La simetría es un lenguaje fundamental del mundo físico, un libro de reglas que dicta cómo se comportan los sistemas y qué permanece inalterado cuando se desplazan, rotan o transforman. En el reino de la física cuántica, donde las partículas existen en estados probables y frágiles, estas simetrías no son solo rasgos estéticos; son las restricciones mismas que definen la realidad, gobernando todo, desde la conservación de la energía hasta la estabilidad de la materia. Durante décadas, los científicos han dependido de poderosas herramientas matemáticas para descubrir estas reglas ocultas en objetos clásicos, como encontrar los patrones repetitivos en una secuencia de números. Sin embargo, cuando el objeto de estudio es el propio estado cuántico —una nube de probabilidad en lugar de un número fijo— las reglas cambian. Los estados cuánticos se definen solo hasta una fase global, un sutil cambio matemático que no altera la realidad física de la partícula pero complica la búsqueda de sus simetrías subyacentes. Hasta ahora, la capacidad de aprender eficientemente estas simetrías se limitaba a grupos simples y bien comportados y a definiciones estrictas de invariancia, dejando un vasto paisaje de complejos objetos cuánticos inexplorado.

Un equipo de investigadores de la Universidad de Cambridge y la Universidad de Oxford ha expandido significamente el mapa de lo que es computacionalmente posible en este campo. Han desarrollado una nueva suite de algoritmos cuánticos capaces de aprender las simetrías de una gama mucho más amplia de objetos cuánticos, incluyendo estados cuánticos complejos, los operadores que los manipulan e incluso los paisajes de energía conocidos como Hamiltonianos. Su trabajo va más allá de las limitaciones previas que restringían estos descubrimientos a grupos conmutativos simples y definiciones rígidas de simetría. En su lugar, han creado métodos que funcionan para grupos no conmutativos, donde el orden de las operaciones importa, y para una definición de simetría más natural desde el punto de vista físico que tiene en cuenta la fase global. Esto significa que, por primera vez, una computadora cuántica puede identificar eficientemente los grupos de simetría ocultos de estados cuánticos mixtos y representaciones proyectivas, que son las descripciones algebraicas más generales de las simetrías cuánticas.

El núcleo de su logro reside en resolver un problema conocido como el Problema del Subgrupo Oculto del Estado, que pide a una computadora cuántica encontrar el subgrupo oculto de simetrías que deja inalterado un dado estado cuántico. Los algoritmos anteriores solo podían manejar esta tarea cuando el grupo de simetrías era abeliano, lo que significa que las operaciones podían realizarse en cualquier orden sin cambiar el resultado. Los investigadores han roto esta barrera desarrollando un algoritmo eficiente para una amplia clase de grupos no abelianos, específicamente aquellos que son "polinómicamente cercanos a Hamiltonianos". En estos grupos, aunque no todos los subgrupos son perfectamente normales, la estructura es lo suficientemente cercana como para permitir una computación eficiente. Lo lograron adaptando una técnica llamada muestreo de Fourier débil, que permite al algoritmo extraer el "núcleo normal" del grupo de simetría oculto. Este núcleo es la parte más grande del grupo de simetría que se comporta de manera predecible, y al encontrarlo, el algoritmo puede reconstruir la estructura de simetría completa con alta probabilidad. Este avance por sí solo mejora la eficiencia de la búsqueda de simetrías en muchos casos conocidos y extiende el alcance del aprendizaje cuántico a grupos que anteriormente se consideraban demasiado complejos.

Quizás el cambio más profundo en su trabajo sea la introducción del aprendizaje de simetría "anyónica". En la mecánica cuántica estándar, dos estados que difieren solo por un factor de fase global son físicamente indistinguibles; representan exactamente la misma realidad. Sin embargo, los algoritmos tradicionales de aprendizaje de simetría requerían que el estado fuera invariante exactamente, ignorando este matiz físico. Los investigadores introdujeron un nuevo marco donde un estado se considera simétrico si permanece inalterado salvo por esta fase global. Esta distinción es crucial para comprender los sistemas cuánticos del mundo real, particularmente aquellos que involucran "grupos estabilizadores", que son conjuntos de operadores que dejan un estado cuántico invariante. Al permitir esta flexibilidad de fase, el equipo desarrolló un algoritmo que reduce el problema de encontrar simetrías anyónicas al problema más simple de encontrar simetrías estándar. Lograron esto utilizando un ingenioso truco matemático que involucra el producto tensorial del estado consigo mismo, convirtiendo efectivamente la ambigüedad de fase en un problema de simetría estándar que la computadora puede resolver.

Para abordar el caso aún más complejo de las representaciones proyectivas, donde las operaciones de simetría incluyen un "giro" o una multiplicación escalar que no puede eliminarse, los investigadores establecieron una sorprendente conexión con los códigos de corrección de errores. Se dieron cuenta de que el problema de linealizar estas representaciones "retorcidas" podía mapearse directamente sobre la construcción de códigos lineales, que son estructuras matemáticas utilizadas para detectar y corregir errores en la transmisión de datos. Al tratar el problema del aprendizaje de simetría como un problema de teoría de códigos, pudieron diseñar algoritmos que utilizan códigos específicos para "desretorcer" las representaciones proyectivas, convirtiéndolas en representaciones lineales estándar que una computadora cuántica puede procesar. Este enfoque les permitió resolver el problema de aprender los grupos estabilizadores de arbitrarios estados cuánticos mixtos, una tarea que había permanecido sin resolver para casos generales. Su método es altamente eficiente, requiriendo un número de copias del estado cuántico que escala logarítmicamente con el tamaño del sistema, lo que lo hace factible para aplicaciones prácticas.

El alcance de su descubrimiento se extiende más allá de los estados cuánticos. Los investigadores demostraron que las simetrías de otros objetos cuánticos, como los operadores unitarios (que describen cómo evolucionan los estados cuánticos en el tiempo) y los Hamiltonianos (que describen la energía de un sistema), pueden aprenderse reduciendo estos problemas al problema de aprendizaje de simetría de estados que ya habían resuelto. Por ejemplo, para encontrar las simetrías de un Hamiltoniano, mostraron que se podría analizar las simetrías del operador unitario que describe su evolución temporal. Del mismo modo, abordaron el problema de aprender simetrías para una colección de estados o un subespacio de estados, mostrando que estos también podrían reducirse al núcleo central del aprendizaje de estados. Esta unificación sugiere que el aprendizaje de simetría de estados es un bloque de construcción fundamental, un primitivo universal que puede aplicarse a una amplia variedad de tareas de aprendizaje cuántico.

Las implicaciones de este trabajo son inmediatas y prácticas. Una de las aplicaciones más significativas es el aprendizaje de grupos estabilizadores para estados mixtos de dimensión local arbitraria. En la computación cuántica, los grupos estabilizadores son esenciales para la corrección de errores y la caracterización de estados cuánticos. El nuevo algoritmo proporciona el primer método explícito y demostrablemente correcto para aprender estos grupos para cualquier estado mixto, independientemente de la dimensión de las partículas cuánticas individuales (qudits). Esta es una mejora sustancial respecto a los métodos anteriores, que se limitaban a estados puros o dimensiones específicas. Los investigadores también optimizaron los parámetros de sus algoritmos, mostrando cómo equilibrar el número de copias del estado cuántico necesarias frente a la velocidad de la computación, proporcionando una hoja de ruta para dispositivos cuánticos de corto plazo que pueden tener dificultades para mantener la coherencia a través de muchas copias de un estado.

Si bien el artículo establece estas poderosas nuevas capacidades, también delimita claramente los límites de lo que es actualmente posible. Los algoritmos son eficientes para grupos finitos y clases específicas de grupos no abelianos, pero los autores reconocen que el caso general para todos los grupos no abelianos sigue siendo un problema difícil, probablemente tan difícil como el Problema del Subgrupo Oculto general. También señalan que sus resultados actuales dependen de simetrías exactas, mientras que los sistemas cuánticos del mundo real están sujetos al ruido y a las imperfecciones. El artículo deja explícitamente abierta la cuestión del aprendizaje de simetrías aproximadas para futuras investigaciones, reconociendo que la estructura matemática de los conjuntos de simetría aproximada puede no formar un subgrupo limpio. Además, aunque han extendido el marco para representaciones proyectivas para grupos abelianos, la extensión a grupos no abelianos con representaciones proyectivas sigue siendo un desafío, ya que las técnicas estándar para linealizar estas representaciones no se generalizan fácilmente.

Al final, este trabajo representa un paso significativo hacia adelante en nuestra capacidad para comprender y manipular el mundo cuántico. Al ampliar el alcance del aprendizaje de simetría para incluir grupos no abelianos, simetrías anyónicas y representaciones proyectivas, los investigadores han proporcionado un conjunto de herramientas más completo para el diseño de algoritmos cuánticos. Han demostrado que los principios de la simetría, un pilar de la física durante mucho tiempo, pueden aprovecharse computacionalmente de formas que antes se consideraban inalcanzables. La conexión que forjaron entre el aprendizaje de simetría cuántica y la teoría de códigos abre nuevas vías para la investigación, sugiriendo que las herramientas desarrolladas para proteger los datos de los errores también podrían ser la clave para desbloquear las simetrías más profundas de la naturaleza. A medida que las computadoras cuánticas sigan creciendo en potencia, estos algoritmos probablemente serán esenciales para caracterizar sistemas cuánticos complejos, diseñar códigos de corrección de errores y explorar las leyes fundamentales que gobiernan el reino cuántico.