Las computadoras cuánticas podrían resolver tareas complejas que están más allá de las capacidades de las computadoras convencionales. Sin embargo, los estados cuánticos son extremadamente sensibles a la interferencia constante de su entorno. El plan es combatir esto utilizando protección activa basada en la corrección de errores cuánticos. Florian Marquardt, Director del Instituto Max Planck para la Ciencia de la Luz, y su equipo ahora ha presentado un sistema de corrección de errores cuánticos que es capaz de aprender gracias a la inteligencia artificial.

En 2016, el programa informático AlphaGo ganó cuatro de los cinco juegos de Go contra el mejor jugador humano del mundo. Dado que un juego de Go tiene más combinaciones de movimientos de los que se estima que hay en los átomos del universo, esto requería algo más que un simple poder de procesamiento. Bastante, AlphaGo utilizó redes neuronales artificiales, que pueden reconocer patrones visuales e incluso son capaces de aprender. A diferencia de un humano, el programa pudo practicar cientos de miles de juegos en poco tiempo, superando eventualmente al mejor jugador humano. Ahora, los investigadores de Erlangen están utilizando redes neuronales de este tipo para desarrollar el aprendizaje de corrección de errores para una computadora cuántica.

Las redes neuronales artificiales son programas informáticos que imitan el comportamiento de las células nerviosas interconectadas (neuronas); en el caso de la investigación en Erlangen, alrededor de dos mil neuronas artificiales están conectadas entre sí. "Tomamos las últimas ideas de la informática y las aplicamos a los sistemas físicos, "explica Florian Marquardt." Al hacerlo, nos beneficiamos del rápido progreso en el área de la inteligencia artificial ".

Las redes neuronales artificiales podrían superar otras estrategias de corrección de errores

La primera área de aplicación son las computadoras cuánticas, como se muestra en el artículo reciente, que incluye una importante contribución de Thomas Fösel, estudiante de doctorado en el Instituto Max Planck de Erlangen. En el papel, el equipo demuestra que las redes neuronales artificiales con una arquitectura inspirada en AlphaGo son capaces de aprender, por sí mismas, cómo realizar una tarea que será esencial para el funcionamiento de las futuras computadoras cuánticas:la corrección de errores cuánticos. Incluso existe la posibilidad de que, con la formación suficiente, este enfoque superará a otras estrategias de corrección de errores.

Para entender lo que implica, es necesario observar la forma en que funcionan las computadoras cuánticas. La base de la información cuántica es el bit cuántico, o qubit. A diferencia de los bits digitales convencionales, un qubit puede adoptar no solo los dos estados cero y uno, pero también superposiciones de ambos estados. En el procesador de una computadora cuántica, incluso hay varios qubits superpuestos como parte de un estado conjunto. Este entrelazamiento explica el tremendo poder de procesamiento de las computadoras cuánticas cuando se trata de resolver ciertas tareas complejas en las que las computadoras convencionales están condenadas al fracaso. La desventaja es que la información cuántica es muy sensible al ruido de su entorno. Ésta y otras peculiaridades del mundo cuántico significan que la información cuántica necesita reparaciones regulares, es decir, Corrección de errores cuánticos. Sin embargo, las operaciones que esto requiere no solo son complejas, sino que también deben dejar intacta la información cuántica.

La corrección de errores cuánticos es como un juego de Go con reglas extrañas

"Puedes imaginar los elementos de una computadora cuántica como si fueran una placa Go, "dice Marquardt, llegar a la idea central detrás de su proyecto. Los qubits se distribuyen por el tablero como piezas. Sin embargo, Hay ciertas diferencias clave con un juego convencional de Go:todas las piezas ya están distribuidas por el tablero, y cada uno de ellos es blanco por un lado y negro por el otro. Un color corresponde al estado cero, el otro a uno, y un movimiento en un juego de Quantum Go implica dar la vuelta a las piezas. Según las reglas del mundo cuántico, las piezas también pueden adoptar colores mezclados grises, que representan la superposición y el entrelazamiento de estados cuánticos.

Cuando se trata de jugar, un jugador, la llamaremos Alice, hace movimientos que tienen la intención de preservar un patrón que representa un cierto estado cuántico. Estas son las operaciones de corrección de errores cuánticos. Mientras tanto, su oponente hace todo lo posible para destruir el patrón. Esto representa el ruido constante de la plétora de interferencias que experimentan los qubits reales en su entorno. Además, Un juego de Quantum Go se hace especialmente difícil por una peculiar regla cuántica:a Alice no se le permite mirar el tablero durante el juego. Cualquier atisbo que le revele el estado de las piezas del qubit destruye el sensible estado cuántico que ocupa actualmente el juego. La pregunta es:¿cómo puede hacer los movimientos correctos a pesar de esto?

Los qubits auxiliares revelan defectos en la computadora cuántica

En las computadoras cuánticas, este problema se resuelve colocando qubits adicionales entre los qubits que almacenan la información cuántica real. Se pueden tomar medidas ocasionales para monitorear el estado de estos qubits auxiliares, permitiendo al controlador de la computadora cuántica identificar dónde se encuentran las fallas y realizar operaciones de corrección en los qubits que transportan información en esas áreas. En nuestro juego de Quantum Go, los qubits auxiliares estarían representados por piezas adicionales distribuidas entre las piezas reales del juego. Alice puede mirar de vez en cuando, pero solo en estas piezas auxiliares.

En el trabajo de los investigadores de Erlangen, El papel de Alice lo realizan redes neuronales artificiales. La idea es que a través de la formación, las redes llegarán a ser tan buenas en este papel que incluso podrán superar las estrategias de corrección diseñadas por mentes humanas inteligentes. Sin embargo, cuando el equipo estudió un ejemplo que involucraba cinco qubits simulados, un número que aún es manejable para computadoras convencionales, pudieron demostrar que una red neuronal artificial por sí sola no es suficiente. Como la red solo puede recopilar pequeñas cantidades de información sobre el estado de los bits cuánticos, o más bien el juego de Quantum Go, nunca pasa de la etapa de ensayo y error aleatorio. Por último, estos intentos destruyen el estado cuántico en lugar de restaurarlo.

Una red neuronal usa su conocimiento previo para entrenar a otra

La solución viene en forma de una red neuronal adicional que actúa como profesor de la primera red. Con su conocimiento previo de la computadora cuántica que se va a controlar, esta red de profesores es capaz de entrenar a la otra red —su alumno— y así guiar sus intentos hacia una corrección cuántica exitosa. Primero, sin embargo, la propia red de profesores necesita aprender lo suficiente sobre la computadora cuántica o el componente de la misma que se va a controlar.

En principio, las redes neuronales artificiales se entrenan mediante un sistema de recompensa, al igual que sus modelos naturales. La recompensa real se proporciona por restaurar con éxito el estado cuántico original mediante la corrección de errores cuánticos. "Sin embargo, si solo el logro de este objetivo a largo plazo dio una recompensa, llegaría en una etapa demasiado tarde en los numerosos intentos de corrección, "Explica Marquardt. Por lo tanto, los investigadores de Erlangen han desarrollado un sistema de recompensa que, incluso en la etapa de entrenamiento, incentiva a la red neuronal del profesor a adoptar una estrategia prometedora. En el juego de Quantum Go, este sistema de recompensas proporcionaría a Alice una indicación del estado general del juego en un momento dado sin revelar los detalles.

La red de estudiantes puede superar a su profesor a través de sus propias acciones.

"Nuestro primer objetivo era que la red de profesores aprendiera a realizar con éxito operaciones de corrección de errores cuánticos sin más ayuda humana, "dice Marquardt. A diferencia de la red de estudiantes de la escuela, la red de profesores puede hacer esto basándose no solo en los resultados de las mediciones, sino también en el estado cuántico general de la computadora. La red de estudiantes formada por la red de profesores será igualmente buena al principio, pero puede mejorar aún más a través de sus propias acciones.

Además de la corrección de errores en las computadoras cuánticas, Florian Marquardt prevé otras aplicaciones para la inteligencia artificial. En su opinión, La física ofrece muchos sistemas que podrían beneficiarse del uso del reconocimiento de patrones por redes neuronales artificiales.