Classical training of conditional instantaneous quantum polynomial-time Born machines

En los rincones silenciosos de la física y la informática, investigadores están explorando un nuevo tipo de inteligencia artificial que vive dentro de las computadoras cuánticas. A diferencia de las computadoras clásicas en nuestros bolsillos, que procesan la información como una simple secuencia de ceros y unos, las máquinas cuánticas utilizan partículas que pueden existir en muchos estados a la vez. Esta capacidad única les permite abordar problemas que a las computadoras ordinarias les tomaría miles de años resolver. Una aplicación prometedora es el modelado generativo, donde una máquina aprende los patrones ocultos de un sistema complejo —como la forma en que los átomos se organizan en un material o cómo los píxeles forman un rostro— y luego crea nuevos ejemplos realistas de ese sistema. El desafío siempre ha sido entrenar a estas máquinas. Debido a que las computadoras cuánticas son aún frágiles y costosas de operar, los científicos han estado buscando formas de enseñarlas utilizando primero computadoras clásicas, reservando el hardware cuántico solo para el acto final de generar datos.

Un equipo de investigadores ha desarrollado ahora un método para hacer exactamente esto para un tipo específico de modelo cuántico llamado máquina de Born. Estos modelos están diseñados para imitar el comportamiento estadístico de los sistemas cuánticos. Los investigadores descubrieron una forma de enseñar a un solo circuito cuántico a manejar toda una familia de diferentes escenarios, en lugar de solo una situación fija. Imagine a un solo artista que puede pintar un paisaje en verano, invierno, primavera y otoño, simplemente por serle indicado qué estación debe representar, sin necesidad de aprender una técnica de pintura completamente nueva para cada una. El equipo encontró que al codificar la "estación" directamente en el estado inicial de la computadora cuántica, podrían entrenar a la máquina enteramente en una computadora clásica. Una vez entrenada, la máquina podría desplegarse en un dispositivo cuántico real para generar muestras para cualquier condición, incluso aquellas que nunca había visto antes.

El núcleo de su descubrimiento reside en cómo prepararon la computadora cuántica para recibir instrucciones. Los métodos anteriores intentaban ajustar las perillas internas del circuito cuántico basándose en la condición, algo parecido a intentar cambiar el motor de un coche mientras está conduciendo. El nuevo enfoque, en cambio, cambia el combustible antes de que el motor arranque. Alimentan al circuito cuántico con un estado inicial específico que ya contiene la información sobre la condición, como una temperatura específica o un ajuste particular. El circuito luego aplica un conjunto único y compartido de operaciones a este estado inicial. Debido a que el estado inicial porta la condición, el circuito no necesita ser reentrenado o reconfigurado para cada nuevo escenario. Esto permite a los investigadores entrenar el modelo usando simulaciones clásicas, que son rápidas y confiables, y luego ejecutar la versión final en un procesador cuántico.

Para probar esta idea, el equipo se centró en dos desafíos distintos. Primero, analizaron una familia matemática de distribuciones donde el promedio y la dispersión podían ajustarse de forma independiente. Entrenaron un modelo para manejar estas variaciones y descubrieron que podía predecir resultados para combinaciones de configuraciones que nunca había encontrado durante el entrenamiento. En esta prueba, su método fue significativamente más preciso que las técnicas antiguas que intentaban ajustar los parámetros internos del circuito para cada condición. El nuevo enfoque capturó la estructura subyacente del problema tan bien que se generalizó a nuevas situaciones con mucho menos error.

La segunda prueba, más exigente, involucró el modelo de Curie-Weiss, un sistema famoso utilizado para describir cómo se comportan los imanes a medida que se calientan o se enfrían. A medida que la temperatura cambia, los espines magnéticos en el material experimentan un cambio dramático, pasando de un estado desordenado a uno ordenado. Esta transición es notoriamente difícil de modelar porque la forma de la distribución de probabilidad cambia fundamentalmente. Los investigadores entrenaron un único modelo cuántico de dieciséis cúbits para manejar todo este rango de temperaturas. Los resultados fueron sorprendentes: el modelo capturó con precisión la transición de un pico único de probabilidad a un doble pico, un comportamiento que representa el cambio físico en el material. Cuando compararon sus resultados con modelos generativos clásicos, el enfoque cuántico funcionó tan bien como los modelos clásicos que tenían siete veces más parámetros ajustables. Más impresionante aún, el modelo aprendió la física tan bien que pudo predecir el comportamiento del sistema a temperaturas que nunca se le habían mostrado durante el entrenamiento.

El equipo no se detuvo en pequeñas simulaciones. Llevaron el método a sus límites, entrenando modelos con hasta dos mil cuarenta y ocho cúbits. A esta escala, es imposible simular el sistema en una computadora clásica para verificar las respuestas directamente. Sin embargo, debido a que las leyes físicas que gobiernan este sistema específico están bien comprendidas, los investigadores pudieron calcular el comportamiento esperado de la magnetismo y compararlo con la salida de su modelo. Encontraron que el modelo aprendió con éxito el orden de largo alcance de la fase fría y pudo extrapolar este comportamiento a tamaños mucho mayores de los utilizados durante el entrenamiento. Esto demostró que el método escala efectivamente, manteniendo su capacidad para aprender patrones complejos incluso a medida que el sistema crece a un tamaño donde la verificación clásica se vuelve imposible.

El estudio también destacó la importancia de cómo se codifica la condición. Probaron diferentes formas de preparar el estado inicial y encontraron que un método de preparación más sofisticado, que implicaba retorcer el estado cuántico de una manera específica, producía resultados mucho mejores que un enfoque más simple. Esto sugiere que la forma en que se introduce la información en la computadora cuántica es tan crítica como el propio algoritmo de aprendizaje. Al diseñar cuidadosamente la entrada, pudieron imponer simetrías físicas al modelo, asegurando que respetara las leyes fundamentales del sistema que intentaba imitar.

En última instancia, este trabajo amplía el alcance del aprendizaje automático cuántico. Demuestra que no necesitamos esperar a computadoras cuánticas perfectas y libres de errores para comenzar a entrenar modelos complejos. Al usar computadoras clásicas para aprender los patrones y computadoras cuánticas solo para generar los datos finales, los investigadores pueden ahora abordar problemas que involucran la generación condicional —donde la salida depende de una variable de entrada específica. Esto abre la puerta a simular sistemas físicos bajo diversas condiciones, desde diferentes temperaturas hasta diferentes campos externos, utilizando un único circuito cuántico compartido. La capacidad de entrenar estos modelos clásicamente y luego desplegarlos en hardware cuántico representa un paso significativo hacia la práctica de los modelos generativos cuánticos para el descubrimiento científico del mundo real.