Dissipative phase transitions in quantum reservoir computing

En el mundo de la computación cuántica, existe la creencia persistente de que la fricción es el enemigo. Durante décadas, los científicos han luchado por mantener los sistemas cuánticos perfectamente aislados, temiendo que cualquier interacción con el mundo exterior destruiría la delicada información que contienen. Esta fricción, conocida como disipación, suele causar que los estados cuánticos decaigan y pierdan su poder. Sin embargo, está surgiendo una nueva perspectiva: si esta fricción se controla cuidadosamente, puede convertirse en una herramienta útil en lugar de una fuerza destructiva. Esta idea es central en un campo llamado computación de reservorio cuántico, un método para enseñar a las máquinas a reconocer patrones en el tiempo. En lugar de entrenar cada parte de una máquina cuántica compleja, los investigadores utilizan un sistema cuántico fijo e inalterable para procesar un flujo de datos. El sistema olvida naturalmente la información antigua mientras retiene las entradas recientes, una propiedad llamada memoria evanescente, la cual es esencial para comprender secuencias como el habla o las tendencias del mercado de valores. La gran pregunta ha sido si empujar estos sistemas al borde mismo de un cambio de fase —un punto donde su comportamiento cambia drásticamente— podría hacerlos aún mejores para recordar y procesar información.

Un equipo de investigadores del Instituto de Tecnología de Beijing ha explorado ahora esta cuestión mediante la simulación de dos tipos diferentes de sistemas cuánticos que son constantemente impulsados por energía y pierden energía hacia su entorno. Se centraron en sistemas conocidos como reservorios Kerr, que son esencialmente contenedores de luz que interactúan consigo mismos de una manera no lineal. Los investigadores configuraron dos escenarios distintos. En el primero, crearon un sistema que experimenta un cambio de comportamiento repentino y brusco, similar a cuando el agua se congela repentinamente en hielo. En el segundo, construyeron un sistema que cambia de forma más gradual, cambiando su simetría de manera continua. Al alimentar estos sistemas con un flujo de datos y medir qué tan bien podían reconstruir entradas pasadas o predecir patrones futuros, el equipo descubrió que ambos sistemas funcionaban mejor cuando operaban justo cerca de estas transiciones de fase. Esto confirmó que el borde de un cambio de fase es, de hecho, un punto óptimo para la computación, pero la historia de por qué sucede esto resultó ser más sorprendente de lo que cualquiera esperaba.

Durante mucho tiempo, la teoría predominante sugería que la clave de este rendimiento mejorado era la ralentización de la relajación del sistema. En física, cuando un sistema es perturbado, eventualmente se asienta de nuevo en un estado de calma; el tiempo que tarda en hacer esto está gobernado por un límite de velocidad específico, a menudo llamado brecha (gap). Cuando un sistema se acerca a una transición de fase, se piensa que este límite de velocidad se ralentiza hasta casi detenerse, permitiendo que el sistema retenga la información durante mucho tiempo. Se asumía ampliamente que esta lentitud extrema era el ingrediente secreto para una mejor memoria. Sin embargo, los investigadores descubrieron que esta suposición era incorrecta. Al desglosar los movimientos internos complejos de los sistemas cuánticos en sus componentes individuales, descubrieron que el componente ultra lento, aquel asociado con la transición de fase, en realidad contribuía muy poco a la capacidad del sistema para recordar.

Los verdaderos héroes de la historia fueron los componentes de velocidad finita, más rápidos. Estos son las partes de la máquina cuántica que se relajan a un ritmo moderado, ni demasiado rápido para olvidarlo todo, ni demasiado lento para quedarse estancadas. Los investigadores encontraron que, cerca de las transiciones de fase, todo el grupo de estos componentes de velocidad moderada se reorganizó. Cambiaron sus velocidades e interactuaron entre sí de nuevas maneras, creando un efecto colectivo que era mucho más poderoso para el procesamiento de información de lo que el único componente más lento podría haber sido jamás. En el sistema con el cambio de fase repentino, esta reorganización creó una ventana estrecha donde las velocidades moderadas se ralentizaron lo suficiente como para ayudar. En el sistema con el cambio gradual, las velocidades moderadas se desplazaron y se dispersaron, separándose del componente ultra lento. En ambos casos, el poder computacional provino de este reordenamiento dinámico de las velocidades moderadas, no de la lentitud extrema de la brecha.

Para asegurar que estos hallazgos no fueran meros artefactos teóricos, el equipo desarrolló un método preciso para rastrear exactamente qué movimientos internos eran responsables de las predicciones exitosas. Demostraron que la información procesada por el sistema era transportada casi en su totalidad por estos canales de tasa finita y la forma en que se combinaban entre sí. El canal ultra lento, a pesar de ser la característica más dramática de la transición de fase, desempeñó solo un papel menor. Esta distinción es crucial porque cambia la forma en que los científicos deben pensar en el diseño de estas máquinas. En lugar de intentar diseñar un sistema que sea lo más lento posible, el objetivo debe ser ajustar el sistema para que sus componentes de velocidad moderada estén optimamente dispuestos. Los investigadores también señalaron que estos patrones específicos de relajación pueden medirse en experimentos reales utilizando tecnología actual, como circuitos superconductores. Esto significa que el marco teórico que desarrollaron no es solo una curiosidad matemática, sino una guía práctica para construir mejores computadoras cuánticas que puedan aprender de datos de series temporales.

El trabajo finalmente revela una separación entre la física natural de un sistema cuántico y cómo este se utiliza para la computación. La transición de fase cambia el paisaje interno del sistema, pero el trabajo real de recordar y procesar es realizado por un subconjunto específico de los movimientos del sistema. Al comprender que el poder proviene del comportamiento colectivo de los componentes de velocidad moderada en lugar del más lento, los investigadores pueden ahora diseñar reservorios cuánticos disipativos con una hoja de ruta más clara. Este enfoque va más allá de las simples correlaciones hacia un vínculo directo entre el espectro de relajación interna y la capacidad de aprendizaje de la máquina. Sugiere que el futuro de la memoria cuántica puede no residir en luchar contra la fricción, sino en aprovechar la danza compleja y organizada de las velocidades de relajación que la fricción crea naturalmente.