Parametrized Quantum Circuit Learning for Quantum Chemical Applications

Los químicos han dependido durante mucho tiempo de potentes ordenadores para predecir cómo se comportan las moléculas, una tarea que a menudo requiere resolver ecuaciones increíblemente complejas para comprender el mundo invisible de los electrones. Durante décadas, estos cálculos han sido el dominio de los ordenadores clásicos, que procesan la información de una manera directa y paso a paso. Sin embargo, ha surgido una nueva frontera donde los científicos intentan aprovechar las extrañas reglas de la mecánica cuántica —la física que gobierna las partículas más pequeñas— para resolver estos acertijos químicos. La esperanza es que, mediante el uso de ordenadores cuánticos, que pueden existir en múltiples estados a la vez, los investigadores puedan algún día predecir las propiedades moleculares de forma más rápida y precisa que nunca. Un enfoque específico llamado aprendizaje automático cuántico intenta combinar estos dos mundos, utilizando ordenadores cuánticos para aprender patrones en datos químicos tal como un humano aprende de la experiencia. No obstante, aunque la teoría es emocionante, sigue sin estar claro si estas máquinas pueden realmente superar a los ordenadores clásicos que ya utilizamos para problemas químicos cotidianos.

Un equipo de investigadores se propuso probar esta idea construyendo y entrenando una gran variedad de circuitos digitales diseñados para ejecutarse en ordenadores cuánticos. Se centraron en dos desafíos químicos muy diferentes para ver qué tan bien podían aprender estos circuitos. El primer desafío consistía en predecir la energía necesaria para romper enlaces químicos específicos en una gran colección de moléculas, una tarea que es relativamente sencilla para los ordenadores estándar. El segundo desafío era más especializado e involucraba la predicción del comportamiento de los electrones en moléculas de agua, un problema que está profundamente arraigado en la propia mecánica cuántica. Para ello, los científicos construyeron 168 versiones diferentes de estos circuitos cuánticos, combinando y mezclando 14 formas de introducir datos en la máquina con 12 estructuras internas diferentes diseñadas para procesar dicha información. Probaron estos circuitos en simulaciones de ordenadores cuánticos de cinco y dieciséis bits cuánticos, las unidades básicas de información en un sistema cuántico, antes de ejecutar finalmente sus mejores diseños en hardware cuántico real y físico.

Los resultados pintaron un panorama de tanto promesa como de limitaciones significativas. Cuando los investigadores probaron los circuitos con los datos de energía de ruptura de enlaces, los modelos cuánticos tuvieron serias dificultades. Incluso los circuitos con mejor rendimiento no pudieron predecir los valores de energía con ninguna precisión útil, rindiendo a menudo no mejor que simplemente adivinar el valor promedio para cada molécula. El estudio sugiere que la forma en que los datos químicos fueron traducidos a un formato que el ordenador cuántico pudiera entender pudo haber eliminado demasiados detalles, dejando a la máquina con muy poca información para aprender. En contraste, los circuitos cuánticos funcionaron mucho mejor con los datos de la molécula de agua, que tratan directamente con el comportamiento de los electrones. Aquí, los modelos fueron capaces de aprender los patrones lo suficientemente bien como para realizar predicciones precisas, alcanzando un nivel de éxito que podría considerarse útil. Esta diferencia sugiere que las máquinas cuánticas podrían estar mejor adaptadas para problemas que son inherentemente cuánticos, en lugar de intentar forzarlas a resolver problemas que los ordenadores clásicos ya manejan fácilmente.

Los investigadores también investigaron si hacer los circuitos más complejos ayudaría a que aprendieran mejor. Intentaron añadir más capas a los circuitos y alimentar los datos a través de la máquina varias veces, una técnica destinada a ayudar al modelo a captar patrones más intrincados. Para los datos de ruptura de enlaces, añadir complejidad no marcó ninguna diferencia; los modelos permanecieron estancados. Para los datos de la molécula de agua, sin embargo, aumentar la profundidad del circuito sí mejoró la precisión, permitiendo que el modelo aprendiera de manera más efectiva. No obstante, incluso con estas mejoras, los modelos cuánticos aún no pudieron igualar el rendimiento de los mejores modelos de ordenadores clásicos, que resolvieron ambos problemas con una precisión casi perfecta. El estudio argumenta explícitamente contra la idea de que simplemente añadir más parámetros o datos de entrenamiento a un circuito cuántico conducirá automáticamente a resultados superiores, demostrando que, para estas tareas químicas específicas, el enfoque cuántico está actualmente superado por los métodos tradicionales.

La prueba final consistió en ejecutar el modelo de la molécula de agua más exitoso en un ordenador cuántico real disponible para el público. Mientras que la simulación en un ordenador predijo los resultados con alta precisión, en el momento en que el experimento pasó al dispositivo físico real, el rendimiento colapsó. El entorno ruidoso de la máquina real, lleno de interferencias y errores, hizo que las predicciones se volvieran poco fiables e inexactas. Este resultado resalta un obstáculo importante: aunque la teoría matemática de estos circuitos funciona bien en una simulación perfecta y libre de ruido, la generación actual de hardware cuántico es simplemente demasiado imperfecta para manejar los delicados cálculos requeridos para aplicaciones químicas prácticas. El estudio concluye que, si bien el aprendizaje automático cuántico posee un potencial teórico, particularmente para problemas que son naturalmente cuánticos, la tecnología aún no está lista para reemplazar a los ordenadores clásicos para las tareas químicas para las que fue diseñada. El camino a seguir, sugieren los autores, no reside solo en construir máquinas más grandes, sino en encontrar nuevas formas de plantear los problemas químicos para que realmente se beneficien de las capacidades únicas de la computación cuántica.