Object Detection Using Quantum Transfer Learning

En el mundo de la inteligencia artificial, las computadoras se están volviendo notablemente buenas para reconocer qué son las cosas. Pueden mirar una fotografía y decirle que un perro está sentado sobre una alfombra. Pero un desafío más difícil permanece: enseñar a una máquina no solo a identificar al perro, sino también a señalar exactamente dónde está en la imagen, dibujando un cuadro preciso alrededor de él. Esta tarea, conocida como detección de objetos, requiere que la computadora aprenda dos cosas a la vez: la identidad del objeto y su posición continua en el espacio. Mientras que los programas informáticos tradicionales han logrado esto utilizando cantidades masivas de datos y millones de ajustes, a menudo luchan por equilibrar estos dos objetivos de manera eficiente. Un campo más nuevo, el aprendizaje automático cuántico, ofrece un camino diferente. Utiliza las extrañas reglas de la física cuántica, donde las partículas pueden existir en múltiples estados a la vez, para procesar información. Sin embargo, la mayoría de los intentos tempranos de usar computadoras cuánticas para el aprendizaje se han centrado únicamente en preguntas simples de sí o no, dejando la compleja tarea de encontrar y encuadrar objetos prácticamente intacta.

Un equipo de investigadores de la Universidad de Tecnología de Shahrood en Irán ha cerrado esta brecha. Han construido un nuevo tipo de sistema híbrido que combina un programa informático estándar con un pequeño circuito cuántico para detectar objetos. Su trabajo sugiere que, para resolver este problema difícil, una computadora cuántica no necesita estar totalmente entrelazada, o profundamente interconectada, de la manera en que muchos científicos creían anteriormente. En cambio, descubrieron que controlar cuidadosamente cómo fluye la información a través del sistema permite un alto rendimiento con muchos menos ajustes que regular.

Los investigadores comenzaron con un programa informático estándar, ya preentrenado, que es muy bueno detectando características visuales en imágenes. Tomaron la salida de este programa y la introdujeron en un diminuto sistema cuántico compuesto por solo ocho bits cuánticos, o qubits. Estos qubits son las unidades básicas de información en una computadora cuántica. El equipo dividió estos ocho qubits en dos grupos. Los primeros cuatro se dedicaron a determinar qué era el objeto, como un gato o un perro. Los otros cuatro fueron asignados a la tarea de calcular las coordenadas exactas del cuadro que rodearía al objeto. Esta separación permitió que el sistema manejara los dos tipos diferentes de aprendizaje simultáneamente sin que se estorbaran entre sí.

Para conectar estos dos grupos de qubits, los investigadores probaron dos patrones de cableado diferentes. Un patrón era una línea recta, donde cada qubit estaba conectado solo con su vecino inmediato. El otro era un círculo, donde el último qubit se conectaba de vuelta al primero, creando un bucle cerrado. Descubrieron que la disposición circular funcionaba significemente mejor. En esta configuración circular, la conexión entre los dos grupos de qubits era sorprendentemente débil, pero aun así el sistema realizó la tarea de detección con gran precisión. De hecho, el diseño circular logró una puntuación de detección de 0.9448, que es casi idéntica al rendimiento de modelos informáticos tradicionales mucho más grandes.

Lo que hace que este resultado sea tan impactante es la eficiencia. El nuevo modelo cuántico requirió solo alrededor de diez mil ajustes para aprender la tarea. En contraste, los grandes modelos tradicionales que compararon contra él necesitaron más de un millón de ajustes para lograr resultados similares. Esto representa una reducción de más del 99 por ciento en la cantidad de ajustes necesarios. Los investigadores demostraron que, al usar el cableado circular, pudieron suprimir la cantidad de entrelazamiento entre las dos tareas. El entrelazamiento es un fenómeno cuántico donde las partículas se vinculan de modo que el estado de una influye instantáneamente en la otra. Durante mucho tiempo, se asumió que más entrelazamiento significaba más potencia. Este estudio sugiere lo contrario para este trabajo específico: limitar el entrelazamiento y controlar el flujo de información realmente ayuda al sistema a aprender mejor.

El equipo también observó el proceso a través de la lente de la termodinámica, la rama de la física que trata sobre el calor y la energía. Interpretaron el proceso de aprendizaje como un sistema que intenta alcanzar un estado de baja energía y bajo desorden. A medida que el modelo aprendía, la incertidumbre en sus predicciones disminuía, de forma muy similar a como un objeto caliente se enfría para igualar su entorno. La parte del sistema responsable de encontrar la ubicación del objeto actuó como una fuerza física que atraía la predicción hacia su lugar, mientras que la parte responsable de identificar el objeto actuó para reducir la confusión. Al ver el proceso de aprendizaje de esta manera, los investigadores pudieron explicar por qué el sistema funcionaba tan bien con tan pocos ajustes.

Los hallazgos desafían una suposición común en el campo de la computación cuántica. Muchos expertos han creído que, para resolver problemas complejos, las computadoras cuánticas deben generar tanto entrelazamiento como sea posible. Este artículo demuestra que, para la detección de objetos, la clave no es la cantidad bruta de entrelazamiento, sino cómo se organiza. Al utilizar una topología circular para regular el flujo de información, el sistema pudo filtrar el ruido innecesario y enfocarse en los detalles que importaban. El resultado es un modelo altamente eficiente que puede identificar y localizar objetos con precisión, utilizando una fracción de los recursos requeridos por la tecnología actual.

Este trabajo abre una nueva puerta para cómo podríamos construir la inteligencia artificial del futuro. Sugiere que los sistemas cuánticos más poderosos pueden no ser aquellos que son los más caóticos o interconectados, sino aquellos que están cuidadosamente estructurados para guiar la información exactamente hacia donde necesita ir. Los investigadores han demostrado que es posible construir un detector mejorado por la tecnología cuántica que sea tanto increíblemente preciso como notablemente ligero. A medida que el hardware cuántico continúe mejorando, estos principios de flujo de información controlado y eficiencia dirigida podrían convertirse en el plano para la próxima generación de máquinas inteligentes.