⚛️ quantum physics

EPIC-CIM: Training Convolutional Neural Networks on a Coherent Ising Machine via Equilibrium Propagation

Este artículo presenta EPIC-CIM, un marco que permite el entrenamiento de Redes Neuronales Convolucionales Cuánticas en Máquinas de Ising Coherentes mediante el uso de la propagación de equilibrio para optimizar un modelo basado en la energía, superando así los desafíos inherentes de las operaciones cuánticas no diferenciables y la evolución de estados discretos sin depender de la retropropagación de gradiente explícita.

Autores originales: Xingrui Yin, Shenwei Kang, Haoqi He, Yan Xiao, Hongdong Zhu, Hai Wei, Yin Ma, Qi Gao, Xiaochun Cao, Kai Wen

Publicado 2026-07-21

📖 7 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Xingrui Yin, Shenwei Kang, Haoqi He, Yan Xiao, Hongdong Zhu, Hai Wei, Yin Ma, Qi Gao, Xiaochun Cao, Kai Wen

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

Imagina que estás intentando enseñarle a un robot cómo reconocer un gato en una foto. En el mundo de las computadoras clásicas, solemos hacer esto mostrándole al robot millones de imágenes y utilizando un truco matemático llamado "retropropagación" (backpropagation). Piensa en la retropropagación como un maestro que camina hacia atrás a través de un laberinto, señalando cada giro erróneo que el robot cometió y diciéndole exactamente cómo ajustar sus pasos para acercarse a la salida. Funciona de maravilla para caminos suaves y continuos. Pero, ¿qué pasa si el robot vive en un mundo hecho de interruptores que solo pueden estar en "encendido" o "apagado", como un gigantesco y complejo tablero de luces? En este mundo, no hay caminos suaves por los cuales caminar hacia atrás; solo hay acantilados afilados y escarpados. No puedes empujar suavemente un interruptor; tienes que activarlo. Esto hace que el método tradicional del "maestro" sea inútil.

Este es el rompecabezas que enfrenta el nuevo campo del aprendizaje automático cuántico. Las computadoras cuánticas son asombrosas, pero a menudo operan con estos interruptores de "encendido/apagado" (llamados estados binarios) e involucran mediciones que rompen las matemáticas suaves a las que estamos acostumbrados. Los científicos se han quedado estancados intentando entrenar estos cerebros cuánticos porque las herramientas habituales no encajan. Necesitaban una nueva forma de enseñar al robot que no dependiera de gradientes suaves, sino que utilizara las leyes naturales de la física; específicamente, la idea de que los sistemas siempre quieren asentarse en su estado de menor energía, como una pelota rodando hacia el fondo de una colina. Este artículo se adentra en ese vacío, preguntando: ¿Podemos entrenar una red neuronal cuántica tratándola como un sistema físico que busca su lugar de descanso más cómodo, en lugar de como un estudiante tratando de resolver un problema de cálculo?

La nueva forma de enseñar a los cerebros cuánticos

Los investigadores detrás de este estudio, trabajando con un equipo de la Universidad de Sun Yat-sen y QBoson Quantum Technology, han construido un nuevo marco de entrenamiento llamado EPIC-CIM. Piensa en ello como un ingenioso truco para sortear el problema del "acantilado escarpado". En lugar de intentar calcular una pendiente que no existe, dejan que el sistema se asiente naturalmente en un estado de equilibrio y utilizan la diferencia entre dos equilibrios ligeramente distintos para entender cómo aprender.

Así es como funciona su método, EPCA-CIM, usando una analogía lúdica:

Imagina una habitación gigante y caótica llena de miles de interruptores de luz (estos son los "estados binarios" de la máquina cuántica). Tu objetivo es disponer estos interruptores de modo que formen la palabra "GATO" cuando la mires.

La Configuración: Proyectas una linterna (la imagen de entrada) en la habitación. La luz golpea los interruptores, empujándolos a intentar encenderse o apagarse.
La Fase "Libre": Primero, dejas que la habitación se asiente por sí sola. Los interruptores se mueven y cambian hasta encontrar un patrón cómodo basado en la luz. Esta es la "fase libre". El sistema simplemente está relajándose, encontrando su nivel de energía natural.
La Fase de "Empujón": Ahora, quieres que la habitación forme la palabra "GATO". Así que empujas suavemente los interruptores que deberían estar encendidos para "GATO" para que permanezcan encendidos, y los que no deberían estarlo para que permanezcan apagados. No los fuerzas; solo les das un pequeño y suave empujón (un estado de "sujeción débil") y dejas que se asienten de nuevo.
El Aprendizaje: La magia ocurre al comparar las dos habitaciones. Los investigadores observan la diferencia entre la habitación "Libre" y la habitación de "Empujón". Si un interruptor cambió de forma distinta debido a tu empujón, eso le dice al sistema: "¡Oye, necesitas ajustar tus ajustes para que ese interruptor se mantenga encendido cuando yo lo pida!". Actualizan las reglas (los "pesos" de la red) basándose en esta diferencia, sin necesidad de calcular nunca un gradiente complejo.

Este proceso se llama Propagación de Equilibrio. Es como enseñarle a un perro no explicándole la física de una pelota, sino recompensándolo cuando se sienta y corrigiéndolo suavemente cuando no lo hace, dejando que el perro descubra el patrón mediante la repetición y la retroalimentación.

Lo que encontraron

El equipo probó este nuevo método de "Propagación de Equilibrio" en tres conjuntos de datos de imágenes famosos: MNIST (números escritos a mano), Fashion-MNIST (artículos de vestir) y CIFAR-10 (objetos cotidianos coloridos). Compararon su modelo EPIC-CIM contra otros métodos cuánticos, incluyendo aquellos que utilizan "Circuitos Cuánticos Variacionales" (que son como intentar sintonizar una radio con un destornillador) y "Recocido Cuántico" (que es como intentar encontrar el fondo de una colina rodando una pelota por ella).

Los resultados fueron bastante prometedores:

En el conjunto de datos MNIST: EPIC-CIM logró una precisión de prueba del 92.32%. Esto fue significativamente mejor que la Red Neuronal Convolucional Cuántica (QCNN) estándar, que obtuvo un 84.59%, y el enfoque de Recocido Cuántico, que alcanzó el 87.53%.
En el conjunto de datos Fashion-MNIST: El nuevo método obtuvo un 79.62%, superando a la QCNN (78.29%) y al método de Recocido Cuántico (78.96%).
En el difícil conjunto de datos CIFAR-10: Incluso con las imágenes complejas y coloridas, EPIC-CIM alcanzó una precisión del 34.56%. Aunque es inferior a la de una computadora clásica estándar (que obtuvo 40.22%), fue una mejora clara sobre otros modelos cuánticos, que tuvieron dificultades para superar el 27.79%.

Uno de los hallazgos más interesantes fue qué tan bien manejó el modelo los "datos pequeños". Normalmente, la IA necesita millones de imágenes para aprender. Pero EPIC-CIM demostró que podía aprender eficazmente incluso con solo unos pocos miles de muestras. Cuando lo probaron con solo 1,000 imágenes de entrenamiento, logró aprender bien, y a medida que añadían más datos (hasta 60,000), la precisión subía constantemente hasta alcanzar el 92.32%. Esto sugiere que el método es muy eficiente y no se confunde fácilmente.

¿Funciona en máquinas reales?

Los investigadores no se detuvieron solo en simulaciones por computadora. También probaron su idea en hardware cuántico real. Las computadoras cuánticas reales tienen ruido y a menudo no pueden manejar números de alta precisión; a veces tienen que trabajar con precisiones más bajas (como números de 14 bits en lugar de los 32 bits estándar).

A pesar de estas limitaciones de hardware y del "ruido" del mundo real, el modelo EPIC-CIM se mantuvo notablemente bien. En el hardware real, logró una precisión de prueba del 91%. Esto es muy cercano al 92.32% que obtuvo en la simulación perfecta. Esto sugiere que el método es robusto y no se desmorona cuando el hardware no es perfecto.

Lo que esto significa

El artículo sugiere que, al tratar el entrenamiento de una red neuronal como un proceso físico de búsqueda de equilibrio de energía, podemos evitar los dolores de cabeza matemáticos de entrenar computadoras cuánticas. Los autores argumentan que este enfoque hace que el proceso de entrenamiento sea más estable e interpretable. En lugar de una caja negra de matemáticas, tenemos un sistema que se comporta como un objeto físico asentándose en su lugar.

Aunque el modelo aún no es tan perfecto como una computadora clásica (especialmente en las tareas más difíciles como CIFAR-10), demuestra que la optimización de inspiración cuántica puede ser una herramienta poderosa. Prueba que podemos entrenar redes cuánticas complejas sin necesidad de la matemática imposible de la retropropagación, abriendo la puerta a una inteligencia artificial cuántica más estable y escalable en el futuro. Los investigadores concluyen que este marco ofrece una forma unificada de cerrar la brecha entre la computación cuántica y la inteligencia artificial que usamos todos los días.

Resumen Técnico: EPIC-CIM

Declaración del Problema

Las Redes Neuronales Convolucionales Cuánticas (QCNNs) enfrentan desafíos significativos de entrenamiento debido a la naturaleza inherente de los sistemas cuánticos, específicamente las operaciones no diferenciables (como las mediciones cuánticas) y la evolución de estados discretos. Estas características hacen que el retropropagación convencional basada en gradientes sea ineficaz o difícil de aplicar. Además, los enfoques de aprendizaje cuántico existentes, incluyendo los Circuitos Cuánticos Variacionales (VQCs) y el recocido cuántico (quantum annealing), luchan con la escalabilidad, las limitaciones de profundidad de circuito, la sensibilidad al ruido y la dificultad de representar características espaciales locales dentro de los marcos de trabajo de Ising o QUBO. En consecuencia, la mayoría de las QCNNs existentes siguen siendo teóricas o están restringidas a experimentos de muy pequeña escala, fallando en demostrar un rendimiento robusto en tareas de clasificación multiclase completas con conjuntos de datos complejos.

Metodología

El artículo propone EPIC-CIM (Propagación de Equilibrio en una Máquina de Ising Coherente), un marco de entrenamiento que reformula el aprendizaje de QCNN como un proceso de minimización de energía compatible con las Máquinas de Ising Coherentes (CIMs). El enfoque evita la retropropagación de gradiente explícita mediante el uso de la Propagación de Equilibrio (EP).

Arquitectura Central

El marco opera a través de cuatro etapas acopladas:

Extracción de Características Clásicas: Un operador convolucional clásico procesa la imagen de entrada para extraer respuestas espac hacia locales.
Muestreo Cuántico: Estas respuestas se mapean a campos externos que impulsan una representación latente binaria ( $X_2 \in \{-1, +1\}$ ). Esta capa es muestreada de un modelo de energía de Ising compatible con CIM, tratando los estados binarios como configuraciones de espín cuántico.
Acoplamiento de Salida: Los estados latentes binarios se acoplan linealmente a las variables de salida ( $y$ ), que también son binarias.
Imposición de Restricciones: Se introduce un término de restricción global para imponer una restricción de one-hot classification, asegurando que solo un neurona de salida se active en la solución óptima.

Formulación de la Energía

La red se define mediante una función de energía unificada de tipo QUBO/Ising ( $E_{total}$ ):
$E_{total} = \text{Conv}(X_1, k_1) \cdot X_2 + (W_2 \cdot \text{flatten}(X_2) + b) \cdot y + \beta(y^\top \mathbf{1} + (k-2))^2$

El primer término representa el emparejamiento de características convolucionales (fuerza impulsora).
El segundo término describe el acoplamiento lineal entre la capa intermedia y la salida.
El tercer término es una restricción cuadrática global para la codificación one-hot.

Entrenamiento mediante Propagación de Equilibrio

El entrenamiento se realiza comparando dos estados de equilibrio del sistema bajo la misma función de energía:

Fase Libre (Free Phase): La entrada es fijada (clamped) y el sistema evoluciona hacia un estado estacionario ( $y_{free}$ ) sin restricciones de salida.
Fase de Perturbación (Nudged Phase): Una pequeña perturbación ( $\epsilon$ ) sesga la salida hacia la etiqueta objetivo ( $y_{label}$ ), impulsando el sistema hacia un nuevo estado estacionario ( $y_{nudge}$ ).

Las actualizaciones de parámetros ( $\Delta \theta$ ) se derivan de la diferencia en las correlaciones de estado local entre estas dos fases:
$\Delta \theta = \frac{1}{\beta} [(\sigma_i \sigma_j)_{nudge} - (\sigma_i \sigma_j)_{free}]$
Este mecanismo permite un aprendizaje estable en espacios discretos y no diferenciables sin necesidad de un cálculo de gradiente explícito.

Contribuciones Clave

Marco EPIC-CIM: La propuesta de un marco de entrenamiento de QCNN basado en la energía que reformula el aprendizaje convolucional como un proceso de minimización de energía físicamente interpretable compatible con las Máquinas de Ising Coherentes.
Formulación de Energía Unificada: El diseño de una única función de energía que modela conjuntamente la extracción de características convolucionales, la evolución del estado latente binario y las restricciones supervisadas de salida, permitiendo la optimización sin la retropropagación tradicional.
Rendimiento Escalable: Evaluaciones experimentales extensas que demuestran que el marco supera a los modelos cuánticos existentes (incluyendo VQCs, QCNNs y enfoques de recocido cuántico) en tareas de clasificación multiclase completas, manteniendo la estabilidad del entrenamiento.

Resultados Experimentales

El marco fue evaluado en tres referentes: MNIST, Fashion-MNIST y CIFAR-10.

MNIST: EPIC-CIM logró una precisión de prueba del 92.32% (conjunto de datos completo) y del 88.64% con datos limitados (2,000 muestras). Esto superó al enfoque de recocido cuántico de D-Wave (87.53%) y a las QCNNs estándar (84.59%).
Fashion-MNIST: El modelo alcanzó un 79.62% de precisión de prueba, superando a D-Wave (78.96%), QDEQs (72.11%) y las QCNNs estándar (78.29%).
CIFAR-10: En este conjunto de datos más complejo, EPIC-CIM alcanzó un 34.56% de precisión de prueba, superando significativamente a QDEQs (25.45%) y a las QCNNs estándar (27.79%), aunque se mantuvo por debajo de la línea base de la CNN clásica (40.22%).
Validación de Hardware: Experimentos en hardware cuántico real (usando 1,000 muestras de entrenamiento y precisión de 14 bits) produjeron una precisión de prueba del 91% en MNIST, demostrando robustez ante efectos de cuantización y ruido de hardware con una degradación mínima del rendimiento en comparación con las simulaciones de alta precisión.
Eficiencia de Muestreo: El modelo mostró ganancias de rendimiento rápidas en regímenes de bajos datos (1k–8k muestras), lo que indica una fuerte eficiencia de muestreo.

Significado y Reivindicaciones

El artículo afirma que EPIC-CIM proporciona una perspectiva física unificada para tender un puente entre la computación cuántica y la inteligencia artificial. Al reconstruir la estimación de gradientes como un proceso de evolución de energía físicamente interpretable, el marco:

Mejora la Interpretabilidad: Ofrece dinámicas físicas observables para las actualizaciones de parámetros, abordando la naturaleza de "caja negra" de algunos métodos de aprendizaje cuántico.
Mejora la Estabilidad: Permite un aprendizaje estable y consistente en espacios discretos y no diferenciables donde los métodos de gradiente convencionales fallan.
Ofrece Escalabilidad: Presenta una solución viable para el entrenamiento escalable de QCNN en tareas de clasificación de clases completas, superando las limitaciones de conectividad y escalado de los enfoques de recocido cuántico puro o de modelos de compuertas.
Valida la Practicidad: El despliegue exitoso en hardware cuántico real con precisión reducida sugiere que el marco es viable para dispositivos cuánticos y de inspiración cuántica de corto plazo.

Los autores posicionan este trabajo no meramente como un reemplazo de un solver por otro, sino como un cambio fundamental hacia dinámicas de aprendizaje impulsadas por la energía y fundamentadas físicamente que pueden manejar las complejidades de las tareas visuales del mundo real.