Fuerte impulso a las tecnologías cuánticas

Las redes neuronales pueden acelerar las mediciones del estado cuántico, que son esenciales para las tecnologías cuánticas, informa la revista PhysicsWorld.

El estado cuántico es la descripción matemática de un sistema físico que sigue las leyes de la mecánica cuántica, como por ejemplo un átomo, un fotón o un cúbit, que es la unidad de información básica de la computación cuántica.

El estado cuántico contiene toda la información posible sobre el sistema, como su posición, su momento, su energía o su entrelazamiento con otros sistemas.

Medida difícil

Sin embargo, medir el estado cuántico no es sencillo, ya que implica realizar muchas observaciones destructivas sobre copias idénticas del sistema y luego reconstruir el estado a partir de los datos obtenidos.

Este proceso se llama tomografía cuántica y es muy costoso en términos de recursos y tiempo. Además, la tomografía cuántica se vuelve más difícil a medida que aumenta el tamaño del sistema, ya que el número de parámetros que hay que estimar crece exponencialmente.

Redes neuronales especiales

Para resolver este problema, una nueva investigación, cuyos resultados se publican en Science Advances, propone utilizar unas redes neuronales artificiales para estimar el estado cuántico a partir de datos parciales o ruidosos.

Las redes neuronales son modelos computacionales inspirados en el funcionamiento del cerebro humano, que pueden aprender de los datos y realizar tareas complejas como el reconocimiento de imágenes, el procesamiento del lenguaje natural o la generación de contenido.

Las redes neuronales se componen de unidades básicas llamadas neuronas artificiales, que reciben entradas, las procesan y producen salidas, de la misma forma que lo hacen las neuronales naturales. Las neuronas artificiales se conectan entre sí formando capas y se ajustan sus pesos mediante un algoritmo de entrenamiento.

Aprenden rápido

Los autores de la nueva investigación han demostrado que las redes neuronales artificiales pueden aprender a reproducir el estado cuántico a partir de mediciones limitadas o incompletas, sin necesidad de realizar una tomografía cuántica completa.

Para conseguirlo, diseñaron redes neuronales profundas que estudiaron estados cuánticos entrelazados y los entrenaron con datos generados numéricamente.

El entrelazamiento cuántico es una característica de las partículas elementales que les permite compartir una función de onda común, y es el corazón de la mecánica cuántica.

Estas redes neuronales utilizaron estos datos para aprender a hacer estimaciones cada vez mejores del entrelazamiento a partir de conjuntos de medidas dados. Luego, los investigadores verificaron la precisión del algoritmo utilizando un segundo conjunto de datos simulados.

Menos errores

Descubrieron que sus errores eran alrededor de 10 veces más bajos que los de un algoritmo de estimación de tomografía cuántica tradicional.

Finalmente, los investigadores midieron experimentalmente dos sistemas entrelazados reales: un punto cuántico de semiconductor bombeado resonantemente y una fuente de dos fotones de conversión descendente paramétrica espontánea.

A medida que extraían más y más mediciones, comparaban el error en las predicciones de sus redes neuronales profundas con los errores del mismo algoritmo tradicional. El error de las redes neuronales fue significativamente menor.

Gran ventaja cuántica

Esto supone una gran ventaja para las tecnologías cuánticas, ya que permite reducir el tiempo y los recursos necesarios para caracterizar y controlar los sistemas cuánticos, destaca la citada revista.

Por ejemplo, las redes neuronales podrían ayudar a optimizar los circuitos cuánticos, a corregir los errores cuánticos o a detectar las transiciones de fase cuánticas.

Este grupo de investigación planea extender en el futuro su investigación a sistemas cuánticos más grandes para ampliar sus potenciales aplicaciones.

Referencia

Deep learning of quantum entanglement from incomplete measurements. Dominik Koutný et al. Science Advances, 19 Jul 2023, Vol 9, Issue 29. DOI:10.1126/sciadv.add7131