Las computadoras cuánticas prometen resolver problemas que a las máquinas actuales les tomaría miles de años, pero son increíblemente frágiles. Las diminutas partículas que sostienen su información, llamadas cúbits, se ven fácilmente perturbadas por el calor, la vibración o incluso por ondas electromagnéticas errantes. Cuando un cúbit se perturba, comete un error, y si estos errores se acumulan, el cálculo completo colapsa. Para construir una computadora cuántica útil, los científicos deben construir un sistema que pueda encontrar y corregir estos errores a medida que ocurren, un proceso conocido como corrección de errores cuánticos. El método más popular para hacer esto utiliza una cuadrícula de cúbits donde el sistema verifica constantemente su propia salud. Estas verificaciones producen un flujo de datos llamado síndrome, que actúa como un mapa de dónde han ocurrido los errores. El desafío es que una computadora debe leer este mapa y decidir cómo corregir los errores más rápido de lo que pueden aparecer nuevos errores, una carrera contra el tiempo que requiere una velocidad e precisión inmensas.

Durante años, las mejores herramientas para leer estos mapas de error han sido algoritmos clásicos que tratan a toda la cuadrícula como un bloque sólido de datos, verificando cada uno de los cuadros independientemente de si hay algo mal. Este enfoque es fiable pero lento, porque desperdicia tiempo procesando el espacio vacío. En un nuevo estudio, investigadores de la Universidad de California, Irvine, han introducido una forma diferente de pensar. Construyeron un decodificador que ignora las partes vacías de la cuadrícula y se concentra solo en los pocos puntos donde realmente ocurrió un error. Al tratar el mapa de error no como una imagen completa sino como una lista dispersa de eventos activos, crearon un sistema que es drásticamente más rápido y tan preciso como los mejores métodos existentes.

Los investigadores, liderados por Samira Sayedsalehi, desarrollaron lo que llaman el Decodificador Mamba Disperso (Sparse Mamba Decoder). Para entender por qué esto es un avance, primero hay que entender la naturaleza de los errores. En una computadora cuántica ejecutando un experimento típico, los errores son raros. De miles de lugares posibles donde se podría registrar un error, usualmente solo una fracción minúscula, a menudo menos del cinco por ciento, muestra un problema. La forma antigua de decodificar era como un guardia de seguridad recorriendo cada una de las habitaciones de un hotel enorme y vacío para buscar intrusos, a pesar de que el guardia sabía que los intrusos solo aparecían en algunas habitaciones específicas. El nuevo decodificador se salta las habitaciones vacías por completo. Espera a que suene la alarma, identifica la habitación específica de donde provino el ruido y luego analiza solo esa habitación y sus alrededores inmediatos.

Este cambio de estrategia permitió al equipo utilizar un nuevo y poderoso tipo de arquitectura de inteligencia artificial llamada modelo de espacio de estados, específicamente una versión conocida como Mamba. Este modelo está diseñado para procesar secuencias de información de manera eficiente. En lugar de alimentar todo el sistema con la cuadrícula completa de datos, los investigadores extrajeron solo las señales de error activas, que llaman defectos. Luego, envolvieron cada defecto en una descripción detallada que contenía su ubicación, el tipo de error y su relación con los errores cercanos. Esto creó una lista corta y de longitud variable de eventos, en lugar de un bloque gigante y estático de datos. El modelo de IA leyó entonces esta lista para predecir si la computadora había sufrido un fallo lógico, que es un error que no puede corregirse y arruina el cálculo.

Los resultados de este enfoque fueron impactantes. Al ser probado con datos simulados que imitan el comportamiento del hardware cuántico real, el nuevo decodificador redujo la tasa de errores incorregibles hasta en un 49 por ciento en comparación con el método estándar utilizado en el campo. Más importante aún, lo hizo con una velocidad increíble. En las pruebas, el nuevo sistema funcionó entre 95 y 467 veces más rápido que el decodificador actual líder, casi perfecto, conocido como Tesseract. Mientras que el decodificador Tesseract tardaba milisegundos en procesar un solo mapa de error, el nuevo sistema completó la tarea en microsegundos. Esta velocidad es crítica porque las computadoras cuánticas operan en ciclos que duran solo alrededor de un microsegundo; si el decodificador es demasiado lento, la computadora no puede seguir el ritmo de sus propios errores.

Los investigadores también probaron su sistema con datos reales recolectados del procesador cuántico Sycamore de Google. En estos experimentos, el nuevo decodificador igualó o superó ligeramente el rendimiento de una red neuronal previa, más compleja, que procesaba la cuadrícula completa de datos. Esto demostró que el nuevo método no perdió precisión al ignorar el espacio vacío; simplemente encontró una forma más eficiente de ver la señal. El sistema logró este alto rendimiento en tarjetas gráficas estándar y comercialmente disponibles, sin necesidad del hardware de supercomputación especializado y costoso que requieren otros decodificadores avanzados.

Uno de los hallazgos más significativos fue cómo el sistema manejó el tamaño de la computadora cuántica. A medida que la cuadrícula de cúbits crece para realizar cálculos más complejos, la cantidad de datos a procesar suele explotar, haciendo que la decodificación sea cada vez más lenta. El nuevo decodificador, sin embargo, mantuvo una velocidad casi constante independientemente del tamaño de la cuadrícula. Mientras que otros métodos se volvieron cientos de veces más lentos a medida que la cuadrícula crecía, este sistema solo se ralentizó por un pequeño factor. Esto sugiere que, a medida que las computadoras cuánticas escalen a los tamaños masivos necesarios para usos prácticos, este enfoque centrado en los defectos será no solo más rápido, sino esencial.

El éxito del Decodificador Mamba Disperso se basa en una forma ingeniosa de describir los errores. En lugar de solo saber dónde ocurrió un error, el sistema recibió un conjunto rico de pistas para cada evento de error. Se le informó las coordenadas exactas del error, si era un giro de bit (bit-flip) o un giro de fase (phase-flip), y si sus vecinos también estaban activando las alarmas. También se le dio un historial del estado del error a través del tiempo. Al alimentar este contexto detallado a la IA, el sistema aprendió a reconocer patrones complejos de errores que los métodos antiguos pasaban por alto. Aprendió a distinguir entre un simple fallo de medición y una cadena de errores propagándose a través del chip, lo que le permitió tomar mejores decisiones sobre cómo corregir la computadora.

El estudio también destacó una limitación fundamental del enfoque antiguo. Al procesar la cuadrícula completa, los decodificadores previos se veían obligados a tratar las direcciones horizontal y vertical del mapa de error como problemas separados. Sin embargo, en el mundo cuántico, ciertos tipos de errores afectan ambas direcciones al mismo tiempo. El nuevo decodificador, al observar la secuencia de todos los errores juntos, pudo ver naturalmente estas conexiones. Esto le permitió resolver problemas que los métodos antiguos y separados no podían, lo que llevó a la significativa caída en las tasas de error observada en las pruebas.

Si bien el sistema aún no es lo suficientemente rápido como para funcionar en tiempo real en las computadoras cuánticas superconductoras más rápidas, que operan en un ciclo de un microsegundo, representa un salto masivo hacia adelante. Los investigadores señalaron que la versión actual procesa los datos en lotes, lo que añade un pequeño retraso. Sin embargo, la lógica subyacente es tan eficiente que una versión futura, diseñada para transmitir datos a medida que llegan, podría potencialmente alcanzar las velocidades necesarias para la corrección en tiempo real. El hecho de que este nivel de rendimiento se lograra en una tarjeta gráfica estándar sugiere que la barrera de entrada para una corrección de errores cuánticos de alta calidad es más baja de lo que se pensaba anteriormente.

El trabajo demuestra que la dispersión inherente de los errores cuánticos es una característica, no un error. Al diseñar una arquitectura que respete esta dispersión, los investigadores encontraron un camino hacia una decodificación que es tanto más rápida como más precisa. El estudio descarta la idea de que procesar la cuadrícula completa y densa de datos sea necesario para una alta precisión, mostrando en cambio que enfocarse en los defectos activos es una estrategia superior. A medida que el hardware cuántico continúe mejorando y creciendo en tamaño, la capacidad de decodificar errores de manera rápida y eficiente será la clave para desbloquear todo el potencial de estas máquinas. Este nuevo decodificador proporciona un camino claro y práctico hacia ese futuro, demostrando que, a veces, la mejor manera de resolver un problema complejo es ignorar todo lo que no está roto.