En el vasto paisaje de la física moderna, existe un desafío fundamental: comprender cómo se comporta un sistema complejo cuando solo podemos ver una fracción diminuta de este. Imagine una computadora cuántica, una máquina compuesta por muchas partículas diminutas llamadas qubits. Para saber cómo funciona esta máquina, los científicos suelen necesitar medir cada una de sus partes, pero en el mundo cuántico, observar todo a la vez es a menudo imposible o destruye la propia información que buscan. En su lugar, los investigadores suelen disponer solo de pistas parciales, como el comportamiento promedio de unas pocas partículas vecinas. La pregunta entonces es: ¿podemos reconstruir el estado completo y oculto del sistema a partir de estas pistas locales limitadas? Este es el corazón de un problema conocido como inferencia de máxima entropía. Se basa en un principio rector de mediados del siglo XX que sugiere que, cuando carecemos de información completa, la conjetura más honesta sobre el estado de un sistema es aquella que asume la menor cantidad de orden oculto o, en términos técnicos, el estado con la mayor incertidumbre posible. Este enfoque no es solo una curiosidad teórica; es la clave para aprender las reglas subyacentes, o Hamiltonianos, que gobiernan cómo operan las máquinas cuánticas, una tarea esencial para construir mejores computadoras cuánticas y comprender nuevos materiales.

Durante décadas, los científicos han desarrollado poderosas herramientas matemáticas para resolver este enigma en sistemas clásicos, como gases o imanes simples. Sin embargo, cuando estas herramientas se aplican al reino cuántico, chocan contra un muro. La dificultad surge porque las partículas cuánticas no se comportan como monedas o dados independientes; sus propiedades están profundamente entrelazadas de una manera que desafía la suma simple, una característica conocida como no conmutatividad. Esta sutil diferencia hace que los atajos matemáticos estándar utilizados para problemas clásicos fallen o se vuelvan increíblemente lentos cuando se aplican a sistemas cuánticos. Un equipo de investigadores ha intervenido ahora para cerrar esta brecha. Han tomado dos algoritmos bien conocidos, uno que escala iterativamente las conjeturas y otro que sigue el camino de máxima pendiente hacia abajo, y los han adaptado con éxito para el mundo cuántico. Más importante aún, han demostrado que estas nuevas versiones cuánticas funcionan de manera fiable y han desarrollado una forma de hacer que funcionen miles de veces más rápido.

Los investigadores comenzaron traduciendo la lógica del aprendizaje clásico al lenguaje de la mecánica cuántica. Se centraron en una tarea específica: dada una lista de mediciones locales realizadas en un sistema cuántico, querían encontrar el conjunto de parámetros que define el paisaje de energía del sistema. En el mundo clásico, esto es como determinar la temperatura y la presión de un gas observando unas pocas moléculas. En el mundo cuántico, es como intentar deducir las reglas de un juego complejo observando solo unos pocos movimientos, donde los propios movimientos cambian las reglas. El equipo introdujo un nuevo algoritmo llamado Escalamiento Iterativo Cuántico. Este método trabaja comparando constantemente lo que la conjetura actual predice que debería ser el sistema frente a lo que se midió realmente. Si la predicción es errónea, el algoritmo ajusta su conjetura. Aunque esto suena similar a los métodos clásicos, la matemática detrás de ello es mucho más intrincada porque los operadores cuánticos involucrados no conmutan, lo que significa que el orden en que se aplican importa. Los investigadores demostraron que, a pesar de esta complejidad, el algoritmo tiene garantizado converger a la respuesta correcta, siempre que el sistema cumera con ciertas condiciones estándar.

Para entender qué tan rápido funciona este nuevo método, el equipo realizó un análisis matemático riguroso. Examinaron el "límite de velocidad" del algoritmo estudiando cuánto se reduce el error con cada paso. En problemas clásicos, este análisis es sencillo, pero en el caso cuántico, la naturaleza no conmutativa de las partículas hace que la matemática sea significativamente más difícil. Los investigadores lograron establecer límites estrictos superiores e inferiores en la velocidad de convergencia. Demostraron que el algoritmo no deambula sin rumbo; se mueve de manera constante hacia la solución con una tasa predecible. Su análisis reveló que, para interacciones locales, el error disminuye geométricamente, lo que significa que el algoritmo se acerca a la verdad mediante un factor constante en cada iteración. Esta prueba es un logro técnico significativo porque confirma que la versión cuántica del problema es resoluble en un tiempo razonable, en lugar de ser una tarea imposible que tardaría una eternidad en computarse.

Sin embargo, saber que un algoritmo funciona es solo la mitad de la batalla; saber cómo hacerlo lo suficientemente rápido para que sea útil es la otra mitad. Los investigadores descubrieron que, si bien su algoritmo cuántico básico es matemáticamente sólido, puede ser lento en la práctica, requiriendo cientos o incluso miles de pasos para alcanzar un alto nivel de precisión. Para resolver esto, recurrieron a una clase de técnicas conocidas como métodos quasi-Newton. Estos son heurísticos inteligentes, o atajos astutos, que se han utilizado durante décadas en la computación clásica para acelerar la optimización. El equipo aplicó dos tipos específicos de estos aceleradores a sus algoritmos cuánticos. El primero, conocido como mezcla de Anderson, observa el historial de los últimos pasos y utiliza esa información para predecir un siguiente paso mucho mejor, saltándose efectivamente el progreso lento e incremental. El segundo, llamado L-BFGS, es un método que construye una aproximación de la forma del paisaje para tomar caminos más directos hacia la solución.

Los resultados de aplicar estos aceleradores fueron dramáticos. En simulaciones numéricas, el algoritmo cuántico estándar requería aproximadamente 1,500 pasos para reducir el error a un nivel muy pequeño. En marcado contraste, las versiones aceleradas alcanzaron el mismo nivel de precisión en menos de 20 pasos. Esto representa una mejora de dos órdenes de magnitud, una aceleración que transforma un método de ser teóricamente interesante a ser prácticamente viable. Los investigadores probaron estos métodos en varios tipos de sistemas cuánticos, incluyendo cadenas de partículas interactuantes y arreglos más complejos, y encontraron que las versiones aceleradas superaban consistentemente al enfoque estándar. También compararon su nuevo método de escalamiento iterativo cuántico contra un enfoque estándar de descenso de gradiente, que es otra forma común de resolver problemas de optimización. Encontraron que, incluso sin aceleración, su método de escalamiento iterativo cuántico era generalmente más eficiente, pero la adición de las técnicas quasi-Newton marcó la diferencia entre un cálculo lento y una solución rápida.

Las implicaciones de este trabajo se extienden más allá de las simples aceleraciones de cálculo. A medida que las computadoras cuánticas crecen en tamaño y complejidad, la capacidad de aprender sus reglas internas a partir de datos limitados se vuelve crítica. El hardware cuántico actual se encuentra todavía en sus etapas iniciales, propenso a errores y limitado en escala. En este entorno, los recursos computacionales son preciosos y escasos. Cada paso extra que toma un algoritmo consume tiempo y energía que podrían dedicarse mejor a otras tareas. Al demostrar que estos algoritmos convergen de manera fiable y al mostrar cómo acelerarlos, los investigadores han proporcionado un conjunto de herramientas para un aprendizaje cuántico más eficiente. Esto es particularmente importante para tareas como el aprendizaje de Hamiltonianos, donde los científicos intentan realizar la ingeniería inversa de las reglas de energía de un sistema cuántico para verificar su rendimiento o para descubrir nuevos fenómenos físicos. El estudio sugiere que, al utilizar estos métodos acelerados, podemos sacar el máximo provecho de nuestras máquinas cuánticas actuales e imperfectas, extrayendo la máxima información con el mínimo esfuerzo.

El artículo concluye enfatizando que, si bien la prueba teórica de convergencia es un gran paso adelante, la aceleración práctica es lo que probablemente impulsará la adopción en el campo. Los investigadores señalan que las técnicas que utilizaron, como la mezcla de Anderson y L-BFGS, fueron desarrolladas originalmente para computadoras clásicas que también eran inestables y propensas a errores en sus inicios. Así como esas heurísticas tempranas ayudaron a la computación clásica a superar sus limitaciones iniciales, estas mismas técnicas pueden ser esenciales para desbloquear el potencial de la computación cuántica hoy en día. El trabajo no pretende haber resuelto todos los problemas del aprendizaje cuántico, ni sugiere que los métodos funcionen para todo tipo posible de sistema cuántico sin restricciones. En cambio, ofrece un marco robusto y probado para una clase específica y altamente importante de problemas, demostrando que, con las herramientas matemáticas adecuadas, podemos navegar las complejidades no conmutativas del mundo cuántico con una velocidad y precisión sorprendentes.