Idean una máquina cuántica capaz de aprender

Se espera que los ordenadores cuánticos lleven a cabo tareas de interés práctico con una eficiencia imposible para un ordenador convencional. Un ejemplo es la factorización de grandes números, de gran importancia para la seguridad de las transacciones electrónicas. Además, su uso científico como simuladores de sistemas cuánticos acelerará probablemente el desarrollo de futuros dispositivos electrónicos. Hay otras tareas de carácter más fundamental, indispensables para el procesamiento de información, que realizan los ordenadores de hoy en día, como por ejemplo la capacidad de aprender. Un ordenador convencional es capaz de aprender. ¿Puede aprender un ordenador cuántico?

Los investigadores del Grupo de Información y Fenómenos Cuánticos del Departamento de Física de la UAB, Emili Bagán, Gael Sentís, John Calsamiglia y Ramón Muñoz Tapia, han ideado una máquina que puede ser entrenada para la tarea de clasificar estados cuánticos. La información que la máquina adquiere en esta fase preparatoria es “clásica”. Posteriormente, utiliza esta información para identificar el estado de un sistema desconocido y poderlo clasificar. En este sentido, la máquina es capaz de aprender de la experiencia para realizar eficientemente la identificación. El hecho de que la información obtenida durante el entrenamiento sea clásica simplifica enormemente la implementación de estas máquinas, puesto que esta información se podrá almacenar en una memoria digital como las que utilizamos en los ordenadores o en los teléfonos móviles. Se trata de un importante paso en la comprensión de la información cuántica, dado que hasta ahora se pensaba que el almacenamiento de esta información requeriría sistemas de memoria cuánticos prácticamente irrealizables.

Identificar correctamente el estado de un sistema desconocido es una tarea de carácter fundamental en cualquier aplicación o proceso que involucre codificación o almacenamiento de información en dicho sistema. En el mundo clásico, donde los sistemas se comportan según las leyes de la física clásica, este problema es trivial: simplemente hemos de mirar (medir) el sistema. Imaginemos, por ejemplo, la simple tarea de reconocer uno de dos rostros posibles basados en una pila de retratos de entrenamiento. En principio, podremos extraer toda la información sobre los rasgos faciales que contienen los retratos, y luego utilizarla para realizar la identificación perfectamente. Donde clásicamente no existen limitaciones físicas (sólo técnicas), la mecánica cuántica impone restricciones que hacen imposible la realización de esta tarea en el mundo cuántico de forma perfecta.

Por un lado, la mecánica cuántica es una descripción probabilística de la realidad: toda información que podamos extraer, mediante una medida, de un sistema cuántico, estará sujeta a una distribución de probabilidad; si queremos extraer toda la información posible que puede proporcionar la medida, esto es, la distribución de probabilidad de sus resultados, hemos de repetirla infinitas veces. Por otra parte, siempre que medimos un sistema cuántico estamos modificando su estado. La combinación de estas dos propiedades, que se resumen en el teorema de no clonación, hacen que sea imposible extraer toda la información contenida en un estado cuántico.

Existen multitud de métodos para recabar información sobre un estado cuántico desconocido, y, en particular, para clasificarlo (identificarlo). Una línea de investigación que ha captado mucha atención en los últimos años es el aprendizaje automático (machine learning), esto es, el diseño de técnicas que permiten a una máquina aprender. En el contexto de la identificación de estados cuánticos, una máquina de aprendizaje cuántico es capaz de identificar el estado de un sistema en base a la experiencia proporcionada por el entrenamiento con sistemas en diferentes estados. Estos métodos requieren, en principio, el uso de memorias cuánticas para almacenar la información (cuántica) adquirida durante la fase de entrenamiento hasta que se utiliza en la fase de identificación: de esta forma, se evita la pérdida de información debida a su transformación en información clásica, a través del proceso de medida. Sin embargo, a pesar de los grandes avances técnicos en el control de sistemas cuánticos individuales, que han merecido este año el premio Nobel de Física –concedido a S. Haroche y D. Wineland–, la implementación experimental de memorias cuánticas está en fase embrionaria y, hoy por hoy, tiene un coste muy elevado.

En el trabajo realizado por los investigadores de la UAB, publicado en Scientific Reports, se demuestra que una máquina es capaz de realizar la versión cuántica del problema de identificación de rostros, con máxima eficiencia, sin necesidad de utilizar una memoria cuántica. Provista de un conjunto de sistemas cuánticos en dos posibles estados, extrae, mediante una medida, información clásica acerca de éstos, y posteriormente la utiliza para clasificar el estado desconocido. Esto simplifica enormemente la implementación de una máquina de este tipo, puesto que la experiencia adquirida por la máquina se podrá almacenar en una memoria digital común y corriente.

El aprendizaje cuántico saca a relucir, como tantos otros ejemplos, características intrínsecas de la mecánica cuántica que difieren radicalmente de las que proporciona una descripción clásica del mundo y que son, en muchos casos, anti intuitivas. En el ejemplo clásico de la identificación de rostros, uno podría resolver el problema a la inversa: primero memorizamos los rasgos faciales de la persona desconocida, y luego, comparando con la pila de retratos clasificados, la identificamos; esta tarea se puede ejecutar tan eficazmente como la original. En el mundo cuántico esto no es así: en tal inversión del problema, aparentemente inocua, se cometen muchos más errores. Éste es un ejemplo que revela profundas diferencias en el concepto clásico de la memoria y su homónimo cuántico.