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 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 ahora 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 requirió más desimplemente puro poder de procesamiento. Por el contrario, 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, eventualmente superando al mejor humanoAhora, 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 neuronas interconectadas; en el caso de la investigación en Erlangen, alrededor de dos mil neuronas artificiales están conectadas entre sí ". Tomamos las últimas ideas de la informáticay aplicarlos 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 lo muestra el artículo reciente, 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 conuna arquitectura inspirada en AlphaGo es capaz de aprender, por sí misma, cómo realizar una tarea que será esencial para el funcionamiento de las futuras computadoras cuánticas: corrección de errores cuánticos. Incluso existe la posibilidad de que, con suficiente capacitación, este enfoquesuperar otras estrategias de corrección de errores.
Para comprender lo que implica, debe 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 múltiples 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 condenadasfallar. La desventaja es que la información cuántica es muy sensible al ruido de su entorno. Esta 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 sonno solo complejo sino que también debe dejar la información cuántica intacta.
La corrección cuántica de errores es como un juego de Go con reglas extrañas
"Puede imaginar que los elementos de una computadora cuántica son como una placa Go", dice Marquardt, llegando a la idea central detrás de su proyecto. Los qubits se distribuyen en la placa como piezas. Sin embargo, hay ciertas diferencias clavede un juego convencional de Go: todas las piezas ya están distribuidas alrededor del tablero, y cada una de ellas es blanca por un lado y negra por el otro. Un color corresponde al estado cero, el otro a uno, y un movimiento en unEl juego de Quantum Go implica dar vuelta las piezas. De acuerdo con las reglas del mundo cuántico, las piezas también pueden adoptar colores mixtos grises, que representan la superposición y el enredo de los estados cuánticos.
Cuando se trata de jugar el juego, un jugador, la llamaremos Alice, realiza movimientos destinados a preservar un patrón que representa un cierto estado cuántico. Estas son las operaciones de corrección de errores cuánticos. Mientras tanto, ellael oponente hace todo lo posible para destruir el patrón. Esto representa el ruido constante de la gran cantidad de interferencias que experimentan los qubits reales de su entorno. Además, un juego de Quantum Go se hace especialmente difícil por una regla cuántica peculiar: Alice no está permitidamirar el tablero durante el juego. Cualquier atisbo que revele el estado de las piezas qubit destruye el estado cuántico sensible que el juego ocupa 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 medidas ocasionales para monitorear el estado de estos qubits auxiliares, permitiendo que el controlador de la computadora cuántica identifique dónde se encuentran las fallas yrealizar operaciones de corrección en los qubits portadores de información en esas áreas. En nuestro juego de Quantum Go, los qubits auxiliares estarían representados por piezas adicionales distribuidas entre las piezas del juego real. 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 se realiza mediante redes neuronales artificiales. La idea es que, a través del entrenamiento, las redes se volverán tan buenas en este papel que incluso pueden superar las estrategias de corrección desarrolladas por las mentes humanas inteligentes. Sin embargo,Cuando el equipo estudió un ejemplo que involucra cinco qubits simulados, un número que todavía es manejable para computadoras convencionales, pudieron demostrar que una red neuronal artificial por sí sola no es suficiente, ya que la red solo puede recopilar pequeñas cantidades de información sobre el estado delos bits cuánticos, o más bien el juego de Quantum Go, nunca supera la etapa de prueba y error aleatorio. En última instancia, 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 maestra de la primera red. Con su conocimiento previo de la computadora cuántica que se va a controlar, esta red de maestros puede capacitar a la otra red: suestudiante, y por lo tanto para guiar sus intentos hacia una corrección cuántica exitosa. Primero, sin embargo, la red de maestros en sí misma 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 utilizando un sistema de recompensa, al igual que sus modelos naturales. La recompensa real se proporciona para restaurar con éxito el estado cuántico original mediante la corrección de errores cuánticos ". Sin embargo, si solo se logra el logro a largo plazoel objetivo dio una recompensa, llegaría demasiado tarde en los numerosos intentos de corrección ", explica Marquardt. Por lo tanto, los investigadores con sede en Erlangen han desarrollado un sistema de recompensa que, incluso en la etapa de capacitación, incentiva a la red neuronal de maestros a adoptarestrategia prometedora. En el juego de Quantum Go, este sistema de recompensa 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 maestro a través de sus propias acciones
"Nuestro primer objetivo era que la red de docentes aprendiera a realizar operaciones exitosas de corrección de errores cuánticos sin más ayuda humana", dice Marquardt. A diferencia de la red de estudiantes de la escuela, la red de docentes puede hacerlo basándose no solo en los resultados de las mediciones sino también enel estado cuántico general de la computadora. La red de estudiantes entrenada por la red de maestros será igual de 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 de la historia :
Materiales proporcionado por Max-Planck-Gesellschaft . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :