Las computadoras cuánticas prometen resolver problemas que son imposibles para las máquinas actuales, pero son notablemente frágiles. Las diminutas partículas que transportan información, llamadas cúbits, se ven fácilmente perturbadas por su entorno, lo que provoca errores que pueden arruinar un cálculo. Para que estas máquinas sean útiles, los científicos primero deben comprender exactamente cómo se comportan. Esto requiere un proceso llamado caracterización: medir la salida de la máquina y trabajar hacia atrás para averiguar qué está sucediendo en su interior. Es un poco como intentar comprender el funcionamiento interno de un reloj complejo mirando únicamente sus manecillas, pero con un giro. En el mundo cuántico, las matemáticas necesarias para realizar la ingeniería inversa de los engranajes del reloj se vuelven tan abrumadoramente complicadas que resulta efectivamente imposible resolver algo más que para los dispositivos más pequeños. A medida que estas máquinas crecen a cientos de cúbits, los métodos tradicionales para comprender su comportamiento chocan contra un muro, dejando a los investigadores con un hardware potente que no pueden comprender ni ajustar por completo.

Un equipo de investigadores ha desarrollado una nueva forma de romper este muro, convirtiendo un problema que antes era computacionalmente imposible en una tarea manejable. En lugar de intentar resolver las complejas ecuaciones matemáticas directamente, enseñaron a una computadora a aprender la relación entre la configuración de una máquina cuántica y sus resultados observando millones de ejemplos simulados. Este enfoque, que llaman inferencia basada en simulación, les permite construir un modelo digital que puede adivinar instantáneamente las causas ocultas de cualquier medición que produzca una computadora cuántica real. Los investigadores demostraron este método en sistemas de hasta 81 cúbits, identificando con éxito patrones de ruido, corrigiendo errores e incluso mapeando las posiciones físicas de los átomos en un simulador cuántico simulado. Al entrenar una red neuronal con datos generados por supercomputadoras clásicas rápidas, crearon una herramienta que puede analizar un dispositivo cuántico en un solo paso, proporcionando no solo una mejor conjetura, sino una imagen clara de qué tan segura es esa conjetura.

El núcleo de este nuevo método se basa en una división inteligente del trabajo entre dos tipos de programas informáticos. El primero es un simulador, un programa que imita cómo debería comportarse un sistema cuántico bajo condiciones específicas. Aunque simular un sistema cuántico real es difícil, los investigadores descubrieron que, para muchos casos prácticos, podían utilizar algoritmos clásicos simplificados para generar grandes cantidades de datos de entrenamiento rápidamente. Alimentaron estos datos al segundo programa, una red neuronal diseñada para aprender patrones. Esta red fue entrenada para observar la salida del simulador y predecir inmediatamente la configuración que la causó. Una vez entrenada, esta red actúa como un traductor universal. Cuando una computadora cuántica real produce una medición, la red puede traducir instantáneamente esos datos en un mapa de probabilidad de lo que probablemente está sucediendo en el interior de la máquina. Esto elimina la necesidad de ejecutar cálculos lentos y complejos para cada nuevo experimento, convirtiendo una tarea que antes tomaba horas o días en cuestión de segundos.

Los investigadores probaron este marco en cuatro desafíos distintos, demostrando su versatilidad en diferentes tipos de problemas cuánticos. Primero, lo utilizaron para aprender sobre el ruido en un sistema de 50 cúbits. En la computación cuántica, el ruido se refiere a los errores aleatorios que se filtran en los cálculos. El equipo identificó con éxito las probabilidades específicas de estos errores para cientos de puertas diferentes, los bloques de construcción de los circuitos cuánticos. Descubrieron que, mientras que algunas fuentes de error eran fáciles de localizar, otras estaban intrínsecamente vinculadas de una manera que las hacía imposibles de separar. Crucialmente, su método identificó automáticamente estos parámetros "no identificables", mostrando a los investigadores exactamente dónde sus mediciones eran insuficientes y dónde necesitaban mirar más de cerca. Esta capacidad de distinguir entre lo que se puede conocer y lo que no, es una herramienta de diagnóstico vital para mejorar futuros experimentos.

A continuación, el equipo aplicó sus modelos de ruido aprendidos para corregir errores en tiempo real. La mitigación de errores cuánticos es una técnica que se utiliza para limpiar datos ruidosos sin necesidad de un hardware perfecto. Al alimentar la comprensión del ruido de la red neuronal en los protocolos de corrección estándar, pudieron recuperar resultados precisos de simulaciones ruidosas. En una prueba que involucraba una cadena de átomos interactuantes, su método redujo los errores en más de la mitad en comparación con las técnicas existentes, y continuó funcionando con precisión incluso prediciendo resultados para profundidades de circuito que nunca había visto antes. Esto sugiere que el modelo aprendió la física subyacente de los errores en lugar de simplemente memorizar ejemplos específicos, lo que le permite generalizar a nuevas situaciones.

El marco también resultó eficaz para la tomografía de estado cuántico, un proceso utilizado para reconstruir el estado cuántico completo de un sistema. Normalmente, esto requiere medir el sistema muchas veces y realizar cálculos pesados para cada nuevo estado. Los investigadores entrenaron su red neuronal con una amplia variedad de estados simulados y descubrieron que podía reconstruir nuevos estados no vistos con una precisión extremadamente alta. En pruebas con sistemas de 12 cúbits, la red reconstruyó los estados con una fidelidad, o precisión, que superó el 99 por ciento. Esto significa que el método puede servir como una herramienta reutilizable para verificar la calidad de los estados cuánticos sin necesidad de reentrenar el sistema para cada nuevo experimento, un paso significativo hacia la realización de diagnósticos cuánticos para máquinas a gran escala.

Finalmente, el equipo abordó el problema del aprendizaje de Hamiltoniano, que consiste en determinar las fuerzas e interacciones exactas que gobiernan un sistema cuántico. Aplicaron su método a una matriz simulada de 81 átomos, donde el objetivo era determinar las posiciones físicas precisas de cada átomo basándose en cómo interactuaban con sus vecinos. Incluso con desplazamientos pequeños de apenas unos pocos nanómetros, la red neuronal fue capaz de inferir las ubicaciones de los átomos con una precisión notable. Los resultados coincidieron con los valores reales con un alto grado de correlación, y las estimaciones de incertidumbre de la red resaltaron correctamente las pocas áreas donde los datos eran menos claros. Esta capacidad podría ser crucial para calibrar futuros simuladores cuánticos, donde la colocación física de los átomos determina todo el comportamiento de la máquina.

El éxito de este trabajo radica en el hecho de que los investigadores no intentaron resolver la matemática imposible directamente. En su lugar, aceptaron que no podían calcular la respuesta para cada nueva situación. Al invertir tiempo de antemano para entrenar un modelo con una enorme cantidad de datos simulados, crearon un sistema que rinde frutos al ser increíblemente rápido y reutilizable. El método funciona porque aprovecha el hecho de que muchos sistemas cuánticos, incluso los grandes, tienen estructuras que las computadoras clásicas aún pueden simular eficientemente. Al combinar estos simuladores eficientes con potentes redes neuronales, los investigadores han creado un puente entre los mundos clásico y cuántico. Este enfoque no reemplaza la necesidad de experimentos físicos, sino que proporciona una lente poderosa a través de la cual verlos, convirtiendo los datos brutos en conocimientos accionables sobre el mundo cuántico.

Las implicaciones de este trabajo se extienden más allá de estos experimentos específicos. Los investigadores señalan que su método es lo suficientemente general como para aplicarse a muchos otros problemas de la ciencia cuántica, como la calibración de sensores o el diseño de controles de retroalimentación. Aunque los resultados actuales se basan en simulaciones, el marco está diseñado para funcionar también con datos experimentales reales. La limitación clave sigue siendo la capacidad de simular los datos de entrenamiento; si un sistema se vuelve demasiado complejo incluso para los mejores simuladores clásicos, el método tendrá que adaptarse. Sin embargo, para la amplia gama de sistemas cuánticos que son accesibles actualmente, esta técnica ofrece un camino práctico a seguir. Transforma la caracterización de los dispositivos cuánticos de un proceso lento y personalizado en una capacidad automatizada y optimizada, acercándonos al día en que las computadoras cuánticas puedan ser ajustadas y confiadas de manera fiable para aplicaciones del mundo real.