Experimentally Extending Quantum Kernel Learning to Quantum Data by NMR

El aprendizaje automático se ha convertido en una herramienta poderosa para encontrar patrones en vastas cantidades de información, desde la predicción del clima hasta el reconocimiento de rostros. Sin embargo, cuando los datos provienen del mundo cuántico —el reino de los átomos y las partículas subatómicas donde las reglas de la física se comportan de manera muy diferente—, los programas informáticos estándar suelen tener dificultades. Están diseñados para manejar información clásica, como números e imágenes, pero no pueden procesar fácilmente las estructuras complejas e invisibles de los sistemas cuánticos sin antes traducirlos a una forma que pierde gran parte de su carácter único. Los científicos han teorizado durante mucho tiempo que, si pudiéramos enseñar a las máquinas a aprender directamente de los datos cuánticos, utilizando las propiedades naturales de los sistemas cuánticos para realizar el trabajo, podríamos desbloquear un nuevo nivel de eficiencia. Esta idea se sitúa en la intersección de dos campos que avanzan rápidamente: la ciencia de la información cuántica, que estudia cómo usar la mecánica cuántica para la computación, y el aprendizaje estadístico, que enseña a las computadoras a realizar predicciones. El desafío ha sido pasar de la teoría a la práctica, demostrando que una máquina puede realmente aprender de entradas cuánticas sin necesidad de una computadora cuántica masiva y libre de errores para hacerlo.

Un equipo de investigadores del Instituto Indio de Educación Científica e Investigación en Pune ha dado ahora un paso significativo hacia la realización de esto. Demostraron con éxito un método llamado aprendizaje de núcleo cuántico (quantum kernel learning) en un dispositivo cuántico físico, mostrando que no solo puede procesar datos estándar, sino también aprender directamente de los operadores cuánticos, que son las descripciones matemáticas de cómo cambian los sistemas cuánticos. Su trabajo, realizado utilizando un sistema de resonancia magnética nuclear de estado líquido —una técnica que utiliza las propiedades magnéticas de los núcleos atómicos en las moléculas para actuar como un procesador cuántico—, demuestra que estas máquinas pueden identificar patrones complejos en datos cuánticos que los métodos tradicionales pasan por alto. Al entrenar su sistema con un conjunto específico de operaciones cuánticas, demostraron que podía clasificar correctamente nuevas operaciones no vistas con alta precisión, incluso cuando esas nuevas operaciones eran completamente diferentes de las que había estudiado. Esto sugiere que el método captura la estructura profunda y subyacente del mundo cuántico, permitiéndole generalizar su conocimiento mucho más allá de su entrenamiento.

Para entender lo que el equipo logró, ayuda observar cómo abordaron el problema en dos etapas. Primero, probaron su sistema con datos clásicos, que es el tipo de información que usamos todos los días, como números que representan una curva o un conjunto de puntos en un gráfico. Utilizaron una molécula llamada trimetil fosfito, que contiene diez núcleos atómicos que actúan como qubits, las unidades básicas de información cuántica. En esta configuración, un núcleo central está conectado a otros nueve, formando una forma de estrella. Los investigadores codificaron números clásicos en el sistema cuántico aplicando pulsos magnéticos específicos que hacían rotar los espines de estos núcleos. Luego midieron cómo respondía el sistema a pares de estos números para crear un "núcleo" (kernel), que es esencialmente una medida de qué tan similares son dos puntos de datos en un espacio de alta dimensión. Los resultados fueron impresionantes: el sistema pudo predecir la forma de una onda senoidal y una curva polinómica compleja con más del 98% de precisión, y pudo separar dos tipos diferentes de puntos de datos en un espacio bidimensional con muy pocos errores. Esto confirmó que su hardware cuántico podía realizar de manera confiable tareas estándar de aprendizaje automático.

El verdadero avance, sin embargo, llegó cuando pasaron de los datos clásicos para abordar el problema mucho más difícil de aprender de los propios datos cuánticos. En esta segunda fase, la entrada de su máquina no fue un número, sino un operador cuántico: una descripción de una transformación que cambia el estado de un sistema cuántico. Específicamente, querían saber si el sistema podía distinguir entre dos tipos de transformaciones: aquellas que crean "entrelazamiento", una conexión cuántica única donde las partículas quedan vinculadas independientemente de la distancia, y aquellas que no lo hacen. Para ello, utilizaron una molécula diferente, el dibromofluorometano, que proporcionó un sistema de tres qubits dispuestos en una estructura de estrella de doble capa. Alimentaron a la máquina con varios operadores cuánticos, algunos de los cuales se sabía que creaban entrelazamiento y otros que no, y le pidieron al sistema que aprendiera la diferencia.

Los resultados de este experimento fueron sorprendentes y resaltaron una ventaja clave de aprender directamente de los datos cuánticos. Cuando los investigadores simularon un enfoque tradicional, donde intentaron describir los operadores cuánticos utilizando un conjunto de parámetros clásicos, el sistema falló en generalizar. Solo podía reconocer los patrones que había visto durante el entrenamiento y fallaba completamente cuando se le presentaban nuevos datos fuera de ese rango específico. En contraste, el método de aprendizaje de núcleo cuántico, que procesó los operadores directamente sin convertirlos en números clásicos, logró una precisión del 85% en los datos experimentales y del 94% en las simulaciones numéricas. Crucialmente, el modelo fue entrenado solo con operadores de la mitad de la posible gama de variaciones, y aun así logró identificar operadores de entrelazamiento en la otra mitad, una región que nunca había visto antes. Esta capacidad de generalización sugiere que el método del núcleo cuántico no solo está memorizando ejemplos, sino que realmente está aprendiendo la simetría fundamental y la estructura del espacio de los operadores cuánticos.

Este trabajo demuestra que las máquinas cuánticas pueden aprender de entradas cuánticas de una manera que las computadoras clásicas no pueden replicar fácilmente. Los investigadores demostraron que, al utilizar el lenguaje nativo de la mecánica cuántica, podían comparar operaciones cuánticas directamente, evitando la necesidad de técnicas de medición costosas y complejas que de otro modo serían necesarias para comprender los datos. Aunque el experimento se realizó a pequeña escala utilizando una plataforma de RMN especializada, los hallazgos proporcionan una hoja de ruta práctica sobre cómo las computadoras cuánticas podrían eventualmente usarse para analizar y aprender de otros sistemas cuánticos. Esto podría tener implicaciones profundas para la comprensión de materiales complejos, la simulación de la física de altas energías y el desarrollo de nuevas tecnologías cuánticas, ya que ofrece una forma de extraer patrones significativos del mundo cuántico sin perder la información misma que lo hace único. El estudio confirma que el aprendizaje de núcleo cuántico es un camino viable hacia adelante, ofreciendo una herramienta que puede ver el orden oculto en los datos cuánticos donde otros métodos fallan.