Machine learning quantum data to accelerate quantum Monte Carlo

En el mundo microscópico de las moléculas y los materiales, el comportamiento de los electrones es a menudo un enredo caótico. Cuando los electrones interactúan fuertemente entre sí, se niegan a actuar de forma independiente, creando patrones complejos que determinan si un material conduce electricidad, se convierte en un superconductor o cataliza una reacción química. Predecir estos comportamientos es uno de los desafíos más difíciles de la ciencia moderna. Las computadoras clásicas, que impulsan desde los teléfonos inteligentes hasta las supercomputadoras, luchan intensamente con esta tarea porque el número de posibles disposiciones electrónicas crece tan rápido que rápidamente sobrepasa incluso a las máquinas más potas. Las computadoras cuánticas, que utilizan las extrañas leyes de la física para procesar información, ofrecen un camino diferente. Pueden representar naturalmente estos estados electrónicos enredados, pero actualmente son propensas a errores y solo pueden contener una cantidad limitada de información a la vez. Para cerrar esta brecha, los científicos han desarrollado un enfoque híbrido: utilizar una computadora cuántica para preparar un boceto aproximado de la disposición electrónica y luego utilizar una computadora clásica para refinar ese boceto en una respuesta precisa. Este método, conocido como Monte Carlo cuántico, ha mostrado una gran promesa, pero se ha topado con un muro. El proceso de traducir los datos brutos de la computadora cuántica a una forma que la computadora clásica pueda utilizar es tan lento y costoso que ha limitado estos experimentos a sistemas muy pequeños, impidiendo que los científicos aborden las moléculas más grandes e interesantes que más importan.

Un equipo de investigadores ha roto ahora esta barrera enseñando a un modelo de aprendizaje automático a leer directamente los datos de la computadora cuántica, evitando la necesidad de cálculos lentos y repetitivos. En un estudio reciente, demostraron que este nuevo enfoque puede acelerar todo el proceso miles de veces, permitiéndoles simular sistemas de hasta 40 cúbits —una escala más del doble de lo que era posible anteriormente con una precisión comparable—. El equipo, trabajando con el procesador cuántico Willow de Google, probó su método en dos desafíos muy diferentes: cadenas largas de átomos de hidrógeno y complejos de hierro-azufre presentes en sistemas biológicos. En ambos casos, el modelo de aprendizaje automático aprendió con éxito a predecir los solapamientos cuánticos necesarios a partir de un conjunto comprimido de mediciones, actuando efectivamente como un traductor rápido e inteligente entre los mundos cuántico y clásico. Los resultados no fueron solo más rápidos; fueron lo suficientemente precisos como para alcanzar la "precisión química", el estándar de oro para predecir cómo se comportan las moléculas, un hito que había permanecido fuera del alcance para estos sistemas más grandes.

El núcleo del problema que los investigadores resolvieron reside en cómo operan actualmente los algoritmos cuánticos híbridos. En una configuración típica, un procesador cuántico prepara una función de onda de prueba, que es una descripción matemática de cómo es probable que los electrones estén dispuestos. Para refinar esta descripción, una computadora clásica ejecuta una simulación llamada Monte Carlo cuántico, que implica millones de pasos donde el sistema es ajustado y verificado. En cada uno de estos pasos, la computadora clásica necesita saber qué tan bien coincide el estado actual con la función de onda de prueba del procesador cuántico. Tradicionalmente, esto requiere que la computadora clásica reprocese los datos brutos de la máquina cuántica para cada paso de la simulación. A medida que el sistema crece, la cantidad de datos explota, y el tiempo requerido para procesarlos se vuelve prohibitivo. En experimentos anteriores, este cuello de botella significaba que simular un sistema de solo 16 cúbits requería más de 13,000 horas de tiempo de computación en potentes procesadores gráficos. Extrapolar esto a un sistema de 40 cúbits sugería que tomaría millones de horas, haciendo tales cálculos efectivamente imposibles.

Para superar esto, los investigadores cambiaron el flujo de trabajo por completo. En lugar de reprocesar los datos brutos millones de veces, recolectaron un gran lote de mediciones aleatorizadas del procesador cuántico una sola vez. Luego utilizaron estos datos para entrenar un modelo de aprendizaje automático, un tipo de inteligencia artificial que puede aprender patrones a partir de ejemplos. Este modelo fue enseñado a predecir los valores específicos que la simulación clásica necesitaba, comprimiendo efectivamente la vasta cantidad de datos cuánticos en un programa compacto y de ejecución rápida. Una vez entrenado, este modelo podía proporcionar la información necesaria para la simulación clásica casi instantáneamente, sin necesidad de volver a mirar nunca más los datos cuánticos originales. Los investigadores compararon esto con aprender un idioma: en lugar de traducir un libro palabra por palabra cada vez que necesitas una oración, aprendes la gramática y el vocabulario una vez, lo que te permite hablar con fluidez e instantáneamente de ahí en adelante.

El equipo puso este método a prueba en el procesador Willow de Google, un dispositivo con más de cien cúbits y capacidades de medición de alta velocidad. Primero abordaron las cadenas de hidrógeno, un estándar de referencia para probar qué tan bien un método maneja el aumento de la complejidad. Al variar la longitud de la cadena, pudieron simccionar sistemas que van desde 8 hasta 40 cúbits. En estas pruebas, el enfoque de aprendizaje automático entregó resultados que fueron químicamente precisos, lo que significa que los niveles de energía predichos estaban dentro de un margen de error minúsculo requerido para la química del mundo real. Más importante aún, la aceleración fue dramática. Para un sistema de 16 cúbits, el nuevo método fue 4,100 veces más rápido que el enfoque tradicional. Para el sistema de 40 cúbits, el método tradicional habría sido tan costoso de ejecutar que nunca se intentó, pero el nuevo método lo hizo factible, completando el cálculo en una fracción del tiempo.

Los investigadores pasaron luego a un problema mucho más difícil: un clúster de hierro-azufre, un tipo de molécula crucial para procesos biológicos como la transferencia de electrones y la catálisis. Estas moléculas son notoriamente difíciles de simular porque sus electrones están altamente correlacionados y existen en muchos estados de energía casi idénticos. Los intentos previos de simular estos sistemas utilizando métodos clásicos o técnicas cuánticas tempranas habían tenido dificultades para alcanzar el nivel de precisión necesario. Utilizando su marco de aprendizaje automático, el equipo simuló con éxito el clúster de hierro-azufre en espacios activos de 28 y 40 cúbits. Descubrieron que su enfoque guiado por la cuántica podía lograr la precisión química incluso cuando el hardware cuántico era ruidoso, un problema común con los dispositivos actuales. El modelo de aprendizaje automático fue lo suficientemente robusto como para filtrar el ruido y extraer la señal física correcta, demostrando que el método funciona incluso cuando los datos cuánticos subyacentes son imperfectos.

Una idea clave del trabajo fue que el modelo de aprendizaje automático no necesitaba reconstruir todo el estado cuántico, lo cual sería demasiado complejo. En su lugar, solo necesitaba aprender los solapamientos específicos —las relaciones matemáticas entre el estado cuántico y las configuraciones utilizadas en la simulación—. Al enfocarse en estas relaciones específicas, el modelo se mantuvo simple y eficiente. Los investigadores también demostraron que podían comenzar con una suposición clásica aproximada y luego usar los datos cuánticos para refinarla, o incluso comenzar desde cero y dejar que los datos cuánticos le enseñaran al modelo todo lo que necesitaba saber. En el caso del clúster de hierro-azufre, mostraron que un modelo entrenado con datos cuánticos superó a los métodos clásicos optimizados para la misma tarea, resaltando el valor único de aprender directamente del hardware cuántico.

Las implicaciones de este trabajo se extienden más allá de estas moléculas específicas. El cuello de botella que los investigadores abordaron —el procesamiento lento de los datos cuánticos— es un problema fundamental que persistirá incluso a medida que las computadoras cuánticas se vuelvan más potentes y libres de errores. Al demostrar que el aprendizaje automático puede comprimir y reutilizar la información cuántica de manera eficiente, el equipo ha proporcionado un plano sobre cómo los algoritmos híbridos pueden escalar para resolver problemas del mundo real. Su éxito con 40 cúbits sugiere que el camino para simular materiales complejos y diseñar nuevos fármacos ya no está bloqueado por el costo computacional. El estudio demuestra que, con la interfaz adecuada entre la computación cuántica y la clásica, ahora podemos acceder a una escala de simulación que antes estaba fuera de nuestro alcance, abriendo la puerta a una nueva era de descubrimientos en la química y la ciencia de materiales.