Engineered Learning Problems on Noisy Quantum Processors

En la carrera por construir máquinas que puedan resolver problemas más allá del alcance de las computadoras actuales, los científicos están explorando un campo donde las propias reglas de la física se convierten en el procesador. Este es el reino del aprendizaje automático cuántico, una disciplina que intenta utilizar los comportos extraños y contraintuitivos de las partículas subatómicas para reconocer patrones y realizar predicciones. La idea central se basa en un concepto llamado "kernel", que es esencialmente una herramienta matemática para medir qué tan similares son dos piezas de datos. En una computadora clásica, esta herramienta funciona comparando puntos de datos de una manera familiar. En una computadora cuántica, los datos se traducen primero al lenguaje de la mecánica cuántica, donde existen en un espacio complejo y de alta dimensionalidad que es difícil de navegar para las máquinas clásicas. La esperanza es que, al realizar esta traducción, la máquina cuántica pueda encontrar conexiones ocultas en los datos que los métodos clásicos simplemente no pueden ver. Sin embargo, una pregunta persistente ha gravitado sobre el campo: ¿pueden estos dispositivos cuánticos ruidosos e imperfectos superar realmente a las supercomputadoras clásicas más potentes, o simplemente están luchando bajo el peso de su propia fragilidad?

Un equipo de investigadores se propuso responder a esta pregunta diseñando un desafío artificial específico donde una computadora cuántica podría teóricamente mantener una ventaja. No intentaron resolver un problema del mundo real como predecir el clima o diagnosticar una enfermedad, porque los métodos clásicos para esas tareas son demasiado fuertes y están demasiado bien comprendidos. En su lugar, crearon un rompecabezas personalizado. Tomaron un conjunto estándar de imágenes —fotos de prendas de vestir como camisetas y vestidos— y utilizaron un circuito cuántico para transformar los datos en una nueva forma. Luego, utilizaron los resultados de esa transformación para asignar etiquetas a las imágenes, creando efectivamente una prueba donde las respuestas "correctas" estaban definidas por la propia perspectiva única de la máquina cuántica. El objetivo era ver si una computadora cuántica podía predecir estas etiquetas mejor que una computadora clásica intentando resolver el mismo rompecabezas. Para asegurar que los resultados fueran genuinos y no solo un capricho de las peculiaridades de una máquina específica, realizaron el experimento en dos procesadores cuánticos diferentes, uno con 54 qubits y otro con 20, e incluso probaron el mismo problema en diferentes secciones del mismo chip para ver si los resultados se mantenían a través de diferentes perfiles de ruido.

Los investigadores descubrieron que cuando los circuitos cuánticos se mantenían relativamente simples, la máquina cuántica efectivamente superaba a sus rivales clásicos. Predijo con éxito las etiquetas con un alto grado de precisión, mientras que los mejores modelos clásicos tenían dificultades para seguir el ritmo. Esta brecha de rendimiento fue clara y reproducible en las diferentes configuraciones de hardware. Sin embargo, a medida que los investigadores hacían los circuitos cuánticos más profundos y complejos para manejar más datos, la ventaja comenzaba a desvanecerse. El ruido inherente al hardware cuántico actual —los errores inevitables que se cuelan a medida que la máquina opera— comenzó a distorsionar los resultados. En cierto punto, con una profundidad de circuito equivalente a diez pasos de un cálculo específico, el rendimiento de la máquina cuántica cayó tanto que ya no pudo superar a los modelos clásicos. La computadora cuántica ya no estaba ganando; estaba tan confundida como la clásica.

El equipo se dirigió entonces a un conjunto de técnicas conocidas como mitigación de errores, que están diseñadas para limpiar los datos ruidosos después de que se ejecuta el experimento, restando efectivamente los errores conocidos para revelar la señal verdadera. Probaron varios métodos, incluyendo uno que intenta adivinar cuál habría sido el resultado si la máquina no tuviera nada de ruido, y otro que utiliza una serie de pulsos rápidos para estabilizar los qubits. Descubrieron que no todos los métodos de corrección de errores eran iguales. Una técnica, que simplemente ajustaba los números finales basándose en cómo la máquina los lee, no ayudó. Otro método, que intentaba extrapolar el resultado libre de ruido, logró restaurar la brecha de rendimiento, pero solo haciendo que el rompecabezas fuera más difícil de resolver para la computadora clásica, en lugar de hacer que la computadora cuántica fuera significativamente mejor. La técnica más efectiva, sin embargo, fue un método que suprimía activamente el ruido durante el proceso. Este enfoque no solo restauró la ventaja de la máquina cuántica, sino que de hecho mejoró su capacidad para resolver el rompecabezas, acercando su rendimiento mucho más a lo que lograría una máquina perfecta y libre de ruido.

A pesar de estos éxitos, los investigadores fueron cuidadosos al aclarar lo que su trabajo no demostró. Demostraron que el hardware cuántico puede superar a los modelos de aprendizaje automático clásicos en una tarea específica e ingenierizada, pero también mostraron que esta ventaja no es absoluta. Cuando simularon el proceso cuántico utilizando un potente algoritmo clásico conocido como estado de producto de matriz, que está diseñado para imitar sistemas cuánticos, la simulación clásica funcionó tan bien como el hardware cuántico ruidoso. Esto sugiere que la ventaja cuántica actual es frágil y depende fuertemente del tipo específico de problema y del nivel de ruido. La simulación clásica fue capaz de mantener el ritmo porque los circuitos cuánticos utilizados en el experimento no eran lo suficientemente complejos como para romper los límites de la computación clásica. Los investigadores concluyeron que, si bien han mostrado un camino donde las máquinas cuánticas pueden ganar, el objetivo final de vencer a los mejores métodos de simulación clásica sigue siendo un obstáculo significativo. El camino a seguir requiere diseñar problemas que no sean solo difíciles de simular para las computadoras clásicas, sino imposibles de imitar para ellas, incluso con los algoritmos más avanzados disponibles hoy en día.

El estudio sirve como un mapa realista del panorama actual de la computación cuántica. Confirma que las máquinas cuánticas pueden hacer cosas que las clásicas no pueden, pero solo bajo condiciones cuidadosamente controladas y con la ayuda de la corrección de errores. También destaca que el campo se encuentra todavía en una fase en la que el "ruido" de la máquina es a menudo el factor decisivo entre la victoria y la derrota. Al mostrar que diferentes técnicas de mitigación de errores tienen efectos muy distintos, el trabajo proporciona una hoja de ruta para futuros experimentos, sugiriendo que no basta con ejecutar un algoritmo cuántico; también se deben elegir las herramientas adecuadas para limpiar el desastre que la máquina genera. Los investigadores no afirmaron haber resuelto el problema de la ventaja cuántica, pero sí proporcionaron evidencia sólida de que es un objetivo alcanzable, siempre que los problemas se elijan con suficiente cuidado para superar a las simulaciones clásicas que son actualmente el obstáculo más grande.