Cualquiera que recolecte hongos sabe que es mejor mantener separados los venenosos y no venenosos. Sin mencionar lo que sucedería si alguien se comiera los venenosos. En tales "problemas de clasificación", que requieren que distingamos ciertos objetosunos de otros y para asignar los objetos que buscamos a determinadas clases mediante características, las computadoras ya pueden proporcionar un apoyo útil a los humanos.
Los métodos inteligentes de aprendizaje automático pueden reconocer patrones u objetos y seleccionarlos automáticamente de conjuntos de datos. Por ejemplo, podrían seleccionar esas imágenes de una base de datos de fotografías que muestran hongos no tóxicos. En particular, con conjuntos de datos muy grandes y complejos, la máquinael aprendizaje puede ofrecer resultados valiosos que los humanos no podrían descubrir, o solo con mucho más tiempo. Sin embargo, para ciertas tareas computacionales, incluso las computadoras más rápidas disponibles en la actualidad alcanzan sus límites. Aquí es donde entra en juego la gran promesa de las computadoras cuánticasplay: que algún día también realizarán cálculos superrápidos que las computadoras clásicas no pueden resolver en un período de tiempo útil.
La razón de esta "supremacía cuántica" radica en la física: las computadoras cuánticas calculan y procesan información explotando ciertos estados e interacciones que ocurren dentro de átomos o moléculas o entre partículas elementales.
El hecho de que los estados cuánticos puedan superponerse y entrelazarse crea una base que permite a las computadoras cuánticas el acceso a un conjunto fundamentalmente más rico de lógica de procesamiento. Por ejemplo, a diferencia de las computadoras clásicas, las computadoras cuánticas no calculan con códigos binarios o bits, que procesan informaciónsolo como 0 o 1, pero con bits cuánticos o qubits, que corresponden a los estados cuánticos de las partículas. La diferencia crucial es que los qubits pueden realizar no solo un estado 0 o 1 por paso computacional, sino también un estado enque ambos se superponen. Estas formas más generales de procesamiento de la información, a su vez, permiten una drástica aceleración computacional en ciertos problemas.
Traduciendo la sabiduría clásica al reino cuántico
Estas ventajas de velocidad de la computación cuántica también son una oportunidad para las aplicaciones de aprendizaje automático; después de todo, las computadoras cuánticas podrían calcular las enormes cantidades de datos que los métodos de aprendizaje automático necesitan para mejorar la precisión de sus resultados mucho más rápido que las computadoras clásicas.
Sin embargo, para explotar realmente el potencial de la computación cuántica, uno tiene que adaptar los métodos clásicos de aprendizaje automático a las peculiaridades de las computadoras cuánticas. Por ejemplo, los algoritmos, es decir, las reglas de cálculo matemático que describen cómo una computadora clásica resuelve un determinado problema., debe formularse de manera diferente para las computadoras cuánticas. El desarrollo de "algoritmos cuánticos" que funcionen bien para el aprendizaje automático no es del todo trivial, porque todavía hay algunos obstáculos que superar en el camino.
Por un lado, esto se debe al hardware cuántico. En ETH Zurich, los investigadores actualmente tienen computadoras cuánticas que funcionan con hasta 17 qubits ver "ETH Zurich y PSI encontraron Quantum Computing Hub" del 3 de mayo de 2021., si las computadoras cuánticas van a desarrollar todo su potencial algún día, podrían necesitar de miles a cientos de miles de qubits.
Ruido cuántico y la inevitabilidad de los errores
Un desafío al que se enfrentan las computadoras cuánticas tiene que ver con su vulnerabilidad al error. Las computadoras cuánticas actuales operan con un nivel muy alto de "ruido", como se conoce en la jerga técnica a los errores o perturbaciones. Para la Sociedad Estadounidense de Física, este ruido es "el principalobstáculo para escalar las computadoras cuánticas ". No existe una solución completa para corregir y mitigar errores. Aún no se ha encontrado ninguna forma de producir hardware cuántico libre de errores, y las computadoras cuánticas con 50 a 100 qubits son demasiado pequeñas para implementar software o algoritmos de corrección.
Hasta cierto punto, uno tiene que vivir con el hecho de que los errores en la computación cuántica son en principio inevitables, porque los estados cuánticos en los que se basan los pasos computacionales concretos solo pueden distinguirse y cuantificarse con probabilidades. Lo que se puede lograr,por otro lado, son procedimientos que limitan la extensión del ruido y las perturbaciones hasta tal punto que los cálculos, no obstante, brindan resultados confiables. Los informáticos se refieren a un método de cálculo que funciona de manera confiable como "robusto" y en este contexto también hablan de lo necesario "tolerancia a errores. "
Esto es exactamente lo que el grupo de investigación dirigido por Ce Zhang, profesor de informática de ETH y miembro del ETH AI Center, ha explorado recientemente, de alguna manera "accidentalmente" durante un esfuerzo por razonar sobre la solidez de las distribuciones clásicas con el propósito deconstruyendo mejores sistemas y plataformas de aprendizaje automático. Junto con la profesora Nana Liu de la Universidad Jiao Tong de Shanghai y el profesor Bo Li de la Universidad de Illinois en Urbana, han desarrollado un nuevo enfoque. Esto les permite demostrar las condiciones de robustez de ciertasmodelos basados en aprendizaje automático, para los cuales se garantiza que la computación cuántica es confiable y el resultado correcto. Los investigadores han publicado su enfoque, que es uno de los primeros en su tipo, en la revista científica npj Quantum Information .
Protección contra errores y piratas informáticos
"Cuando nos dimos cuenta de que los algoritmos cuánticos, como los algoritmos clásicos, son propensos a errores y perturbaciones, nos preguntamos cómo podemos estimar estas fuentes de errores y perturbaciones para ciertas tareas de aprendizaje automático y cómo podemos garantizar la solidez y confiabilidad deel método elegido ", dice Zhikuan Zhao, un postdoctorado en el grupo de Ce Zhang." Si sabemos esto, podemos confiar en los resultados computacionales, incluso si son ruidosos ".
Los investigadores investigaron esta pregunta usando algoritmos de clasificación cuántica como ejemplo; después de todo, los errores en las tareas de clasificación son complicados porque pueden afectar el mundo real, por ejemplo, si los hongos venenosos se clasificaron como no tóxicos. Quizás lo más importante, usarla teoría de las pruebas de hipótesis cuánticas, inspirada en el trabajo reciente de otros investigadores en la aplicación de pruebas de hipótesis en el entorno clásico, que permite distinguir los estados cuánticos, los investigadores de ETH determinaron un umbral por encima del cual se garantizan las asignaciones del algoritmo de clasificación cuántica.para ser correcto y sus predicciones robustas.
Con su método de robustez, los investigadores pueden incluso verificar si la clasificación de una entrada errónea y ruidosa produce el mismo resultado que una entrada limpia y silenciosa. A partir de sus hallazgos, los investigadores también han desarrollado un esquema de protección que se puede utilizar para especificarla tolerancia al error de un cálculo, independientemente de si un error tiene una causa natural o es el resultado de la manipulación de un ataque de piratería. Su concepto de robustez funciona tanto para ataques de piratería como para errores naturales.
"El método también se puede aplicar a una clase más amplia de algoritmos cuánticos", dice Maurice Weber, estudiante de doctorado de Ce Zhang y primer autor de la publicación. Dado que el impacto del error en la computación cuántica aumenta a medida que aumenta el tamaño del sistema, él y Zhao ahora están realizando una investigación sobre este problema. "Somos optimistas de que nuestras condiciones de robustez resultarán útiles, por ejemplo, junto con algoritmos cuánticos diseñados para comprender mejor la estructura electrónica de las moléculas".
El mapa de materia oscura revela puentes ocultos entre galaxias
Comprensión de las partículas invisibles pero poderosas en los cinturones de radiación de la Tierra
Nueva herramienta activa las neuronas cerebrales profundas mediante la combinación de ultrasonido y genética