🔬 condensed matter

Learning to erase quantum states: thermodynamic implications of quantum learning theory

Este artículo establece una conexión concreta entre la teoría del aprendizaje cuántico y la termodinámica al demostrar que los algoritmos de aprendizaje eficientes pueden adquirir el conocimiento necesario para borrar estados cuánticos desconocidos al costo energético óptimo, vinculando así la eficiencia termodinámica con la complejidad del estado mientras revela límites computacionales fundamentales bajo supuestos criptográficos.

Autores originales: Haimeng Zhao, Yuzhen Zhang, John Preskill

Publicado 2026-08-25

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Haimeng Zhao, Yuzhen Zhang, John Preskill

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el mundo físico, la información no es solo un concepto abstracto; es algo tangible con peso y costo. Durante décadas, los físicos han entendido que borrar información es un acto que genera calor. Esta idea, conocida como el principio de Landauer, establece que si tienes un sistema y quieres restablecerlo a un estado estándar y en blanco, debes pagar un precio energético. La cantidad de energía requerida depende enteramente de cuánto sepas sobre el sistema. Si eres completamente ignorante de la condición actual del sistema, el costo es alto. Pero si posees un registro detallado de su estado, puedes restablecerlo con casi nada de energía, esencialmente revirtiendo el proceso que lo creó. Este principio ha sido durante mucho tiempo una piedra angular de la termodinámica, vinculando el mundo abstracto de los datos con la realidad concreta del calor y el trabajo. Sin embargo, una pregunta persistente permanecía: ¿el acto de aprender en sí mismo —el proceso de reunir ese conocimiento crucial— conlleva su propio costo energético oculto? Si el costo de aprender es demasiado alto, los ahorros de conocer el estado podrían perderse antes de que comience siquiera el borrado.

Un equipo de investigadores ha respondido ahora a esta pregunta con un "no" definitivo, revelando que aprender puede ser un proceso perfectamente reversible sin un costo energético fundamental propio. Al combinar los campos de la teoría del aprendizaje cuántico y la termodinámica, han demostrado un método mediante el cual un agente puede aprender la identidad de un estado cuántico desconocido y luego usar ese conocimiento para borrar innumerables copias de ese estado al límite de energía absoluta permitido por la física. Su trabajo demuestra que, si puedes aprender un estado eficientemente, puedes borrarlo eficientemente. Sin embargo, también descubrieron una limitación profunda: para ciertos estados cuánticos complejos, el aprendizaje es tan difícil que no existe un método eficiente para borrarlos de forma barata, a pesar de que las leyes de la física digan que debería ser posible. Esto crea una extraña brecha donde el costo energético de borrar un estado depende no solo del estado en sí, sino de la potencia computacional del agente que intenta borrarlo.

Los investigadores comenzaron imaginando un escenario en el que una fuente produce repetidamente copias de un estado cuántico desconocido. Al principio, el agente no tiene idea de qué es este estado, por lo que borrar cada copia requiere una cantidad significativa de trabajo. A medida que el agente recolectar más copias, puede estudiarlas para averiguar exactamente qué es el estado. Una vez identificado el estado, el agente puede simplemente revertir los pasos que lo crearon, convirtiendo las copias de nuevo en un estado estándar y en blanco sin gastar energía adicional. El desafío era demostrar que el proceso de estudiar las copias para aprender el estado no consumía por sí mismo suficiente energía como para arruinar los ahorros. Para resolver esto, el equipo desarrolló una forma de hacer que el proceso de aprendizaje fuera totalmente reversible. En lugar de realizar mediciones irreversibles que destruyen la información y generan calor, describieron un método donde el algoritmo de aprendizaje utiliza operaciones cuánticas que pueden ejecutarse hacia atrás. Esto permite al agente almacenar el conocimiento del estado en un registro de memoria y luego "desaprender" el proceso, eliminando cualquier dato basura temporal sin pagar una penalización de energía. El único costo energético incurrido es al final, cuando el agente finalmente borra su propia memoria del estado, un costo que es fijo e independiente de cuántas copias del estado se estén borrando.

Este enfoque permite al agente borrar una vasta cantidad de copias por un único y pequeño precio energético, saturando efectivamente el límite teórico establecido por el principio de Landauer. Los investigadores demostraron que esto funciona maravillosamente para muchos tipos de estados cuánticos que son relevantes para la física y la computación actuales, como aquellos generados por circuitos poco profundos, estados con patrones específicos de entrelazamiento o estados definidos por funciones matemáticas simples. Para estos estados, el costo energético de la erradicación es bajo y puede lograrse rápidamente. Sin embargo, la historia cambia drásticamente cuando los investigadores observaron estados más complejos, específicamente aquellos conocidos como estados pseudialeatorios. Estos son estados que se ven tan parecidos al ruido verdaderamente aleatorio que ningún programa informático eficiente puede distinguirlos de la aleatoriedad genuina.

El equipo demostró que para estos estados pseudialeatorios, surge una paradoja. De acuerdo con las leyes de la termodinámica, si conocieras el estado, podrías borrarlo de forma barata. Pero debido a que el estado está diseñado para ser computacionalmente difícil de aprender, ningún algoritmo eficiente puede averiguar qué es. En consecuencia, cualquier agente limitado a la computación eficiente se ve obligado a pagar una enorme cantidad de energía para borrar estos estados, casi el costo máximo posible, a pesar de que el estado en sí no es inherentemente complejo en un sentido físico. Este resultado es un poderoso teorema de "no-go", que muestra que para ciertos sistemas cuánticos, la capacidad de borrar información de forma barata está bloqueada no por las leyes de la física, sino por los límites de la computación. Sugiere que en el mundo cuántico, la dificultad de aprender un estado puede impedir físicamente que un agente acceda a los ahorros de energía que el estado teóricamente ofrece.

Las implicaciones de este trabajo se extienden más allá de borrar estados. Los mismos principios se aplican a la extracción de trabajo de sistemas cuánticos. Así como el aprendizaje permite el borrado barato, también permite la extracción eficiente del máximo de energía de un sistema. Si un estado es fácil de aprender, un agente puede extraer la cantidad óptima de trabajo. Si el estado es difícil de aprender, el agente está atrapado extrayendo solo una fracción mínima de la energía disponible. Esto establece un vínculo concreto entre la complejidad de un estado cuántico y los recursos físicos requeridos para manipularlo. Los investigadores sugieren que esta conexión podría conducir a nuevas formas de pensar sobre el almacenamiento y la seguridad de la energía, como el concepto de una "batería encriptada" donde la energía total solo es accesible para aquellos que poseen la clave secreta para aprender la estructura del estado.

En última instancia, este artículo redefine nuestra comprensión de la relación entre la información y la energía. Confirma que el acto de aprender es físicamente gratuito, siempre que se haga con las herramientas reversibles adecuadas. También destaca un nuevo tipo de barrera en la termodinámica: una barrera creada por la dificultad computacional. En el ámbito de los sistemas cuánticos de muchos cuerpos, la complejidad de un estado puede actuar como un escudo, obligando incluso a los agentes más avanzados a pagar un pesado precio energético para restablecer sus sistemas. Este trabajo no solo resuelve un rompecabezas teórico; proporciona un plano para construir tecnologías cuánticas futuras que sean eficientes energéticamente, mientras también advierte que, para los sistemas cuánticos más complejos, el costo de la ignorancia puede medirse en el mismísimo combustible que esperamos ahorrar.

Resumen Técnico: Aprender a Borrar Estados Cuánticos

Planteamiento del Problema
El artículo aborda el costo termodinámico de borrar estados cuánticos, investigando específicamente cómo la capacidad de un agente para aprender sobre un estado desconocido influye en la energía requerida para su borrado. Mientras que el principio de Landauer establece que el costo de trabajo para borrar un sistema depende de la entropía (ignorancia) del estado, las formulaciones estándar suelen omitir el costo energético de adquirir el conocimiento necesario para reducir esa entropía. Los autores se preguntan si los procesos de aprendizaje en sí mismos incurren en un costo energético fundamental y si la capacidad de aprender eficientemente impacta en los recursos físicos necesarios para realizar tareas termodinámicas como el borrado o la extracción de trabajo.

El escenario específico involucra una fuente que produce $N$ copias de un estado de $n$ qubits desconocido $|\psi_x\rangle$ , extraído de una clase conocida de $m$ estados posibles $\mathcal{C}$ . El agente no sabe inicialmente qué estado específico $x$ se está produciendo (configuración agnóstica al estado) y debe diseñar un protocolo para borrar estas copias.

Metodología
Los autores emplean herramientas de la teoría del aprendizaje cuántico para construir un protocolo de "aprendizaje para el borrado". La metodología central implica tres pasos principales:

Aprendizaje Reversible: Los autores demuestran que cualquier algoritmo de aprendizaje puede ser "elevado" a un algoritmo cuántico totalmente reversible. Al reemplazar puertas irreversibles por contrapartes reversibles y convertir mediciones proyectivas en operaciones unitarias coherentes (usando qubits ancilla para registrar los resultados), construyen un algoritmo de aprendizaje unitario $\mathcal{L}$ . Este algoritmo toma $s$ copias del estado desconocido como entrada y genera una descripción clásica (o índice) $x$ en un registro de memoria $M$ con alta probabilidad, sin incurrir en un costo de energía durante la fase de aprendizaje en sí misma.
Construcción del Protocolo de Borrado: Utilizando el algoritmo de aprendizaje reversible $\mathcal{L}$ $L$ , construyen un protocolo de borrado $\mathcal{E}(\mathcal{L})$ $E (L)$ .
- El agente utiliza $s$ copias para ejecutar $\mathcal{L}$ y almacenar el índice aprendido $x$ en la memoria $M$ .
- El índice se copia a una memoria auxiliar $M'$ .
- El proceso de aprendizaje se "descomputa" (se invierte) en las $s$ copias y el ancilla para restaurarlos a su estado inicial, eliminando cualquier entropía generada durante el aprendizaje.
- Las $N$ copias restantes (y las $s$ copias de aprendizaje) se borran aplicando la inversa de la unitaria de preparación del estado $U_x^\dagger$ , condicionada al índice almacenado en $M'$ .
- Finalmente, la memoria $M'$ se borra mediante el borrado de Landauer clásico estándar.
Análisis de Complejidad: Los autores analizan la eficiencia computacional (complejidad de tiempo) y el costo termodinámico (trabajo) de estos protocolos. Relacionan el costo de trabajo con los límites de información teórica (límite de Landauer) y los comparan con supuestos de dureza computacional (por ejemplo, la existencia de funciones de un solo sentido).

Contribuciones Clave y Resultados

Reversibilidad del Aprendizaje: El artículo demuestra que el aprendizaje, como proceso físico, no tiene un costo energético fundamental si se implementa de manera coherente. El único costo de energía surge cuando el agente debe borrar su propia memoria para reiniciarse para la siguiente tarea. Esto permite al agente adquirir conocimiento de unas pocas copias y aplicarlo para borrar muchas copias adicionales al costo de energía óptimo, saturando el límite de Landauer.
Optimidad y Relaciones de Complejidad: Se muestra que el costo de trabajo para borrar una clase de estados es proporcional al logaritmo del número de estados posibles ( $\log_2 m$ $lo g_{2} m$ ), lo cual corresponde a la complejidad de la clase de estados. Los autores relacionan explícitamente este costo con cuatro medidas de complejidad:
- Profundidad de Circuito ( $d$ ): Para estados de circuitos poco profundos, $W \sim \Theta(nd)$ .
- Magia ( $t$ ): Para estados estabilizadores dopados con $t$ , $W \sim \Theta(n^2(t+1))$ .
- Entrelazamiento ( $\mathcal{S}$ ): Para Estados de Producto de Matrices (MPS), $W \sim \exp(\tilde{\Theta}(\mathcal{S}))$ .
- Grado ( $k$ ): Para estados de fase de bajo grado, $W \sim \Theta(n^k)$ .
  En todos estos casos físicamente relevantes, si el algoritmo de aprendizaje y la preparación del estado son computacionalmente eficientes, el protocolo de borrado también es eficiente y alcanza el costo de trabajo óptimo.
Dureza Computacional y Teoremas de No-Go: El artículo establece un resultado de "no-go" para estados generales. Bajo supuestos criptográficos estándar (específicamente, la existencia de funciones de un solo sentido seguras contra adversarios cuánticos subexponenciales), existen clases de estados pseudialeatorios que son de información teórica fáciles de borrar (bajo costo de trabajo independiente de $N$ $N$ ) pero computacionalmente difíciles de aprender.
- Para estos estados, cualquier protocolo de borrado de tiempo polinomial debe pagar un costo de trabajo casi lineal en $N$ (acercándose al costo de borrar estados aleatorios de Haar), en lugar del mínimo de información teórica que es independiente de $N$ .
- Esto crea una brecha masiva entre las capacidades de los agentes computacionalmente limitados y los límites de la información teórica, representando un fenómeno genuino de muchos cuerpos cuánticos.
Extracción de Trabajo: Los autores extienden estos hallazgos a la extracción de trabajo. El aprendizaje eficiente permite la extracción eficiente de la cantidad óptima de trabajo. Por el contrario, para estados difíciles de aprender, los agentes computacionalmente limitados solo pueden extraer una fracción insignificante del trabajo disponible en tiempo polinomial.

Significancia
El artículo afirma establecer una conexión concreta entre la teoría del aprendizaje cuántico y la termodinámica. Su principal significancia radica en demostrar que los recursos físicos requeridos para tareas termodinámicas no están determinados únicamente por la entropía del estado, sino que también están fundamentalmente limitados por la complejidad computacional de aprender dicho estado.

Significancia Física del Aprendizaje: Destaca que los procesos de aprendizaje pueden ser físicamente reversibles y libres de energía, desafiando la noción de que adquirir información inherentemente cuesta energía.
Eficiencia vs. Optimidad: Provee protocolos demostrablemente eficientes para borrar estados estructurados (por ejemplo, circuitos poco profundos, MPS) que alcanzan el límite termodinámico teórico, mejorando los métodos previos de "comprimir para borrar" que eran óptimos desde el punto de vista de la información teórica pero computacionalmente ineficientes (tiempo exponencial).
Fenómenos de Muchos Cuerpos Cuánticos: Los resultados revelan una limitación más fuerte que la tercera ley de la termodinámica: incluso con recursos infinitos (baño térmico), los agentes computacionalmente limitados no pueden alcanzar la eficiencia termodinámica óptima para ciertos estados cuánticos complejos.
Criptografía y Termodinámica: El trabajo sugiere un vínculo entre la seguridad criptográfica y los costos termodinámicos, implicando que los estados cuánticos "encriptados" (estados pseudialeatorios) actúan como una barrera para la extracción de energía o el borrado eficiente para agentes que no poseen la clave secreta.

Los autores concluyen que estos hallazgos permiten el diseño de protocolos demostrablemente eficientes y de energía óptima para tareas termodinámicas en el régimen cuántico, con aplicaciones potenciales en la inicialización de metrología cuántica, el reciclaje de qubits y la realización experimental del demonio de Maxwell utilizando agentes de aprendizaje.

Más como este