Quantum Computing through Computational Imaging: Representations, Measurement, and Inference

En el mundo de la ciencia moderna, los investigadores suelen recurrir a complejos modelos matemáticos para reconstruir imágenes a partir de datos incompletos, como por ejemplo, armar una imagen clara del interior del cuerpo humano a partir de sombras de rayos X. Estos modelos tratan la información como arreglos de números, donde cada entrada tiene un valor específico y una ubicación específica. Un campo más reciente, la computación cuántica, promete manejar estos arreglos masivos de una manera fundamentalmente diferente. En lugar de almacenar números en una cuadrícula, una computadora cuántica utiliza unidades diminutas de información llamadas cúbits. Estos cúbits pueden existir en un estado de superposición, lo que significa que pueden contener una combinación de posibilidades a la vez, descrita por valores matemáticos llamados amplitudes. Sin embargo, hay un inconveniente crítico: aunque estas amplitudes pueden manipularse para realizar cálculos, no pueden leerse directamente como las entradas en una hoja de cálculo. Cuando un científico observa el resultado, el estado cuántico colapsa en un único resultado aleatorio basado en las probabilidades definidas por esas amplitudes. Esto crea una brecha entre los poderosos cálculos que una máquina cuántica puede realizar y la información real que un humano necesita extraer de ella.

Un equipo de investigadores de instituciones de Italia y Grecia se ha propuesto cerrar esta brecha, específicamente para el campo de la imagen computacional. Sostienen que no basta con traducir un problema de imagen a un formato cuántico; es necesario definir cuidadosamente qué representa el estado cuántico, cómo se mide y cuál es la decisión final. En su trabajo, demuestran que la forma en que los datos se codifican en un sistema cuántico cambia la naturaleza de la respuesta que se obtiene. Muestran que almacenar datos de imagen brutos como amplitudes es diferente a usar amplitudes para representar una lista de posibles soluciones a un problema. A través de una serie de ejemplos cuidadosamente construidos, revelan que una computadora cuántica podría reducir el costo promedio de una solución sin que la mejor solución posible sea realmente la más probable de aparecer. Esta distinción es vital para cualquiera que aspire a utilizar máquinas cuánticas para resolver problemas de imagen del mundo real, ya que aclara lo que estos dispositivos pueden y no pueden ofrecer.

Los investigadores comenzaron examinando dos formas muy diferentes de utilizar una computadora cuántica para una tarea de imagen. En el primer enfoque, conocido como codificación de amplitud, los valores reales de brillo de los píxeles de una imagen se almacenan directamente en las amplitudes de un estado cuántico. Si tienes cuatro píxeles, podrías usar dos cúbits para contener sus valores. Sin embargo, cuando mides este sistema, no recuperas los valores de los píxeles. En su lugar, obtienes una única ubicación, elegida al azar, donde la probabilidad de elegir esa ubicación depende del brillo del píxel. La escala original de la imagen se pierde en el proceso, y la información de fase compleja que podría ser crucial para la reconstrucción queda ocida. En el segundo enfoque, que el equipo prefiere para problemas de optimización, los cúbits no almacenan los datos de la imagen en sí. En su lugar, representan una solución candidata completa, como una forma específica de etiquetar cada píxel como fondo o primer plano. Aquí, las amplitudes representan la verosimilitud de que todo ese etiquetado sea la respuesta correcta. Este sutil cambio en lo que significa el estado cuántico lo cambia todo respecto a cómo se interpretan los resultados.

Para probar estas ideas, el equipo construyó un escenario pequeño y concreto que involucraba una imagen de cuatro píxeles que debía ser segmentada, o dividida, en dos regiones. Definieron un objetivo matemático que recompensaba el coincidir el brillo del píxel con un umbral y penalizaba tener etiquetas diferentes en píxeles vecinos. Esto creó un paisaje de posibles soluciones, cada una con una "energía" o costo específico. Luego utilizaron un algoritmo cuántico, conocido como Algoritmo de Optimización Aproximada Cuántica, para buscar el mejor etiquetado. Este algoritmo funciona preparando un estado cuántico, aplicando una serie de operaciones que retuercen las amplitudes basándose en el costo de cada solución, y luego mezclándolas para crear interferencia. El objetivo era hacer que la mejor solución apareciera con más frecuencia que las otras.

Los resultados de su simulación revelaron una verdad contraintuitiva. Después de ejecutar el algoritmo, el costo promedio de las soluciones producidas por la computadora cuántica disminuyó significativamente, de un valor inicial de 1.675 a 0.686. Esto sugería que la máquina estaba encontrando con éxito mejores soluciones que el simple azar. Sin embargo, cuando los investigadores observaron las soluciones específicas que aparecían con más frecuencia, descubrieron que el único mejor etiquetado posible, que tenía el costo más bajo de 0.375, no era el resultado más común. En su lugar, un etiquetado ligeramente peor, con un costo de 0.675, aparecía con más frecuencia. La interferencia cuántica que ayudó a reducir el promedio de energía en realidad impulsó la probabilidad de una respuesta subóptima sobre la perfecta. Este hallazgo desafía la suposición de que reducir la energía promedio de un sistema hace automáticamente que la solución óptima sea la más probable de observar.

El equipo profundizó en esto analizando mediciones del mundo real de hardware cuántico existente, específicamente de dispositivos proporcionados por IBM e IQM. Analizaron una tarea ligeramente mayor que involucraba seis píxeles, donde el objetivo era decidir la etiqueta de un límite específico entre regiones. Incluso con el ruido y las imperfecciones del hardware real, los datos mostraron una distinción clara entre la probabilidad de encontrar la solución perfecta única y la probabilidad de obtener una respuesta correcta para solo el límite local. En algunos casos, el hardware tenía mucha más probabilidad de acertar el límite local que de encontrar la solución global perfecta. Esto refuerza la idea de que la "mejor" respuesta depende enteramente de qué pregunta se esté haciendo. Si se necesita la mejor configuración global absoluta, la computadora cuántica podría tener dificultades para proporcionarla de manera eficiente. Si solo se necesita una decisión local fiable, la misma máquina podría ser bastante efectiva.

Los investigadores también utilizaron estos ejemplos para aclarar cómo las computadoras cuánticas manejan la incertidumbre y la información. Demostraron que para aprender sobre una propiedad oculta, como la fase de una onda, no se puede confiar en un solo tipo de medición. Así como un fotógrafo puede necesitar tomar fotos con diferentes ángulos de luz para ver la forma completa de un objeto, un científico cuántico debe utilizar diferentes configuraciones de medición para resolver las ambigüedades que una sola vista no puede detectar. Demostraron que, si bien las mediciones locales pueden proporcionar información precisa sobre una pequeña parte de un sistema, pueden dejar la imagen global ambigua. Solo mediante la combinación de resultados de mediciones complementarias se puede reconstruir la imagen completa.

Finalmente, el artículo aborda la cuestión de si estos métodos cuánticos son realmente más rápidos o más eficientes que las computadoras clásicas. Los autores señalan cuidadosamente que, para los pequeños ejemplos que estudiaron, las computadoras clásicas pueden resolver los problemas de forma exacta e instantánea. El valor de su trabajo no reside en reclamar una ventaja de velocidad que aún no existe, sino en establecer un marco claro para comparar ambos. Argumentan que cualquier afirmación de ventaja cuántica debe tener en cuenta todo el proceso: cómo se cargan los datos, cómo se construye el circuito, cuántas veces se debe ejecutar la máquina para obtener una respuesta fiable y cómo se decodifica el resultado final. Muestran que el costo de preparar el estado cuántico y el número de ejecuciones necesarias para obtener una buena respuesta son tan importantes como el algoritmo mismo.

En su conclusión, el equipo enfatiza que el camino a seguir para la imagen cuántica no es forzar cada problema en un molde cuántico, sino diseñar la computación en torno a la cantidad específica que realmente se necesita. Ya sea que el objetivo sea una reconstrucción de imagen completa, una correlación específica entre píxeles o una decisión simple sobre un límite, el resultado requerido dicta el método. Al separar la representación de los datos de la medición y la decisión final, los investigadores proporcionan una hoja de ruta para que ingenieros y científicos comprendan qué puede devolver realmente una computadora cuántica. Demuestran que, si bien la tecnología es prometedora, el viaje desde un estado cuántico hasta una respuesta científica útil requiere una contabilidad cuidadosa de los recursos, una definición clara del objetivo y una expectativa realista de lo que la máquina realmente producirá. El trabajo sirve como una guía práctica, asegurando que el entusiasmo por la computación cuántica esté fundamentado en una comprensión precisa de sus capacidades y limitaciones.