El estudio de las redes neuronales cuánticas aún está en desarrollo y varios proyectos buscan comprender sus aplicaciones prácticas y consecuencias. Un artículo escrito por Ryan Morrison para Tech Monitor informa que los científicos de Google están con un proyecto en el que afirman una posible ventaja cuántica en el machine learning y otros asuntos relacionados.
Google afirma 'ventaja cuántica' para el aprendizaje automático
Los científicos dicen que han demostrado una ventaja cuántica en el aprendizaje automático. Las aplicaciones prácticas de la tecnología pueden no estar muy lejos.
Los investigadores de inteligencia artificial de Google afirman que han logrado una ventaja cuántica, es decir, cuando una computadora cuántica puede realizar tareas que no son posibles con una máquina clásica, en el campo del aprendizaje automático.
El hito se alcanzó en la computadora cuántica Sycamore de Google, dijeron los investigadores, que completó una serie de tareas de aprendizaje utilizando un algoritmo de aprendizaje cuántico que analiza la salida de los sensores cuánticos.
“A diferencia de las demostraciones anteriores de ventajas cuánticas, ningún avance en el poder de la computación clásica podría superar esta brecha”, escribieron los investigadores que llevaron a cabo el experimento. "Esta es la primera demostración de una ventaja exponencial comprobable en el aprendizaje de sistemas cuánticos que es robusto incluso en el hardware ruidoso de hoy".
Un sistema de aprendizaje automático clásico no podría acceder directamente a la información cuántica ni aprender de ella, afirman los investigadores, mientras que el agente de aprendizaje cuántico puede acceder e interactuar directamente con los datos cuánticos, proporcionando un nivel de análisis que no es posible de ninguna otra manera.
Cómo la computadora cuántica de Google supera a las máquinas clásicas
En un nuevo artículo publicado en Science, el equipo demostró que su agente de aprendizaje cuántico también podía funcionar exponencialmente mejor que el aprendizaje automático clásico en otras tareas que no involucraban datos cuánticos.
"Es probable que las computadoras cuánticas ofrezcan mejoras exponenciales sobre los sistemas clásicos para ciertos problemas, pero para darse cuenta de su potencial, los investigadores primero deben aumentar la cantidad de qubits y mejorar la corrección de errores cuánticos", explicaron los autores.
Pero incluso las ruidosas computadoras cuánticas de la generación actual son una gran mejora con respecto a las máquinas clásicas cuando se trata de analizar datos de sensores cuánticos, agregan. Estos sensores ya se usan ampliamente para mediciones de alta precisión y aprovechan las correlaciones entre partículas para extraer más información sobre un sistema de la que estaría disponible de otra manera. Se pueden implementar para el mapeo ambiental y para medir cosas como los campos magnéticos.
La implementación práctica del aprendizaje automático cuántico
Incluso sin aprovechar el potencial de los sensores cuánticos, el equipo de Google descubrió que su computadora cuántica era "exponencialmente mejor" para analizar datos tradicionales que una máquina clásica.
“Este trabajo experimental representa la primera ventaja exponencial demostrada en el aprendizaje automático cuántico”, escribieron los autores. "Este tipo de ventaja de aprendizaje cuántico no puede ser cuestionada, ni siquiera por recursos informáticos clásicos ilimitados".
Si bien los resultados de Google se lograron en condiciones de laboratorio, las empresas ya están estudiando formas en que las técnicas de aprendizaje automático cuántico podrían implementarse en el mundo real. Hablando en la Cumbre de IA en Londres a principios de este mes, Dimitrios Emmanoulopoulos, científico de datos principal de Barclays, dijo que ya había varios casos de uso realistas para el aprendizaje automático cuántico en los servicios financieros, incluida la detección de fraudes.
“Se espera que las computadoras cuánticas ofrezcan, para ciertas tareas, tiempos computacionales exponencialmente más rápidos que los procesadores clásicos”, dijo Emmanoulopoulos. "Actualmente, entrenar modelos de aprendizaje automático de última generación es computacionalmente muy costoso, e incluso con el último hardware, los tiempos de entrenamiento pueden alcanzar varias semanas".
Emmanoulopoulos dijo que las redes neuronales cuánticas que se ejecutan en la tecnología de computación cuántica actual ya se pueden entrenar significativamente más rápido que un modelo clásico de aprendizaje automático, y que es probable que los tiempos de entrenamiento se reduzcan aún más a medida que las máquinas cuánticas más avanzadas lleguen al mercado.
(fuente)
Comments