On the estimation of linear-optical amplitudes and probabilities with entangled input state

En el mundo silencioso y controlado de la óptica cuántica, los científicos se han sentido fascinados durante mucho tiempo por un enigma específico: cómo se comporta la luz cuando se envían muchas partículas individuales, llamadas fotones, a través de un complejo laberinto de espejos y divisores de haz. Esta configuración, conocida como un interferómetro de óptica lineal, es el corazón de una propuesta llamada muestreo de bosones (boson sampling), que fue diseñada para demostrar que las máquinas cuánticas pueden hacer cosas que las computadoras clásicas no pueden. La idea central es que calcular la probabilidad exacta de dónde aterrizarán estos fotones al final del laberinto es tan matemáticamente difícil que incluso las supercomputadoras más potentes tendrían dificultades para seguir el ritmo. Sin embargo, las aplicaciones del mundo real de estas máquinas, como el entrenamiento de modelos de inteligencia artificial o la simulación de reacciones químicas, rara vez necesitan la lista exacta y bruta de cada posible resultado. En su lugar, necesitan una buena estimación del comportamiento promedio, o la probabilidad de ciertos grupos de resultados, calculada con un grado de precisión razonable. Para entradas simples donde los fotones son independientes entre sí, los científicos ya sabían cómo estimar estos promedios utilizando computadoras clásicas estándar. La gran pregunta seguía siendo: ¿qué sucede si los fotones no son independientes, sino que están profundamente vinculados, o entrelazados, antes de entrar en la máquina?

Un equipo de investigadores de Quandela en Francia ha respondido ahora a esta pregunta, revelando que la profunda conexión entre los fotones no hace que la tarea de estimación sea necesariamente imposible para las computadoras clásicas. Se centraron en un tipo específico de luz entrelazada que se crea secuencialmente, un fotón a la vez, mediante emisores cuánticos como átomos o diminutos puntos semiconductores. En estas fuentes, el emisor conserva una pequeña cantidad de memoria cuántica, reteniendo información sobre los fotones que ya ha enviado, lo que influye en el siguiente. Los investigadores demostraron que, mientras esta memoria sea pequeña —específicamente, si la cantidad de información almacenada crece solo logarítmicamente con el número de fotones—, las computadoras clásicas aún pueden estimar las probabilidades de salida de manera eficiente. Desarrollaron una nueva herramienta matemática que actúa como un guía altamente capacitado, permitiendo a una computadora simular el comportamiento de estos fotones entrelazados sin necesidad de rastrear cada posibilidad a la la vez. Esta herramienta funciona dividiendo el estado complejo y entrelazado en una serie de pasos manejables, calculando la probabilidad de la trayectoria de cada fotón uno por uno, y luego combinando estos pasos para obtener una respuesta fiable.

La importancia de este hallazgo radica en lo que nos dice sobre los límites de la ventaja cuántica. Durante años, se esperaba que el simple hecho de utilizar luz entrelazada fuera suficiente para superar a las computadoras clásicas en estas tareas de estimación. Este artículo demuestra que no es el entrelazamiento en sí lo que crea la dificultad, sino más bien el tamaño de la memoria requerida para generar ese entrelazamiento. Si una fuente cuántica utiliza una memoria que se mantiene pequeña en relación con el número de fotones, una computadora clásica puede mantener el ritmo. Los investigadores probaron que su método es insesgado, lo que significa que no sobreestima ni subestima los resultados de forma sistemática, y que el error en sus estimaciones disminuye de forma predecible a medida que ejecutan más cálculos. Probaron su enfoque en diversos estados complejos, incluyendo cadenas lineales de fotones entrelazados, y confirmaron que el costo computacional sigue siendo manejable siempre que la memoria de la fuente no crezca demasiado.

Este trabajo redibuja eficazmente la frontera entre lo que es fácil para las computadoras clásicas y lo que es difícil. Sugiere que, para muchas aplicaciones propuestas de máquinas cuánticas fotónicas, particularmente aquellas que involucran aprendizaje automático, la mera presencia de luz entrelazada no es suficiente para garantizar una ventaja cuántica. Para superar realmente a los métodos clásicos en estas tareas de estimación específicas, un dispositivo cuántico tendría que utilizar una memoria que crezca linealmente con el número de fotones, o tendría que emplear estrategias más complejas como mediciones adaptativas que cambien el experimento en tiempo real. Los investigadores también proporcionaron un camino claro sobre cómo implementar su método, ofreciendo un paquete de software que puede utilizarse para probar estas ideas con datos reales. Sus resultados indican que, si bien la luz entrelazada es un recurso poderoso, la computadora clásica aún no ha sido derrotada en la carrera por estimar el comportamiento de estos sistemas, siempre que la fuente cuántica no se vuelva demasiado compleja en su memoria interna.

El enfoque de los investigadores se basa en una observación astuta sobre cómo funcionan estas fuentes secuenciales. Cuando un emisor cuántico produce un flujo de fotones, el estado de todo el flujo puede describirse como un estado de producto de matrices (matrix-product state), una estructura matemática que captura las correlaciones entre los fotones de una manera compacta. Los investigadores se dieron cuenta de que esta estructura les permite muestrear los resultados posibles del experimento sitio por sitio, en lugar de intentar resolver todo el problema a la vez. Construyeron un método de muestreo que extrae números aleatorios para simular la trayectoria de los fotones a través del interferómetro, pero a diferencia de los métodos anteriores que solo funcionaban para fotones independientes, su técnica tiene en cuenta el entrelazamiento utilizando la memoria de la fuente para guiar cada paso. Esto les permite calcular el comportamiento promedio del sistema con una precisión que mejora a medida que recopilan más datos y, crucialmente, la cantidad de trabajo requerido para cada paso del cálculo crece solo polinómicamente con el tamaño del sistema, en lugar de explotar exponencialmente.

Uno de los aspectos más importantes de su descubrimiento es la distinción entre el entrelazamiento de la luz y la memoria de la fuente. Un solo espín cuántico puede generar una larga cadena de fotones entrelazados, creando un estado que es altamente complejo y difícil de describir de otras maneras; sin embargo, los investigadores demostraron que, debido a que la memoria de ese único espín es pequeña, el estado sigue siendo fácil de estimar para una computadora clásica. Esto significa que el gran entrelazamiento multipartito que suele celebrarse en la física cuántica no se traduce automáticamente en dificultad computacional para estas tareas específicas. La dificultad solo surge cuando la memoria de la fuente crece lo suficiente como para almacenar una cantidad significativa de información sobre toda la secuencia de emisiones. Los investigadores calcularon que, si la memoria se limita a un número de cúbits que crece logarítmicamente con el número de fotones, la simulación clásica sigue siendo eficiente. Este umbral es significativo porque implica que muchas fuentes de luz cuántica actuales y cercanas al futuro, que típicamente utilizan un número pequeño de emisores o una línea de retardo corta, no podrán superar a las computadoras clásicas en estas tareas de estimación.

El artículo también aborda la parte práctica de estos cálculos, mostrando cómo el método puede extenderse para estimar otras cantidades que son útiles para aplicaciones, como el solapamiento entre dos estados cuánticos diferentes o la probabilidad de encontrar fotones en un subconjunto específico de modos de salida. Estos son el tipo de cálculos que se necesitan para entrenar modelos de aprendizaje automático o para comparar diferentes estados cuánticos. Los investigadores demostraron que su muestreador puede manejar estas tareas con la misma eficiencia, proporcionando una herramienta versátil para el campo. Verificaron sus resultados teóricos con simulaciones numéricas, ejecutando su algoritmo en varios casos de prueba y comparando los resultados con cálculos exactos para sistemas más pequeños. Los resultados coincidieron perfectamente, confirmando que su método es tanto preciso como fiable. También proporcionaron una prueba formal de su método utilizando un sistema de prueba asistida por computadora, asegurando que la lógica matemática detrás de sus afirmaciones es sólida.

En el contexto más amplio de la computación cuántica, este trabajo sirve como un baño de realidad para el campo. Clarifica que el camino hacia una ventaja cuántica no es tan simple como generar luz entrelazada. En cambio, requiere una consideración cuidadosa de los recursos disponibles para el sistema cuántico, particularmente el tamaño de su memoria. Para los investigadores que construyen máquinas cuánticas fotónicas, el mensaje es claro: para lograr una ventaja computacional en tareas de estimación, deben aumentar la memoria de sus fuentes más allá del umbral logarítmico o encontrar formas de usar el dispositivo que vayan más allá de las simples estimaciones aditivas. Los investigadores no afirmaron que su método resuelva todos los problemas de simulación cuántica, ni sugirieron que las computadoras cuánticas nunca serán útiles para estas tareas. Más bien, proporcionaron un límite preciso de dónde las computadoras clásicas aún pueden competir, ofreciendo un objetivo claro para futuros experimentos cuánticos.

El estudio concluye destacando varias preguntas abiertas que permanecen para el campo. Aunque su método funciona bien para estados con un pequeño número de fotones por sitio, aún no está claro cómo manejar situaciones donde muchos fotones ocupan el mismo modo, o cómo tener en cuenta imperfecciones como la distinguibilidad parcial o la pérdida en el sistema. Estos son desafíos del mundo real que cualquier dispositivo cuántico práctico enfrentará. Los investigadores también señalaron que, aunque su trabajo aborda el problema de estimar probabilidades, la cuestión de si el muestreo de la distribución de salida completa de estos estados entrelazados es difícil para las computadoras clásicas sigue siendo un problema abierto. Esta distinción es importante porque muchas aplicaciones propuestas dependen del muestreo, no solo de la estimación. Los investigadores han puesto su código y sus pruebas a disposición del público, permitiendo que otros prueben su método y construyan sobre sus hallazgos. Su trabajo constituye una contribución sólida a nuestra comprensión de las capacidades y limitaciones de las computadoras clásicas y cuánticas en el ámbito de la óptica lineal.