Cualquiera que recolecte hongos sabe que es mejor mantener separados los venenosos y no venenosos. En tales "problemas de clasificación, "que requieren distinguir ciertos objetos entre sí y asignar los objetos que buscamos a ciertas clases mediante características, las computadoras ya brindan un apoyo útil.

Los métodos inteligentes de aprendizaje automático pueden reconocer patrones u objetos y seleccionarlos automáticamente de los conjuntos de datos. Por ejemplo, podrían elegir esas imágenes de una base de datos de fotografías que muestran hongos no tóxicos. Particularmente con conjuntos de datos muy grandes y complejos, El aprendizaje automático puede ofrecer resultados valiosos que los humanos no podrían determinar sin mucho tiempo y esfuerzo. Sin embargo, para determinadas tareas computacionales, incluso las computadoras más rápidas disponibles en la actualidad alcanzan sus límites. Aquí es donde entra en juego la gran promesa de las computadoras cuánticas:un día, podrían realizar cálculos súper rápidos que las computadoras clásicas no pueden resolver en un período de tiempo útil.

La razón de esta "supremacía cuántica" radica en la física:las computadoras cuánticas calculan y procesan información explotando ciertos estados e interacciones que ocurren dentro de átomos o moléculas o entre partículas elementales.

El hecho de que los estados cuánticos puedan superponerse y entrelazarse crea una base que permite a las computadoras cuánticas el acceso a un conjunto fundamentalmente más rico de lógica de procesamiento. Por ejemplo, a diferencia de las computadoras clásicas, las computadoras cuánticas no calculan con códigos binarios o bits, que procesan información solo como 0 o 1, pero con bits cuánticos o qubits, que corresponden a los estados cuánticos de las partículas. La diferencia crucial es que los qubits pueden realizar no solo un estado, 0 o 1, por paso computacional, pero también una superposición de ambos. Estos métodos más generales de procesamiento de información permiten a su vez una drástica aceleración computacional en ciertos problemas.

Traduciendo la sabiduría clásica al reino cuántico

Estas ventajas de velocidad de la computación cuántica también son una oportunidad para las aplicaciones de aprendizaje automático; después de todo, Las computadoras cuánticas podrían calcular las enormes cantidades de datos que los métodos de aprendizaje automático necesitan para mejorar la precisión de sus resultados mucho más rápido que las computadoras clásicas.

Sin embargo, para explotar realmente el potencial de la computación cuántica, es necesario adaptar los métodos clásicos de aprendizaje automático a las peculiaridades de las computadoras cuánticas. Por ejemplo, algoritmos, es decir., las reglas matemáticas que describen cómo una computadora clásica resuelve cierto problema, debe formularse de manera diferente para las computadoras cuánticas. Desarrollar algoritmos cuánticos que funcionen bien para el aprendizaje automático no es del todo trivial, porque todavía quedan algunos obstáculos por superar en el camino.

Por un lado, esto se debe al hardware cuántico. En ETH Zurich, Los investigadores actualmente tienen computadoras cuánticas que funcionan con hasta 17 qubits (ver "ETH Zurich y PSI encontraron Quantum Computing Hub" del 3 de mayo de 2021). Sin embargo, si las computadoras cuánticas van a realizar su máximo potencial algún día, pueden necesitar de miles a cientos de miles de qubits.

Ruido cuántico y la inevitabilidad de los errores

Un desafío al que se enfrentan las computadoras cuánticas se refiere a su vulnerabilidad al error. Las computadoras cuánticas de hoy funcionan con un nivel de ruido muy alto, ya que los errores o alteraciones se conocen en la jerga técnica. Para la Sociedad Estadounidense de Física, este ruido es "el principal obstáculo para la ampliación de las computadoras cuánticas". No existe una solución integral para corregir y mitigar errores. Todavía no se ha encontrado ninguna forma de producir hardware cuántico sin errores, y las computadoras cuánticas con 50 a 100 qubits son demasiado pequeñas para implementar software o algoritmos de corrección.

Hasta cierto punto, Los errores en la computación cuántica son en principio inevitables, porque los estados cuánticos en los que se basan los pasos computacionales concretos sólo pueden distinguirse y cuantificarse con probabilidades. ¿Qué se puede lograr? por otra parte, son procedimientos que limitan la magnitud del ruido y las perturbaciones hasta tal punto que, no obstante, los cálculos ofrecen resultados fiables. Los informáticos se refieren a un método de cálculo que funciona de forma fiable como "robusto, "y en este contexto, También hablamos de la necesaria "tolerancia al error".

Esto es lo que el grupo de investigación dirigido por Ce Zhang, Profesor de informática de ETH y miembro del ETH AI Center, ha explorado recientemente, de alguna manera "accidentalmente" durante un intento de razonar sobre la solidez de las distribuciones clásicas con el propósito de construir mejores sistemas y plataformas de aprendizaje automático. Junto con la profesora Nana Liu de la Universidad Jiao Tong de Shanghai y con el profesor Bo Li de la Universidad de Illinois en Urbana, han desarrollado un nuevo enfoque que demuestra las condiciones de robustez de ciertos modelos de aprendizaje automático basados ​​en cuántica, para lo cual se garantiza que el cálculo cuántico es confiable y que el resultado es correcto. Los investigadores han publicado su enfoque, que es uno de los primeros de su tipo, en la revista científica npj Información cuántica .

Protección contra errores y piratas informáticos

"Cuando nos dimos cuenta de que los algoritmos cuánticos, como algoritmos clásicos, son propensos a errores y perturbaciones, nos preguntamos cómo podemos estimar estas fuentes de errores y perturbaciones para ciertas tareas de aprendizaje automático, y cómo podemos garantizar la robustez y fiabilidad del método elegido, "dice Zhikuan Zhao, un postdoctorado en el grupo de Ce Zhang. "Si sabemos esto, podemos confiar en los resultados computacionales, incluso si son ruidosos ".

Los investigadores investigaron esta cuestión utilizando algoritmos de clasificación cuántica como ejemplo; después de todo, Los errores en las tareas de clasificación son complicados porque pueden afectar el mundo real, por ejemplo, si los hongos venenosos se clasificaran como no tóxicos. Quizás lo más importante utilizando la teoría de la prueba de hipótesis cuántica, inspirada en el trabajo reciente de otros investigadores en la aplicación de la prueba de hipótesis en el entorno clásico, que permite distinguir los estados cuánticos, Los investigadores de ETH determinaron un umbral por encima del cual se garantiza que las asignaciones del algoritmo de clasificación cuántica son correctas y sus predicciones son sólidas.

Con su método de robustez, los investigadores pueden incluso verificar si la clasificación de un error, una entrada ruidosa produce el mismo resultado que una entrada silenciosa. De sus hallazgos, los investigadores también han desarrollado un esquema de protección que se puede utilizar para especificar la tolerancia al error de un cálculo, independientemente de si un error tiene una causa natural o es el resultado de la manipulación de un ataque de piratería. Su concepto de robustez funciona tanto para ataques de piratería como para errores naturales.

"El método también se puede aplicar a una clase más amplia de algoritmos cuánticos, "dice Maurice Weber, estudiante de doctorado con Ce Zhang y primer autor de la publicación. Dado que el impacto del error en la computación cuántica aumenta a medida que aumenta el tamaño del sistema, él y Zhao ahora están investigando este problema. "Somos optimistas de que nuestras condiciones de robustez resultarán útiles, por ejemplo, junto con algoritmos cuánticos diseñados para comprender mejor la estructura electrónica de las moléculas ".