Las computadoras cuánticas pueden algún día resolver problemas algorítmicos que incluso las supercomputadoras más grandes de la actualidad no pueden manejar. Pero, ¿cómo se prueba una computadora cuántica para asegurarse de que funciona de manera confiable? Dependiendo de la tarea algorítmica, esto podría ser un problema de certificación fácil o muy difícil. Un equipo internacional de investigadores ha dado un paso importante para resolver una variación difícil de este problema, utilizando un enfoque estadístico desarrollado en la Universidad de Friburgo. Los resultados de su estudio se publican en la última edición de Fotónica de la naturaleza .

Su ejemplo de un problema de certificación difícil es clasificar un número definido de fotones después de que hayan pasado por una disposición definida de varios elementos ópticos. La disposición proporciona a cada fotón una serie de rutas de transmisión, dependiendo de si el fotón es reflejado o transmitido por un elemento óptico. La tarea es predecir la probabilidad de que los fotones abandonen la disposición en puntos definidos, para un determinado posicionamiento de los fotones a la entrada del arreglo. Con el aumento del tamaño de la disposición óptica y el aumento del número de fotones enviados en su camino, el número de posibles caminos y distribuciones de los fotones al final aumenta abruptamente como resultado del principio de incertidumbre que subyace a la mecánica cuántica, por lo que no puede haber predicción de la probabilidad exacta usando las computadoras disponibles para nosotros hoy. Los principios físicos dicen que los diferentes tipos de partículas, como fotones o electrones, deberían producir distribuciones de probabilidad diferentes. Pero, ¿cómo pueden los científicos distinguir estas distribuciones y diferentes disposiciones ópticas cuando no hay forma de hacer cálculos exactos?

Un enfoque desarrollado en el estudio actual ahora hace posible por primera vez identificar firmas estadísticas características en distribuciones de probabilidad no medibles. En lugar de una "huella digital completa, "pudieron extraer la información de conjuntos de datos que se redujeron para hacerlos utilizables. Usando esa información, pudieron discriminar varios tipos de partículas y características distintivas de las disposiciones ópticas. El equipo también demostró que este proceso de destilación se puede mejorar, basándose en técnicas establecidas de aprendizaje automático, por lo que la física proporciona la información clave sobre qué conjunto de datos debe utilizarse para buscar los patrones relevantes. Y debido a que este enfoque se vuelve más preciso para un mayor número de partículas, los investigadores esperan que sus hallazgos nos acerquen un paso clave a la solución del problema de la certificación.