaces.

Más recientemente, Las técnicas de aprendizaje automático cuántico, como el recocido, han demostrado ser prometedoras para el negocio al optimizar los rendimientos de los activos financieros o el cálculo de las calificaciones crediticias.

También es probable que las técnicas cuánticas en el aprendizaje automático se vuelvan importantes en la tecnología médica o el diseño de fármacos, ya que los principios que sustentan la química son fundamentalmente cuánticos. ProteinQure, una empresa de biotecnología fundada en 2017, ya utiliza elementos de la computación cuántica para diseñar nuevas terapias.

Es probable que las técnicas de aprendizaje automático cuántico tengan efectos de gran alcance en muchas de las tecnologías a las que nos hemos acostumbrado. de la aviación a la agricultura, con empresas como Lockheed Martin, La NASA y Google ya están a bordo.

Aprendizaje automático cuántico en África

El aprendizaje automático cuántico es emocionante, campo de rápido crecimiento. Se han establecido varias empresas emergentes que tienen como objetivo perfeccionar el proceso y ofrecer dispositivos cuánticos escalables.

Los investigadores universitarios y académicos también están trabajando para aprovechar el potencial del aprendizaje automático cuántico. Estamos entre ellos. El grupo de investigación cuántica de la Universidad de KwaZulu-Natal investiga cómo la teoría cuántica podría mejorar el aprendizaje automático y cómo las técnicas de aprendizaje automático pueden informar la teoría cuántica.

Dra. Maria Schuld, quien forma parte del grupo, Recientemente compartió titulares con IBM y la universidad estadounidense MIT por un avance importante en la mejora cuántica de los métodos de aprendizaje automático basados ​​en kernel.

Este artículo se ha vuelto a publicar de The Conversation con una licencia de Creative Commons. Lea el artículo original.