Quantum Encoding of Structured Data with Matrix Product States

Las computadoras cuánticas prometen resolver problemas que son actualmente imposibles para las máquinas clásicas, pero enfrentan un obstáculo fundamental antes de que puedan siquiera comenzar: introducir la información correcta en ellas. Para realizar un cálculo, una computadora cuántica debe primero cargar datos clásicos —números, imágenes o funciones— en su estado cuántico. Este proceso, conocido como preparación de estados, es notoriamente difícil. Debido a que el espacio de posibilidades para un sistema cuántico crece exponencialmente con cada partícula añadida, cargar un conjunto de datos complejos y no estructurados suele requerir un circuito tan profundo y complejo que tardaría más que la edad del universo en ejecutarse en el hardware actual. Este cuello de botella amenaza con anular las ventajas de velocidad que ofrecen las computadoras cuánticas en campos como las finanzas, la medicina y el aprendizaje automático. El desafío, por lo tanto, no es solo construir máquinas más rápidas, sino encontrar una manera de comprimir vastas cantidades de datos en un formato cuántico que sea lo suficientemente simple como para cargarse de forma rápida y precisa.

Investigadores de la Universidad de Australia Occidental han desarrollado un nuevo método para sortear este cuello de botella explotando la estructura oculta que se encuentra en muchos conjuntos de datos del mundo real. En lugar de intentar forzar a una computadora cuántica a memorizar cada uno de los píxeles de una imagen o cada valor de una función compleja, utilizan una técnica matemática llamada estado de producto de matrices. Piense en esto como una forma de describir una cadena de datos larga y complicada dividiéndola en pequeños fragmentos conectados que solo necesitan recordar a sus vecinos inmediatos, en lugar de toda la cadena a la vez. Este enfoque funciona porque muchos fenómenos naturales, desde las curvas suaves de una función matemática hasta los patrones en un escaneo médico, no poseen conexiones aleatorias o caóticas; poseen una estructura local limitada que puede capturarse con muchos menos recursos de los que requeriría una descripción completa y no estructurada.

El equipo, liderado por Josh Green y Jingbo Wang, demostró que esta técnica de compresión les permite preparar estados cuánticos que representan funciones e imágenes complejas con una velocidad y precisión notables. Se centraron en un algoritmo específico conocido como el Desentrelazador de Producto de Matrices (Matrix Product Disentangler), que actúa como una herramienta de ingeniería inversa. Toma un conjunto de datos objetivo y determina la secuencia más simple de operaciones cuánticas necesarias para crearlo. Sin embargo, esta herramienta inicial no es perfecta por sí sola. Para refinar el resultado, los investigadores lo combinaron con un segundo paso llamado optimización de redes de tensores. Este proceso actúa como un mecanismo de ajuste fino, ajustando los parámetros del circuito cuántico para minimizar los errores y llevar la precisión a casi la perfección. El resultado es un método que puede cargar datos en una computadora cuántica utilizando un circuito lo suficientemente poco profundo como para ejecutarse en máquinas actuales e imperfectas, conocidas como dispositivos NISQ.

Los investigadores probaron su enfoque en una amplia gama de funciones matemáticas, incluyendo aquellas con rupturas bruscas, saltos repentinos y formas irregulares que típicamente confunden a los algoritmos cuánticos. Encontraron que, para funciones que no son completamente aleatorias —como polinomios de bajo grado, funciones de raíz y curvas logarítmicas—, su método podía preparar el estado cuántico con una precisión superior al 99.99 por ciento. Este nivel de precisión se logra utilizando circuitos que tienen solo unos pocos cientos de pasos de profundidad, una reducción masiva comparada con los millones de pasos que usualmente se requieren. El equipo demostió que incluso para funciones con discontinuidades, donde el valor cambia abruptamente, el método sigue siendo robusto, siempre que la estructura general de los datos no sea demasiado caótica.

Quizás la demostración más sorprendente de esta capacidad involucró una imagen médica del mundo real. Los investigadores tomaron una imagen de 128 por 128 píxeles del conjunto de datos ChestMNIST, que contiene radiografías de tórax utilizadas para diagnosticar afecciones pulmonares. Lograron codificar esta imagen en un estado cuántico utilizando solo 14 cúbits. El circuito cuántico resultante, que consistía en solo 425 operaciones básicas, produjo una reconstrucción de la imagen con una fidelidad de más del 99.2 por ciento. Esto significa que el estado cuántico contenía una copia casi perfecta del escaneo médico original. El éxito de este experimento es significativo porque demuestra que el método puede manejar datos bidimensionales estructurados como las imágenes, no solo curvas matemáticas unidimensionales simples.

Sin embargo, el estudio también define claramente los límites de este enfoque. El método depende de que los datos tengan un tipo específico de orden, donde las conexiones entre diferentes partes de los datos decaen rápidamente. Cuando los investigadores probaron el método con datos completamente aleatorios o ruido altamente complejo y no estructurado, la precisión disminuyó significamente. El algoritmo no puede comprimir mágicamente la información que no tiene un patrón subyacente; si los datos son verdaderamente caóticos, el circuito cuántico requerido para representarlos se vuelve tan profundo y difícil de construir como el problema original. Esta distinción es crucial: la técnica es una herramienta poderosa para datos estructurados, pero no es una solución universal para todo tipo de información.

Los investigadores también compararon su método optimizado contra otras técnicas conocidas para cargar datos. Encontraron que, si bien otros métodos podrían teóricamente alcanzar la misma precisión, a menudo requerían circuitos mucho más profundos o necesitaban cúbits "ancilla" adicionales para actuar como almacenamiento temporal, algo que el hardware actual no puede soportar. En contraste, el nuevo método logra una alta precisión sin ningún cúbit adicional y utiliza una profundidad de circuito que escala linealmente con el tamaño de los datos, lo que lo hace mucho más práctico para el futuro cercano. El equipo señaló que, para la imagen de ChestMNIST, su enfoque optimizado alcanzó el mismo nivel de precisión que un método teórico "exacto", pero con un circuito aproximadamente cuatro veces más superficial.

En el contexto del campo más amplio, este trabajo sugiere un camino claro hacia adelante para las aplicaciones de la computación cuántica. Indica que para tareas que involucran datos estructurados —como establecer condiciones de contorno para resolver ecuaciones de física, preparar distribaciones de probabilidad para simulaciones financieras o codificar imágenes para el aprendizaje automático— las computadoras cuánticas pueden ser útiles mucho antes de lo que se pensaba anteriormente. La capacidad de cargar datos con alta fidelidad utilizando circuitos poco profundos elimina una barrera importante que ha impedido que muchos algoritmos cuánticos sean probados en hardware real. Si bien el método no resuelve el problema de cargar datos completamente no estructurados, proporciona una forma altamente eficiente y con uso óptimo de recursos para manejar la gran mayoría de los conjuntos de datos estructurados que los científicos e ingenieros utilizan realmente.

El estudio concluye que la combinación del algoritmo de desentrelazamiento y la optimización subsiguiente crea una herramienta versátil para la era actual de la tecnología cuántica. Permite a los investigadores superar las limitaciones teóricas de la preparación de estados y comenzar experimentos prácticos con datos del mundo real. Al demostrar que una imagen de 128 por 128 puede codificarse con tal alta fidelidad en un pequeño número de cúbits, el trabajo ofrece un ejemplo concreto de cómo las computadoras cuánticas podrían pronto utilizarse para procesar datos médicos o modelos financieros. Los hallazgos no pretenden haber resuelto todos los problemas de la preparación de estados cuánticos, pero sí establecen un método confiable, eficiente y preciso para la clase específica de problemas estructurados que son más relevantes para las aplicaciones a corto plazo.