Las redes neuronales permiten el aprendizaje de estrategias de corrección de errores para computadoras basadas en la física cuántica. Las computadoras en cantidad 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 una 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 han presentado un sistema de corrección de errores cuánticos que es capaz de aprender gracias a la inteligencia artificial. En 2016, el programa de computadora AlphaGo ganó cuatro de 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 átomos en el universo, esto requería algo más que un mero poder de procesamiento. Más bien, AlphaGo usó redes neuronales artificiales, que pueden reconocer patrones visuales e incluso son capaces de aprender. A diferencia de un humano, el programa fue capaz de practicar cientos de miles de juegos en poco tiempo, superando al mejor jugador humano. Ahora, los investigadores basados en 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 se relacionan entre sí. «Tomamos las últimas ideas de la informática y las aplicamos a los sistemas físicos», explica Florian Marquardt. «Al hacerlo, nos beneficiamos de un rápido progreso en el área de la inteligencia artificial».
La primera área de aplicación son las computadoras cuánticas, como lo muestra el reciente artículo, que incluye una contribución significativa de Thomas Fösel, un estudiante de doctorado en el Instituto Max Planck en Erlangen. En el documento, 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 la operación de futuras computadoras cuánticas: corrección de errores cuánticos. Incluso existe la posibilidad de que, con suficiente capacitación, este enfoque supere a otras estrategias de corrección de errores. Para comprender lo que implica, debe observar la forma en que funcionan las computadoras cuánticas. La base para 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, sino también las superposiciones de ambos estados. En el procesador de una computadora cuántica, incluso hay varios qubits superpuestos como parte de un estado conjunto. Este enredo 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 a fallar. El inconveniente es que la información cuántica es altamente sensible al ruido de su entorno. Esta y otras peculiaridades del mundo cuántico significan que la información cuántica necesita reparaciones periódicas, 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 cuántica es como un juego de Go con reglas extrañas.
«Se pueden imaginar los elementos de una computadora cuántica como si fueran un tablero Go», dice Marquardt, yendo a la idea central detrás de su proyecto. Los qubits se distribuyen a través del tablero como piezas. Sin embargo, hay ciertas diferencias clave con respecto a un juego convencional de Go: todas las piezas ya están distribuidas alrededor del tablero, y cada una de ellas es blanca en un lado y negra en el otro. Un color corresponde al estado cero, el otro a uno y un movimiento en un juego de Quantum Go implica dar vuelta las piezas. De acuerdo con las reglas del mundo cuántico, las piezas también pueden adoptar colores grises mezclados, que representan la superposición y el entrelazamiento de los estados cuánticos.
Cuando se trata de jugar el juego, un jugador, la llamaremos Alicia, 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 gran cantidad de interferencias que los qubits reales experimentan en su entorno. Además, un juego de Quantum Go se hace especialmente difícil por una regla cuántica peculiar: Alice no puede mirar el tablero durante el juego. Cualquier vislumbre que le revele el estado de las piezas de qubit destruye el estado cuántico sensible que el juego está ocupando actualmente. 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 mediciones ocasionales para monitorear el estado de estos qubits auxiliares, lo que permite al controlador de la computadora cuántica identificar dónde se encuentran los fallos y realizar operaciones de corrección en los qubits que transportan información en esas áreas. En nuestro juego de Quantum Go, los qubits auxiliares serían representados por piezas adicionales distribuidas entre las piezas reales del juego. A Alice se le permite mirar ocasionalmente, pero solo a estas piezas auxiliares.
En el trabajo de los investigadores de Erlangen, el papel de Alice es realizado por redes neuronales artificiales. La idea es que, a través del entrenamiento, las redes se volverán tan buenas en este papel que incluso podrán superar las estrategias de corrección creadas por mentes humanas inteligentes. Sin embargo, cuando el equipo estudió un ejemplo con cinco qubits simulados, un número que aún es manejable para computadoras convencionales, pudieron demostrar que una sola red neuronal artificial 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 llega más allá de la etapa de prueba y error aleatorios. En última instancia, estos intentos destruyen el estado cuántico en lugar de restaurarlo.
La solución viene en forma de una red neuronal adicional que actúa como un maestro para la primera red. Con su conocimiento previo de la computadora cuántica que se va a controlar, esta red de docentes puede capacitar a la otra red, su estudiante, y así guiar sus intentos de corrección cuántica exitosa. Sin embargo, primero, la red de maestros 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 …
Están entrenados usando un sistema de recompensa, al igual que sus modelos naturales. La recompensa real se proporciona para restaurar exitosamente el estado cuántico original mediante la corrección de errores cuánticos. «Sin embargo, si solo el logro de este objetivo a largo plazo diera una recompensa, se produciría una etapa demasiado tardía en los numerosos intentos de corrección», explica Marquardt. Los investigadores con sede en Erlangen han desarrollado un sistema de recompensa que, incluso en la etapa de capacitación, incentiva a la red neuronal docente a adoptar una estrategia prometedora. En el juego de Quantum Go, este sistema de recompensa le 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 fue que la red de maestros aprendiera a realizar operaciones exitosas de corrección de errores cuánticos sin más ayuda humana», dice Marquardt. A diferencia de la red de alumnos de la escuela, la red de maestros puede hacer esto no solo en función de los resultados de las mediciones, sino también del estado cuántico general de la computadora. La red de estudiantes capacitados por la red de maestros 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.
Fuente: Max-Planck-Gesellschaft.
Comments are closed.