Muchos algoritmos de aprendizaje automático en computadoras cuánticas sufren la temida "meseta estéril" de la insolubilidad, donde se encuentran con callejones sin salida en problemas de optimización. Este desafío había sido relativamente poco estudiado, hasta ahora. Un trabajo teórico riguroso ha establecido teoremas que garantizan si un algoritmo de aprendizaje automático dado funcionará a medida que se amplía en computadoras más grandes.

"El trabajo resuelve un problema clave de usabilidad para el aprendizaje automático cuántico. Probamos rigurosamente las condiciones bajo las cuales ciertas arquitecturas de algoritmos cuánticos variacionales tendrán o no mesetas estériles a medida que se amplíen". "dijo Marco Cerezo, autor principal del artículo publicado en Comunicaciones de la naturaleza hoy por un equipo del Laboratorio Nacional de Los Alamos. Cerezo es un postdoctorado que investiga la teoría de la información cuántica en Los Alamos. "Con nuestros teoremas, puede garantizar que la arquitectura será escalable a computadoras cuánticas con una gran cantidad de qubits ".

"Por lo general, el enfoque ha sido ejecutar una optimización y ver si funciona, y eso estaba provocando fatiga entre los investigadores en el campo, "dijo Patrick Coles, coautor del estudio. Establecer teoremas matemáticos y derivar primeros principios elimina las conjeturas al desarrollar algoritmos.

El equipo de Los Alamos utilizó el enfoque híbrido común para algoritmos cuánticos variacionales, entrenar y optimizar los parámetros en una computadora clásica y evaluar la función de costo del algoritmo, o la medida del éxito del algoritmo, en una computadora cuántica.

Los algoritmos de aprendizaje automático traducen una tarea de optimización, por ejemplo, encontrar la ruta más corta para un vendedor ambulante a través de varias ciudades, en una función de costos, dijo el coautor Lukasz Cincio. Esa es una descripción matemática de una función que se minimizará. La función alcanza su valor mínimo solo si resuelve el problema.

La mayoría de los algoritmos variacionales cuánticos inician su búsqueda de forma aleatoria y evalúan la función de coste globalmente en cada qubit, que a menudo conduce a una meseta estéril.

"Pudimos demostrar que, si eliges una función de costo que busca localmente en cada qubit individual, luego garantizamos que el escalado no dará como resultado una curva de tiempo increíblemente empinada en comparación con el tamaño del sistema, y por lo tanto puede ser entrenado, "Dijo Coles.

Un algoritmo variacional cuántico establece un panorama de resolución de problemas donde los picos representan los puntos de alta energía del sistema, o problema, y los valles son los valores energéticos bajos. La respuesta está en el valle más profundo. Ese es el estado fundamental representado por la función de costo minimizado. Para encontrar la solución el algoritmo se entrena sobre el paisaje, navegando así hacia el punto bajo.

"La gente ha estado proponiendo redes neuronales cuánticas y comparándolas haciendo simulaciones a pequeña escala de 10 (o menos) pocos qubits, "Cerezo dijo." El problema es, no verás la meseta estéril con pocos qubits, pero cuando intentas escalar a más qubits, aparece. Luego, el algoritmo tiene que ser reelaborado para una computadora cuántica más grande ".

Una meseta estéril es un problema de capacidad de entrenamiento que ocurre en los algoritmos de optimización del aprendizaje automático cuando el espacio de resolución de problemas se vuelve plano a medida que se ejecuta el algoritmo. En esa situación, el algoritmo no puede encontrar la pendiente descendente en lo que parece ser un paisaje sin rasgos distintivos y no hay un camino claro hacia el mínimo de energía. Careciendo de características paisajísticas, el aprendizaje automático no puede entrenarse para encontrar la solución.

"Si tienes una meseta estéril, toda esperanza de aceleración cuántica o ventaja cuántica se pierde, "Dijo Cerezo.

El avance del equipo de Los Alamos da un paso importante hacia la ventaja cuántica, cuando una computadora cuántica realiza una tarea que tomaría infinitamente tiempo en una computadora clásica. Lograr la ventaja cuántica depende a corto plazo de la ampliación de los algoritmos cuánticos variacionales. Estos algoritmos tienen el potencial de resolver problemas prácticos cuando estén disponibles computadoras cuánticas de 100 qubits o más, con suerte pronto. Actualmente, las computadoras cuánticas alcanzan un máximo de 65 qubits. Un qubit es la unidad básica de información en una computadora cuántica, como lo son los bits en una computadora digital clásica.

"El tema más candente en las ruidosas computadoras cuánticas de escala intermedia son los algoritmos cuánticos variacionales, o aprendizaje de máquina cuántica y redes neuronales cuánticas, "Dijo Coles." Se han propuesto para aplicaciones que van desde la resolución de la estructura de una molécula en química hasta la simulación de la dinámica de átomos y moléculas y la factorización de números ".