Advanced Technology CPU Computer Chip

Las computadoras convencionales pueden aprender a resolver problemas cuánticos complicados en física y química


Las computadoras cuánticas han generado mucho revuelo y por una buena razón. Las computadoras futuristas están diseñadas para imitar lo que sucede en la naturaleza a escalas microscópicas. Esto significa que tienen el poder de comprender mejor el reino cuántico y acelerar el descubrimiento de nuevos materiales, incluidos productos farmacéuticos, productos químicos ecológicos y más. Sin embargo, los expertos dicen que todavía falta una década, o más, antes de que las computadoras cuánticas prácticas estén disponibles. ¿Qué deben hacer los investigadores mientras tanto?

Un nuevo estudio describe cómo las herramientas de aprendizaje automático, que se ejecutan en computadoras clásicas, se pueden usar para hacer predicciones sobre sistemas cuánticos y, por lo tanto, ayudar a los científicos a resolver algunos de los problemas de física y química más complicados. Si bien esta noción se ha propuesto antes, el nuevo informe es el primero en demostrar matemáticamente que el método funciona en problemas que ningún algoritmo tradicional podría resolver. Dirigido por Caltech, el estudio fue publicado el 23 de septiembre en la revista Ciencias.

Hsin-Yuan (Roberto) Huang. Crédito: Caltech

“Las computadoras cuánticas son ideales para muchos tipos de problemas de física y ciencia de los materiales”, dice el autor principal Hsin-Yuan (Robert) Huang. Es un estudiante de posgrado que trabaja con John Preskill, profesor de Física Teórica de Richard P. Feynman y Presidente de Liderazgo Allen VC Davis y Lenabelle Davis del Instituto de Ciencia y Tecnología Cuántica (IQIM). “Pero aún no hemos llegado a ese punto y nos ha sorprendido saber que, mientras tanto, se pueden utilizar los métodos clásicos de aprendizaje automático. En última instancia, este documento trata de mostrar lo que los humanos pueden aprender sobre el mundo físico”.

Juan Preskill

John P. Preskill, Profesor Richard P. Feynman de Física Teórica en Caltech. Crédito: Lance Hayashida

A niveles microscópicos, el mundo físico se convierte en un lugar extremadamente complejo regido por las leyes de la física cuántica. En este reino, las partículas pueden existir en una superposición de estados, o en dos estados a la vez. Y una superposición de estados puede conducir al entrelazamiento, un fenómeno en el que las partículas se vinculan o correlacionan sin siquiera estar en contacto entre sí. Estos extraños estados y conexiones, que están muy extendidos en los materiales naturales y hechos por el hombre, son muy difíciles de describir matemáticamente.

“Predecir el estado de baja energía de un material es muy difícil”, dice Huang. “Hay una gran cantidad de átomos, y están superpuestos y entrelazados. No puedes escribir una ecuación para describirlo todo”.

El nuevo estudio representa la primera demostración matemática de que el aprendizaje automático clásico se puede utilizar para cerrar la brecha entre nosotros y el mundo cuántico. El aprendizaje automático, considerado un campo de la inteligencia artificial, es un tipo de aplicación informática que imita al cerebro humano para aprender de los datos.

“Somos seres clásicos que vivimos en un mundo cuántico”, dice Preskill. “Nuestros cerebros y nuestras computadoras son clásicos, y esto limita nuestra capacidad para interactuar y comprender la realidad cuántica”.

Aunque estudios anteriores han demostrado que los modelos de aprendizaje automático tienen la capacidad de resolver algunos problemas cuánticos, estos métodos suelen operar de manera que dificultan que los científicos aprendan cómo las máquinas llegaron a sus soluciones.

“Normalmente, cuando se trata de aprendizaje automático, no sabes cómo la máquina resolvió el problema. Es una caja negra”, dice Huang. “Pero ahora hemos descubierto esencialmente lo que sucede en la caja a través de nuestro análisis matemático y simulaciones numéricas”. Huang y sus colegas realizaron extensas simulaciones numéricas en colaboración con el Centro de Computación Cuántica de AWS en Caltech, lo que corroboró sus resultados teóricos.

Chip sicómoro de Google

El chip Sycamore de Google, una computadora cuántica, se mantiene frío dentro de su criostato cuántico. Crédito: Eric Lucero/Google, Inc.

El nuevo estudio ayudará a los investigadores a comprender y clasificar mejor las fases complejas y exóticas de la materia cuántica.

“La preocupación era que las personas que creaban nuevos estados cuánticos en el laboratorio no pudieran entenderlos”, explica Preskill. “Pero ahora podemos obtener datos clásicos razonables para explicar lo que está pasando. Las máquinas clásicas no solo nos dan una respuesta como un oráculo, sino que nos guían hacia una comprensión más profunda”.

El coautor Victor V. Albert, físico del NIST (Instituto Nacional de Estándares y Tecnología) y ex becario posdoctoral del Premio DuBridge en Caltech, está de acuerdo. “La parte que más me emociona de este trabajo es que ahora estamos más cerca de una herramienta que lo ayuda a comprender la fase subyacente de un estado cuántico sin necesidad de saber mucho sobre ese estado de antemano”.

En última instancia, por supuesto, los científicos dicen que las futuras herramientas de aprendizaje automático basadas en cuánticas superarán a los métodos clásicos. En un estudio relacionado que apareció el 10 de junio de 2022, en CienciasHuang, Preskill y sus colaboradores informan que utilizan el procesador Sycamore de Google, una computadora cuántica rudimentaria, para demostrar que el aprendizaje automático cuántico es superior a los enfoques clásicos.

“Todavía estamos en el comienzo de este campo”, dice Huang. “Pero sabemos que el aprendizaje automático cuántico eventualmente será el más eficiente”.

Referencia: “Aprendizaje automático demostrablemente eficiente para problemas cuánticos de muchos cuerpos” por Hsin-Yuan Huang, Richard Kueng, Giacomo Torlai, Victor V. Albert y John Preskill, 23 de septiembre de 2022, Ciencias.
DOI: 10.1126/ciencia.abk3333

los Ciencias El estudio titulado “Aprendizaje automático demostrablemente eficiente para problemas cuánticos de muchos cuerpos” fue financiado por la Fundación J. Yang & Family, el Departamento de Energía y la Fundación Nacional de Ciencias (NSF).