El aprendizaje de la máquina cuántica se amplía a infinitas dimensiones

Físicos han creado un algoritmo de aprendizaje para máquinas cuánticas que puede usar dimensiones infinitas: trabaja con variables continuas, con un número infinito de valores en un intervalo cerrado.

Los investigadores, Hoi-Kwan Lau et al., han publicado un artículo sobre cómo generalizar el aprendizaje de la máquina cuántica a dimensiones infinitas en un reciente número de Physical Review Letters.

Como explican los físicos, el aprendizaje de la máquina cuántica es un nuevo subcampo dentro del campo de la información cuántica, que combina la velocidad de la computación cuántica con la capacidad de aprender y adaptarse, tal como lo ofrece el aprendizaje automático.

Una de las mayores ventajas de tener un algoritmo de aprendizaje de máquina cuántica para variables continuas es que teóricamente puede operar mucho más rápido que los algoritmos clásicos. Dado que muchos modelos de ciencias e ingeniería implican variables continuas, aplicar el aprendizaje de la máquina cuántica a estos problemas podría potencialmente tener aplicaciones de gran alcance.

“Nuestro trabajo demuestra la capacidad de tomar ventaja de la fotónica para realizar tareas de aprendizaje de la máquina en una computadora cuántica que podría exceder la velocidad de cualquier computadora convencional”, dijo a Phys.org el coautor George Siopsis de la Universidad de Tennessee.

“El aprendizaje de la máquina cuántica también ofrece ventajas potenciales, como menores requerimientos de energía debido a la capacidad de almacenar más información por qubit, y un costo muy bajo por qubit en comparación con otras tecnologías”.

La mayoría de los algoritmos de aprendizaje de máquina cuántica desarrollados hasta ahora sólo trabajan con problemas que implican variables discretas, que implican un número finito de valores. Aplicar el aprendizaje de la máquina cuántica a problemas de variable continua requiere un enfoque muy diferente.

Para ello, los físicos tuvieron que desarrollar un nuevo conjunto de herramientas que trabajan con variables continuas. Esto implica reemplazar las puertas lógicas que se utilizan para los estados de variable discreta con puertas físicas, que trabajan para estados de variable continua. A partir de estos componentes básicos del algoritmo, los científicos desarrollaron entonces nuevos métodos que potencian los problemas de aprendizaje de la máquina cuántica, llamados subrutinas, que están representados por matrices y vectores.

Aunque los resultados del estudio son puramente teóricos, los físicos esperan que el nuevo algoritmo para variables continuas pueda ser implementado experimentalmente utilizando la tecnología actualmente disponible. La implementación podría realizarse de varias maneras, por ejemplo utilizando sistemas ópticos, sistemas de espín o átomos atrapados.

Independientemente del tipo de sistema, la implementación sería un desafío. Por ejemplo, una implementación óptica que los científicos describen aquí requeriría algunas de las últimas tecnologías, tales como “estados de gato” (una superposición de los estados “0” y “1”) y altas tasas de compresión (para reducir el ruido cuántico).

En el futuro, los científicos esperan investigar más a fondo cómo el aprendizaje de máquina cuántica de variable continua puede extenderse para reproducir algunos de los últimos resultados que involucran variables discretas. Otro camino interesante a seguir es un acercamiento híbrido, que combinaría los métodos de variables discretas y continuas en un solo algoritmo.

Fuente: Europa Press