QCPINN: Quantum-Classical Physics-Informed Neural Networks for Solving PDEs

El mundo de la física se construye sobre un conjunto de reglas matemáticas que describen cómo todo se mueve y cambia, desde el flujo del aire sobre un ala hasta la propagación del calor a través de una varilla de metal. Los científicos llaman a estas reglas ecuaciones diferenciales parciales. Durante décadas, resolverlas ha requerido una potencia de cálculo inmensa y métodos numéricos complejos, que a menudo fallan cuando los problemas se vuelven demasiado intrincados o los datos demasiado escasos. En años recientes, ha surgido un nuevo enfoque llamado redes neuronales informadas por la física. Estas son programas informáticos diseñados no solo para aprender de los datos, sino para aprender las propias leyes de la física, integrando las reglas de la naturaleza directamente en su estructura. Aunque son prometedores, estos programas a menudo necesitan ser enormes, con millones de ajustes ajustables, para lograr resultados precisos. Esto crea un cuello de botella: cuanto más complejo es el problema físico, más grande y costoso debe ser el modelo informático.

Investigadores de la Universidad Técnica de Estambul y del Consejo de Instalaciones de Ciencia y Tecnología del Reino Unido han explorado una forma de reducir estos modelos sin perder su precisión. Desarrollaron un sistema híbrido que mezcla el procesamiento informático estándar con principios de computación cuántica. En esta nueva configuración, conocida como Red Neuronal Informada por la Física Cuántico-Clásica, el trabajo pesado de aprender patrones complejos se comparte entre una computadora clásica y un circuito cuántico. El equipo probó esta idea pidiéndole al sistema que resolviera cinco tipos diferentes de ecuaciones físicas difíciles. Descubrieron que, mediante el uso de un tipo específico de circuito cuántico, podían lograr resultados tan buenos como los modelos clásicos masivos, pero con una fracción de los parámetros requeridos. En algunos casos, el nuevo sistema utilizó solo el diez al treinta por ciento de los parámetros necesarios para el enfoque tradicional.

El núcleo de este trabajo reside en cómo los investigadores combinaron dos tipos de computación muy diferentes. Una parte del sistema es una red neuronal estándar, que actúa como un preprocesador y postprocesador, manejando los datos brutos y la salida final. Intercalado entre estas capas clásicas se encuentra una capa cuántica. Esta capa cuántica no se ejecuta en una computadora cuántica física, que sería demasiado ruidosa e inestable para este tipo de trabajo en este momento. En su lugar, se ejecuta en un simulador, un programa que imita cómo se comportaría una computadora cuántica. Los investigadores probaron dos estilos principales de estas capas cuánticas. El primer estilo utiliza variables continuas, que tratan con cantidades suaves y fluidas como la posición y el momento de las ondas de luz. El segundo estilo utiliza variables discretas, que se basan en unidades distintas llamadas cúbits, similares a los bits de una computadora regular pero con la capacidad añadida de existir en múltiples estados a la vez.

Cuando el equipo ejecutó sus experimentos, los resultados para el estilo de variables continuas fueron decepcionantes. No importaba cuánto ajustaran los parámetros, estos modelos tenían dificultades para estabilizarse. Se volvieron inestables, y el proceso de entrenamiento no lograba encontrar una solución estable. Los investigadores sospechan que esto se debe a que las matemáticas involucradas en estos sistemas continuos son increíblemente sensibles; pequeños cambios en los números pueden causar oscilaciones enormes e impredecibles en los resultados, haciendo que sea casi imposible para la computadora aprender el camino correcto. Consecuentemente, el éxito del equipo se centró en los modelos de variables discretas. Probaron diferentes formas de conectar los cúbits, probando patrones que parecían anillos, capas y mallas complejas.

Los diseños más exitosos resultaron ser aquellos que conectaban los cúbits de maneras específicas y estructuradas. Un alto ejecutor utilizó una conexión tipo anillo donde cada cúbit hablaba con sus vecinos, mientras que otro utilizó una malla que permitía que cada cúbit interactuara con todos los demás. Estas configuraciones permitieron al sistema capturar las relaciones complejas dentro de las ecuaciones físicas de manera eficiente. Cuando los investigadores compararon estos modelos mejorados por la tecnología cuántica contra los mejores modelos tradicionales, la diferencia en eficiencia fue contundente. Para un problema que involucra la vibración de una cuerda, el modelo cuántico utilizó unos 796 ajustes ajustables, mientras que el modelo tradicional necesitó 2,751. Para un problema que involucra el flujo de un fluido en una caja, el modelo cuántico utilizó 923 ajustes frente a más de 8,000 para el tradicional. En ambos casos, los modelos cuánticos alcanzaron el mismo nivel de precisión, demostrando que un sistema mucho más pequeño podía hacer el mismo trabajo.

Los beneficios no fueron solo de tamaño. En varias pruebas, los modelos cuánticos fueron, de hecho, más precisos que los tradicionales. Para un problema que involucra la propagación de una sustancia a través de un fluido, el modelo tradicional tuvo una tasa de error de más del doce por ciento, mientras que el modelo cuántico la redujo a menos del cinco por ciento. Esto sugiere que la capa cuántica es particularmente buena para detectar cambios bruscos y repentinos en los datos, que suelen ser las partes más difíciles de acertar en un problema de física. Sin embargo, esta eficiencia conlleva una compensación en velocidad. Debido a que los investigadores ejecutaron estos circuitos cuánticos en un simulador en lugar de en hardware real, el proceso fue más lento. Los modelos cuánticos tardaron significante más tiempo en entrenarse, requiriendo a veces cuarenta veces más tiempo de cómputo por paso que los modelos clásicos. Esto es de esperar, ya que simular el comportamiento cuántico en una computadora estándar es computacionalmente costoso.

El estudio también reveló que la forma en que se introducen los datos en el sistema cuántico importa profundamente. Los investigadores probaron dos métodos: uno que mapeaba los datos a los ángulos de rotación de los cúbits, y otro que mapeaba los datos a la probabilidad de que los cúbits estuvieran en un cierto estado. El método basado en ángulos funcionó mucho mejor. Permitió que el sistema aprendiera de manera más suave y consistente, mientras que el método basado en la probabilidad tuvo dificultades para encontrar un camino claro. Este hallazgo ayuda a explicar por qué algunos enfoques de aprendizaje automático cuántico funcionan mejor que otros, señalando hacia decisiones de diseño específicas que hacen que el entrenamiento sea más estable.

Si bien los resultados son prometedores, los investigadores advierten cuidadosamente que este es todavía un estadio temprano. Los modelos fueron probados en un simulador, no en una computadora cuántica real. Las máquinas cuánticas reales son actualmente muy ruidosas y propensas a errores, lo que podría interrumpir el delicado proceso de aprendizaje. El equipo reconoce que pasar de una simulación perfecta a un dispositivo real traerá nuevos desafíos, como lidiar con el ruido que ocurre naturalmente en el hardware cuántico. No obstante, este trabajo proporciona una hoja de ruta clara para el futuro. Demuestra que es posible construir sistemas híbridos que sean mucho más eficientes que sus contrapartes puramente clásicas. Al utilizar un pequeño circuito cuántico para manejar las partes más complejas de un problema, los científicos pueden potencialmente resolver ecuaciones físicas difíciles con mucha menos potencia de cómputo. Esto abre la puerta a abordar problemas que actualmente son demasiado costosos o lentos de resolver, ofreciendo una nueva vía para el descubrimiento científico que combina lo mejor de los mundos clásico y cuántico.