Fourier Symmetrization for Geometric Quantum Machine Learning

En el vasto paisaje de la ciencia moderna, los investigadores recurren cada vez más a máquinas que aprenden de los datos para resolver problemas que antes eran dominio exclusivo de la intuición humana. Entre las herramientas más prometedoras en este ámbito se encuentran las computadoras cuánticas, que utilizan las extrañas reglas del mundo subatómico para procesar información de formas que las máquinas clásicas no pueden. Una rama específica de este campo, conocida como aprendizaje automático cuántico geométrico, intenta enseñar a estos sistemas cuánticos a reconocer y respetar las simetrías naturales del mundo físico. Así como un copo de nieve se ve igual después de ser rotado o una molécula se comporta de manera consistente independientemente de cómo se gire, muchos problemas científicos poseen patrones ocultos de invariancia. El desafío ha sido determinar cómo construir modelos cuánticos que se adhieran naturalmente a estos patrones sin volverse tan complejos que resulten imposibles de entrenar o controlar.

Un equipo de investigadores de la École CentraleSupélec en Francia ha proporcionado ahora un mapa más claro para navegar por este terreno. Investigaron cómo la imposición de la simetría en los modelos cuánticos cambia la forma en que estos modelos "piensan" sobre los datos, observando específicamente cómo los modelos descomponen la información en diferentes componentes de frecuencia. Su trabajo revela que cuando un modelo cuántico se ve obligado a respetar la simetría, no simplemente restringe sus opciones; en cambio, reorganiza su estructura interna de una manera que puede hacerlo, de hecho, más poderoso y fácil de entrenar. Al agrupar piezas de información relacionadas, los investigadores encontraron una forma de evitar que las señales de aprendizaje del modelo se desvanezcan en la nada, un problema común que ha plagado el aprendizaje automático cuántico. Además, descubrieron un método nuevo y más eficiente para construir estos modelos simétricos que evita los altos costos de hardware que anteriormente se consideraban necesarios.

Los investigadores se centraron en un tipo de modelo cuántico llamado modelo de Fourier cuántico. Imagine una computadora cuántica como un instrumento complejo capaz de tocar muchas notas diferentes simultáneamente, donde cada nota representa una frecuencia específica de información. En una configuración estándar, la computadora podría intentar aprender un patrón ajustando el volumen de cada nota de forma independiente. Sin embargo, los investigadores demostraron que cuando se requiere que la computadora respete una simetría —como la capacidad de intercambiar dos variables o cambiar sus signos— las notas ya no son independientes. En su lugar, forman grupos, u "órbitas", donde la computadora debe tratar todas las notas de un grupo como una sola unidad. El modelo luego suma el volumen de todas las notas de ese grupo para crear una señal única y más fuerte.

Esta reorganización resulta ser una ventaja crucial. En muchos modelos cuánticos, la señal de las notas individuales se vuelve tan tenue a medida que el sistema crece que la computadora efectivamente deja de aprender, un fenómeno conocido como expresividad evanescente. Los investigadores demostaron que al agrupar estas notas en órbitas simétricas, la señal combinada se vuelve significativamente más fuerte. Incluso si las notas individuales están susurrando, su voz colectiva es lo suficientemente fuerte como para ser escuchada y entrenada. Demostraron matemáticamente que, bajo condiciones ideales, la fuerza de esta señal combinada es exactamente igual a la suma de las fuerzas de las notas individuales dentro del grupo. Incluso en escenarios más realistas e imperfectos, demostraron que este agrupamiento sigue proporcionando un aumento masivo en la fuerza de la señal, superando con creces lo que era posible anteriormente con los métodos existentes.

Más allá de solo hacer los modelos más fuertes, los investigadores descubrieron que este enfoque de simetría cambia el lenguaje mismo que los modelos utilizan para describir el mundo. Cuando aplicaron un tipo específico de simetría que involucra cambios de signo a sus modelos, la estructura matemática resultante se transformó naturalmente en un conjunto de funciones conocidas como polinomios de Chebyshev. Estas son una herramienta poderosa utilizada por matemáticos e ingenieros durante siglos para aproximar curvas complejas y resolver ecuaciones difíciles. Al forzar al modelo cuántico a respetar estas simetrías, los investigadores efectivamente lo programaron para que hablara este lenguaje óptimo automáticamente, sin necesidad de diseñar manualmente la compleja circuitería que de otro modo sería requerida. Esto sugiere que la simetría no es solo una restricción, sino una guía que puede conducir a los modelos cuánticos hacia las formas más eficientes de resolver problemas.

Sin embargo, un obstáculo importante persistía: cómo construir realmente estos modelos simétricos en el hardware cuántico real. Los métodos tradicionales para imponer la simetría a menudo requieren añadir bits cuánticos adicionales o ejecutar circuitos complejos y profundos que tardan mucho tiempo en ejecutarse, lo que los hace poco prácticos para la tecnología actual. El equipo propuso una alternativa ingeniosa llamada codificación aleatorizada. En lugar de construir un circuito especial y rígido que codifique la simetría de forma fija, su método consiste en cambiar aleatoriamente los datos de entrada antes de que entren en el circuito cuántico estándar. Al ejecutar el mismo circuito muchas veces con entradas ligeramente diferentes y transformadas aleatoriamente, y luego promediar los resultados, el sistema produce el mismo resultado simétrico que los métodos complejos y costosos. Este enfoque no requiere bits cuánticos adicionales y no añade profundidad extra al circuito, lo que lo hace mucho más factible para los dispositivos cuánticos ruidosos de hoy en día.

Para probar sus ideas, los investigadores aplicaron estos nuevos modelos para resolver dos problemas matemáticos difíciles que describen fenómenos físicos: la ecuación de Poisson con pantalla y la ecuación de Hamilton-Jacobi viscosa estacionaria. Estas ecuaciones se utilizan para modelar desde campos eléctricos hasta la dinámica de fluidos. Compararon sus nuevos modelos simétricos contra modelos cuánticos estándar y redes neuronales clásicas. Los resultados fueron claros: los modelos que utilizaron la simetría, particularmente aquellos construidos con su nuevo método de codificación aleatorizada, lograron los errores más bajos y las soluciones más precisas. En una prueba específica que involucraba condiciones de contorno difíciles, el modelo cuántico simétrico superó a todos los demás enfoques, incluyendo las redes neuronales clásicas.

El estudio concluye que la simetría es un recurso poderoso y subutilizado en el aprendizaje automático cuántico. No solo limita lo que un modelo puede hacer; sino que remodela la estructura interna del modelo para que sea más robusta y eficiente. Al reorganizar la información en grupos simétricos, los investigadores demostraron que los modelos cuánticos pueden superar la pérdida de señal que ha obstaculizado su progreso. Su nuevo método para implementar estas simetrías ofrece un camino práctico hacia adelante, permitiendo a los investigadores aprovechar estos beneficios sin los costos prohibitivos de hardware que anteriormente hacían que tales enfoques fueran difíciles de escalar. Este trabajo proporciona un plano concreto para diseñar mejores algoritmos cuánticos que no solo sean más precisos, sino también más alineados con las simetrías fundamentales del mundo físico que buscan simular.