Temporal information processing on a 4,500-qubit quantum annealer

En el mundo de la informática, las máquinas son cada vez más rápidas y pequeñas, pero existe un desafío persistente: descubrir cómo hacerlas verdaderamente útiles para las tareas complejas del futuro. Un camino prometedor implica enseñar a las computadoras a aprender de los patrones en los datos, un campo conocido como aprendizaje automático (machine learning). Si bien las computadoras clásicas son excelentes en muchas cosas, a veces tienen dificultades con datos que cambian con el tiempo, como los patrones climáticos o los mercados bursátiles, porque carecen de una forma natural de recordar el pasado mientras procesan el presente. Los científicos han sospechado durante mucho tiempo que las máquinas cuánticas, que operan bajo las extrañas reglas del mundo subatómico, podrían manejar este tipo de información temporal mejor. Sin embargo, construir una computadora cuántica lo suficientemente grande para ser útil y lo suficientemente simple para ser entrenada ha seguido siendo un obstáculo importante. La mayoría de los intentos requieren procesos de entrenamiento costosos y difíciles que a menudo fallan a medida que las máquinas crecen.

Un equipo de investigadores ha dado ahora un paso significativo hacia adelante al probar un nuevo enfoque en una máquina cuántica masiva. Utilizaron un dispositivo llamado recocedor cuántico (quantum annealer), que es un tipo de computadora cuántica diseñada para resolver problemas específicos mediante la búsqueda del estado de menor energía de un sistema. En lugar de intentar entrenar a toda la máquina para que aprenda, la trataron como un motor natural, no entrenado, que genera movimientos internos complejos. Al alimentar el motor con datos basados en el tiempo y leer los resultados, crearon un modelo que puede recordar entradas pasadas y predecir futuras. Este experimento, que utilizó hasta 4,500 bits cuánticos físicos, o qubits, representa la prueba de aprendizaje automático cuántico a gran escala más grande realizada hasta la fecha. Los investigadores descubrieron que la máquina podía pronosticar series temporales caóticas e impredecibles, demostrando que estos dispositivos cuánticos a gran escala pueden servir como poderosas herramientas para procesar información sin la necesidad de costosos ciclos de entrenamiento.

El núcleo de este experimento se basa en un concepto llamado computación de reservorio (reservoir computing). Imagine una piedra lanzada a un estanque; las ondas que se propagan son complejas y dependen de la forma de la piedra y de la profundidad del agua. Si observa las ondas, puede saber algo sobre la piedra que fue lanzada, incluso si no vio el salpicón. En esta versión cuántica, la "fuente" es la propia computadora cuántica, y las "ondas" son los movimientos naturales y no entrenados de los qubits. Los investigadores no intentaron enseñar a la máquina qué hacer. En su lugar, simplemente dejaron que la máquina evolucionara de acuerdo con sus propias leyes internas mientras la alimentaban con un flujo de datos. La respuesta natural de la máquina a estos datos creó un mapa de alta dimensión de la información. La única parte que entrenaron fue un paso final simple, una lectura lineal, que aprendió cómo traducir el complejo estado interno de la máquina en una predicación útil. Este enfoque evita los problemas de optimización difíciles y costosos que suelen plagar el aprendizaje automático cuántico.

Para probar esta idea, el equipo utilizó un recocedor cuántico D-Wave, un dispositivo superconductor programable. Programaron la máquina con un esquema específico que involucraba un proceso conocido como recocido inverso (reverse annealing). Esta técnica comienza la máquina en un estado conocido, la mueve hacia atrás hacia un estado más cuántico y fluctuante, la mantiene allí por un momento y luego la mueve hacia adelante nuevamente. Esta pausa permite que el sistema explore su entorno local y se asiente en una nueva configuración que retiene información sobre la entrada que recibió. Los investigadores descubrieron que este movimiento específico era crucial. Cuando desactivaron las interacciones entre los qubits, haciendo que actuaran efectivamente de forma aislada, la máquina perdió toda la memoria de la entrada. Esto demostró que la compleja interacción entre los qubits durante el proceso de recocido es esencial para que la máquina retenga información a lo largo del tiempo.

Los investigadores sometieron luego su modelo a una serie de pruebas rigurosas para ver qué tan bien podía recordar y procesar datos. Primero, verificaron su capacidad para recordar entradas pasadas, una medida conocida como capacidad de memoria. Descubrieron que, al utilizar un mecanismo de retroalimentación para alimentar la propia salida de la máquina de vuelta en sí misma, el sistema podía recordar información durante mucho más tiempo de lo que permiten los modelos estándar. De hecho, la memoria no solo se desvanecía; mostraba signos de revivir, lo que sugiere que el sistema estaba reteniendo la información de una manera compleja y no lineal. También probaron el tamaño de la máquina, encontrando que toda la potencia de los 4,500 qubits era necesaria para lograr estos resultados. Versiones más pequeñas del mismo montaje fallaron en retener las correlaciones necesarias, resaltando que la escala masiva del sistema cuántico fue un factor clave en su éxito.

Más allá de la simple memoria, el equipo desafió a la máquina con tareas que requieren la comprensión de relaciones complejas. Le pidieron que resolviera un rompecabezas lógico conocido como la tarea XOR, que implica determinar la paridad de dos entradas. Este es un problema que una máquina lineal simple no puede resolver, pero el reservorio cuántico lo manejó con alta precisión, prediciendo correctamente el resultado casi el 99 por ciento de las veces. Esto demostró que la máquina no solo estaba memorizando datos, sino que realmente los estaba transformando en una forma donde los patrones complejos se volvieran visibles. La prueba más exigente, sin embargo, fue el pronóstico de series temporales caóticas. Los investigadores alimentaron a la máquina con datos de dos modelos matemáticos famosos que generan un comportamiento caótico e impredecible: la serie Mackey-Glass y un sistema de doble oscilación (double-scroll). La máquina predijo con éxito los valores futuros de estas series, incluso para pasos muy lejanos en el futuro. En el caso del sistema de doble oscilación, la máquina fue capaz de reconstruir el atractor caótico, una forma geométrica compleja que define el comportamiento del sistema, marcando la primera vez que tal reconstrucción se ha logrado utilizando una computadora cuántica.

Los resultados de este estudio sugieren que los recocedores cuánticos son una plataforma viable para el aprendizaje automático a gran escala, particularmente para tareas que involucran datos dependientes del tiempo. Los investigadores demostraron que, al aprovechar la dinámica nativa de un sistema cuántico grande, podían procesar información temporal sin la necesidad del entrenamiento pesado que limita otros enfoques. También proporcionaron evidencia de que la naturaleza cuántica de las interacciones, específicamente la dinámica de muchos cuerpos generada durante el proceso de recocido, es indispensable para que el sistema funcione. Si bien sigue siendo una pregunta abierta si las computadoras clásicas podrían eventualmente simular estos resultados, el experimento demuestra que el hardware cuántico actual ya puede realizar tareas que son difíciles para los modelos estándar. Este trabajo abre un nuevo camino para usar las máquinas cuánticas no solo para la optimización, sino como potentes motores para el aprendizaje y la predicción, demostrando que, a veces, la mejor manera de enseñar a una máquina es dejar que corra por su cuenta.