(metamorworks / Shutterstock)
La computación cuántica se ha apoderado de la imaginación de los científicos informáticos como un posible futuro de la disciplina después de haber alcanzado los límites de las computadoras binarias digitales. Gracias a su capacidad para contener muchos resultados posibles diferentes en el «estado cuántico», la computación cuántica podría ofrecer una gran actualización computacional para el aprendizaje automático y los problemas de inteligencia artificial. Sin embargo, todavía hay muchas preguntas sin respuesta en torno a la computación cuántica, y no está claro si los dispositivos ayudarán con la creciente ola de inversión en IA empresarial.
Lo hemos hecho bastante bien con la línea de computadoras binarias que apareció por primera vez en la década de 1950 y se ha convertido en la base del sector de TI de hoy, que tiene un valor de billones de dólares. Con solo dos bits y tres operadores algebraicos booleanos, creamos tremendas máquinas procesadoras de datos que han automatizado muchas tareas manuales y han tenido un gran impacto en el mundo que nos rodea. Desde la contabilidad básica y el enrutamiento de la cadena de suministro hasta las computadoras de control de vuelo y la comprensión del genoma, es difícil exagerar el impacto que las computadoras han tenido en nuestras vidas modernas.
Pero a medida que nos acercamos a los límites de lo que pueden hacer las computadoras binarias clásicas, las computadoras cuánticas han surgido con la promesa (aún no cumplida) de una tremenda mejora en el poder computacional. En lugar de estar restringido a funciones algebraicas lineales booleanas en 1 y 0, la computación cuántica nos permite usar álgebra lineal sobre bits cuánticos, o qubits, que se componen de números, vectores y matrices que interactúan en estados cuánticos, incluida la superposición, el entrelazamiento y interferencia.
La computación cuántica abre la puerta a la solución potencial de problemas computacionales muy grandes y complejos que son básicamente imposibles de resolver en computadoras tradicionales. Esto incluye cosas como el uso de métodos de fuerza bruta para adivinar el código de acceso utilizado para cifrar un dato mediante un algoritmo de 256 bits. Los datos cifrados con AES-256 se consideran seguros precisamente porque no se pueden descifrar con un ataque de fuerza bruta (es posible, pero llevaría muchos miles de años con la tecnología actual, lo que lo hace prácticamente imposible). Pero con la capacidad de las computadoras cuánticas para calcular con múltiples estados posibles, resolver tales problemas ahora estará al alcance de la mano.
El procesador cuántico Google Sycamore (Fuente de la imagen: Google)
Otro ejemplo es el problema del viajante. Dada una serie de ubicaciones geográficas, determinar la ruta más eficiente entre ellas es en realidad un problema de computación extremadamente intensivo. UPS, que gasta miles de millones en combustible para sus camiones de reparto, ha llegado a limitar la cantidad de giros a la izquierda que hacen sus conductores en un intento de maximizar el tiempo de entrega y minimizar el uso de combustible, lo que lo convierte en un giro interesante en el viejo problema de los vendedores ambulantes. .
Lo que nos lleva al aprendizaje automático y a la inteligencia artificial. La última encarnación del aprendizaje automático, el aprendizaje profundo, está superando los límites de lo que pueden manejar las computadoras tradicionales. Los modelos de transformadores grandes, como el GPT-3 de OpenAI, que tiene 175 mil millones de parámetros, tardan meses en entrenarse en computadoras clásicas. A medida que los modelos futuros crezcan hasta alcanzar los billones de parámetros, tardarán aún más en entrenarse. Esa es una de las razones por las que los usuarios están adoptando arquitecturas de microprocesador novedosas que ofrecen un mejor rendimiento que el que pueden ofrecer las CPU tradicionales e incluso las GPU.
Pero al final del día, las CPU y GPU están vinculadas a las computadoras binarias clásicas y las limitaciones que conllevan. Las computadoras cuánticas ofrecen la posibilidad de un salto cuántico en rendimiento y capacidad para una variedad de casos de uso, y la IA es definitivamente uno de ellos.
Cem Dilmegani, analista de la industria en AIMultiple, define la IA cuántica como el uso de la computación cuántica para ejecutar algoritmos de aprendizaje automático. «Gracias a las ventajas computacionales de la computación cuántica, la IA cuántica puede ayudar a lograr resultados que no son posibles de lograr con las computadoras clásicas», escribe Dilmegani.
Una computadora cuántica de Oxford-Quantum-Circuits (Imagen cortesía de la empresa)
Uno de los primeros fabricantes de computadoras cuánticas que está avanzando en esta área es Google. En marzo de 2020, Google lanzó TensorFlow Quantum, que lleva la biblioteca de desarrollo de aprendizaje automático de TensorFlow al mundo de las computadoras cuánticas. Con TensorFlow Quantum, los desarrolladores podrán desarrollar modelos de redes neuronales cuánticas que se ejecutan en computadoras cuánticas.
Si bien la ejecución de aplicaciones de inteligencia artificial en computadoras cuánticas aún se encuentra en sus etapas más tempranas, hay muchas organizaciones que trabajan para desarrollarla. La NASA ha estado trabajando con Google durante algún tiempo y también se está trabajando en los laboratorios nacionales.
Por ejemplo, el mes pasado, investigadores del Laboratorio Nacional de Los Alamos publicaron un artículo llamado «Ausencia de mesetas estériles en redes neuronales convolucionales cuánticas», que esencialmente muestra que las redes neuronales convolucionales (el tipo que se usa comúnmente para problemas de visión por computadora) pueden ejecutarse en computadoras cuánticas. .
«Demostramos la ausencia de mesetas estériles para un tipo especial de red neuronal cuántica», dijo Marco Cerezo, un investigador de LANL y coautor del artículo, en un comunicado de prensa de LANL. “Nuestro trabajo brinda garantías de capacitabilidad para esta arquitectura, lo que significa que uno puede entrenar genéricamente sus parámetros”.
Los investigadores de LANL son optimistas sobre el potencial de los algoritmos cuánticos de IA para proporcionar el próximo avance en la capacidad computacional. Patrick Coles, físico cuántico de LANL y coautor del artículo, dijo que este enfoque producirá nuevos enfoques para procesar grandes cantidades de datos.
«El campo del aprendizaje automático cuántico es todavía joven», dijo Coles en el comunicado de prensa de LANL. “Hay una cita famosa sobre los láseres, cuando se descubrieron por primera vez, que decía que eran una solución en busca de un problema. Ahora los láseres se utilizan en todas partes. Del mismo modo, algunos de nosotros sospechamos que los datos cuánticos estarán altamente disponibles y luego despegará el aprendizaje automático cuántico «.
A principios de este año, IBM Research anunció que encontró una «prueba matemática» de una ventaja cuántica para el aprendizaje automático cuántico. La prueba vino en forma de un algoritmo de clasificación que, proporcionó acceso a «datos clásicos», proporcionó una «aceleración exponencial demostrable» sobre los métodos clásicos de AA. Si bien hay muchas advertencias que acompañan a esa declaración, proporciona un vistazo a un futuro potencial donde la IA cuántica es factible.
Computadora cuántica de IBM (Fuente: IBM)
Sin duda, hay muchas dudas cuando se unen dos tecnologías muy publicitadas: la IA y la computación cuántica. En su blog de julio de 2021, IBM declaró: «Pocos conceptos en ciencias de la computación causan tanto entusiasmo, y tal vez tanto potencial de publicidad y desinformación, como el aprendizaje automático cuántico».
Si bien parece haber potencial con la IA cuántica, ese potencial aún no se ha realizado. En el lado positivo, parece haber al menos motivos para el optimismo de que podría haber un avance real en nuestro futuro.
“Los escépticos tienen razón en que la computación cuántica es todavía un campo de investigación y está muy lejos de aplicarse a las redes neuronales”, escribe Dilmegani. «Sin embargo, en una década, la IA podría llegar a otra meseta debido a una potencia informática insuficiente y la computación cuántica podría aumentar para ayudar al avance de la IA».
Todavía es demasiado pronto para decir si el campo de la computación cuántica tendrá un impacto importante en el desarrollo de la IA. Todavía estamos en medio de lo que aquellos en el campo de la computación cuántica llaman “Quantum ruidoso de etapa intermedia” o NISQ. Definitivamente hay muchos desarrollos prometedores, pero aún quedan demasiadas preguntas sin respuesta.
Artículos relacionados:
El aprendizaje automático elimina el ruido de la computación cuántica
Google lanza TensorFlow Quantum
IBM combina la experiencia de ciencia de datos con la computadora cuántica