Tanto la computación cuántica como la inteligencia artificial son tecnologías transformadoras, y es probable que la inteligencia artificial requiera de la computación cuántica para lograr un progreso significativo.
Aunque la inteligencia artificial produce aplicaciones funcionales en computadoras clásicas, está limitada por sus capacidades computacionales. La computación cuántica puede proporcionar un impulso computacional a la inteligencia artificial, permitiéndole abordar problemas más complejos y desarrollar una IAG (Inteligencia Artificial General).
¿Qué es la IA cuántica?
La IA cuántica consiste en el uso de la computación cuántica para calcular algoritmos de aprendizaje automático. Gracias a las ventajas computacionales de la computación cuántica, la IA cuántica puede lograr resultados imposibles con las computadoras clásicas.
¿Qué es la computación cuántica?
La mecánica cuántica es un modelo universal basado en principios que difieren de los observados en la vida cotidiana. Se necesita un modelo cuántico de datos para procesarlos mediante computación cuántica. Los modelos híbridos cuántico-clásicos también son necesarios para la computación cuántica, incluyendo la corrección de errores y el correcto funcionamiento del ordenador cuántico.
- Datos cuánticos: Los datos cuánticos son paquetes de datos almacenados en cúbits para su procesamiento. Sin embargo, observar y almacenar datos cuánticos resulta complejo debido a las características que los hacen valiosos: la superposición y el entrelazamiento . Además, los datos cuánticos son ruidosos; por lo tanto, es necesario aplicar el aprendizaje automático para analizarlos e interpretarlos correctamente.
- Modelos híbridos cuántico-clásicos: Es muy probable obtener datos sin sentido al utilizar procesadores cuánticos para generar datos cuánticos. Por esta razón, surge un modelo híbrido, impulsado por mecanismos de procesamiento de datos rápidos como las CPU y las GPU, ampliamente utilizadas en computadoras clásicas.
- Algoritmos cuánticos: Un algoritmo es una secuencia de pasos que conduce a la solución de un problema. Para ejecutar estos pasos en un dispositivo, es necesario utilizar los conjuntos de instrucciones compatibles con dicho dispositivo. La computación cuántica introduce conjuntos de instrucciones basados en un modelo de ejecución fundamentalmente diferente al de la computación clásica. El objetivo de los algoritmos cuánticos es aprovechar efectos cuánticos como la superposición y el entrelazamiento para obtener soluciones más rápidamente.
Para obtener más información, no dude en leer nuestro artículo detallado sobre computación cuántica .
¿Por qué es importante?
Aunque la IA ha experimentado un rápido progreso en la última década, aún no ha superado las limitaciones tecnológicas. Gracias a las características únicas de la computación cuántica, se pueden eliminar los obstáculos para lograr la IAG (Inteligencia Artificial General). La computación cuántica puede utilizarse para el entrenamiento rápido de modelos de aprendizaje automático y para la creación de algoritmos optimizados.
Una IA optimizada y estable, gracias a la computación cuántica, puede completar años de análisis en poco tiempo, impulsando así el avance tecnológico. Los modelos cognitivos neuromórficos, el aprendizaje automático adaptativo y el razonamiento en condiciones de incertidumbre se encuentran entre los desafíos fundamentales de la IA actual. La IA cuántica es una de las soluciones más prometedoras para la IA de próxima generación.
Avances en la IA cuántica
El aprendizaje automático cuántico se acerca a la práctica.
Investigadores de CSIRO y la Universidad de Melbourne descubrieron que el aprendizaje automático cuántico no requiere una corrección de errores completa. En aplicaciones cuánticas, se puede utilizar una corrección de errores parcial. Este enfoque reduce significativamente los requisitos de hardware, lo que permitirá que el aprendizaje automático cuántico impulse aplicaciones del mundo real en un futuro próximo, en lugar de dentro de décadas. 1
IonQ logra una ventaja cuántica práctica para la IA.
IonQ y Ansys realizaron una simulación de un dispositivo médico en la computadora de 36 cúbits de IonQ, que superó a la computación de alto rendimiento clásica en un 12 %. 2
Quantinuum + NVIDIA Asociación para la IA cuántica generativa
Quantinuum se asoció con NVIDIA para acelerar la combinación de computación cuántica e IA generativa a través de NVQLink. Entre los primeros usuarios que lo probaron se encuentran Amgen (que explora el aprendizaje híbrido cuántico-automático para productos biológicos) y BMW (investigación de pilas de combustible). 3
¿Cómo funciona la IA cuántica?
TensorFlow Quantum (TFQ) de Google, una biblioteca de código abierto para el aprendizaje automático cuántico, es un ejemplo de un conjunto de herramientas que combina técnicas de modelado cuántico y aprendizaje automático. El objetivo de TFQ es proporcionar las herramientas necesarias para controlar y modelar sistemas cuánticos naturales o artificiales.
Así es como funciona:
- Convierta datos cuánticos en un conjunto de datos cuánticos: Los datos cuánticos se pueden representar como una matriz multidimensional de números, denominada tensores cuánticos. TensorFlow procesa estos tensores para crear un conjunto de datos que se pueda utilizar posteriormente.
- Selección de modelos de redes neuronales cuánticas: En función del conocimiento de la estructura de datos cuánticos, se seleccionan modelos de redes neuronales cuánticas. El objetivo es realizar un procesamiento cuántico para extraer información oculta en un estado entrelazado.
- Muestra o promedio : La medición de estados cuánticos extrae información clásica en forma de muestras de la distribución clásica. Los valores se obtienen directamente del estado cuántico. TFQ proporciona métodos para promediar varias ejecuciones que incluyen los pasos (1) y (2).
- Evaluar un modelo de red neuronal clásica : dado que los datos cuánticos ahora se convierten en datos clásicos, se utilizan técnicas de aprendizaje profundo para aprender correlaciones en los datos.
Los demás pasos, como la evaluación de la función de coste, los gradientes y la actualización de parámetros, son pasos clásicos del aprendizaje profundo. Estos pasos garantizan la creación de un modelo eficaz para tareas no supervisadas.
¿Qué posibilidades existen de aplicar la computación cuántica a la inteligencia artificial?
El objetivo realista a corto plazo de los investigadores en el campo de la IA cuántica es desarrollar e implementar algoritmos cuánticos que superen a los algoritmos clásicos.
Algoritmos cuánticos para el aprendizaje
Desarrollo de algoritmos cuánticos para generalizaciones cuánticas de modelos de aprendizaje clásicos. Esto puede proporcionar aceleraciones u otras mejoras en el proceso de entrenamiento de aprendizaje profundo. La contribución de la computación cuántica al aprendizaje automático clásico se puede lograr proporcionando rápidamente el conjunto óptimo de pesos para redes neuronales artificiales.
Algoritmos cuánticos para problemas de decisión
Los problemas de decisión clásicos se formulan como árboles de decisión. Un método para alcanzar el conjunto de soluciones consiste en crear ramas a partir de ciertos puntos. Sin embargo, cuando cada problema es demasiado complejo para resolverlo dividiéndolo repetidamente por la mitad, la eficiencia de este método disminuye. Los algoritmos cuánticos basados en la evolución temporal hamiltoniana pueden resolver problemas representados por varios árboles de decisión más rápidamente que los paseos aleatorios.
Búsqueda cuántica
La mayoría de los algoritmos de búsqueda están diseñados para la computación clásica. La computación clásica supera a los humanos en problemas de búsqueda. Por otro lado, Lov Grover presentó su algoritmo Grover y afirmó que las computadoras cuánticas pueden resolver este problema incluso más rápido que las computadoras clásicas. La IA impulsada por la computación cuántica puede ser prometedora para aplicaciones a corto plazo, como el cifrado.
Teoría de juegos cuánticos
La teoría clásica de juegos es un método de modelado ampliamente utilizado en aplicaciones de IA. La extensión de esta teoría al campo cuántico es la teoría cuántica de juegos. Esta puede ser una herramienta prometedora para superar problemas críticos en la comunicación cuántica y para la implementación de la inteligencia artificial cuántica.
¿Cuáles son los hitos críticos para la IA cuántica?
Aunque la IA cuántica es una tecnología inmadura, existen avances en la computación cuántica que aumentan su potencial. Sin embargo, la industria de la IA cuántica necesita alcanzar hitos cruciales para convertirse en una tecnología más madura. Estos hitos se pueden resumir de la siguiente manera:
- Sistemas de computación cuántica más potentes y con menos errores
- Marcos de modelado y entrenamiento de código abierto ampliamente adoptados
- Ecosistema de desarrolladores sustancial y cualificado
- Aplicaciones de IA fascinantes que superan a la computación clásica gracias a la computación cuántica.
Estos pasos cruciales permitirían un mayor desarrollo de la IA cuántica.
Inteligencia artificial para la computación cuántica
Un artículo de Nature Communications destacó cómo la IA está impulsando la computación cuántica en todo el espectro tecnológico:
- Diseño de hardware : la IA optimiza la disposición de los cúbits y la arquitectura del chip.
- Calibración : El aprendizaje automático automatiza la calibración de sistemas cuánticos.
- Corrección de errores : los decodificadores impulsados por IA son ahora los más precisos para identificar y corregir errores cuánticos.
- Compilación de circuitos : La IA diseña transpiladores más inteligentes que traducen eficientemente los algoritmos al hardware cuántico. 4
No dudes en leer más sobre computación cuántica:
Enlaces de referencia
Comentarios 1
Comparte tus ideas
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios.
Thank you. Where may I study this further?
Quantum Computing vendors are publishing quite some material. We will also be publishing other research on this topic.