LinuxParty

Dos físicos, de la EPFL y la Universidad de Columbia, han introducido un enfoque para simular el algoritmo de optimización aproximada cuántica utilizando una computadora tradicional.

En lugar de ejecutar el algoritmo en procesadores cuánticos avanzados, el nuevo enfoque utiliza un algoritmo clásico de aprendizaje automático que imita de cerca el comportamiento de las computadoras cuánticas a corto plazo.

En un artículo publicado en Nature Quantum Information, el profesor de EPFL Giuseppe Carleo y Matija Medvidovic, estudiante de posgrado en la Universidad de Columbia y en el Instituto Flatiron de Nueva York, han encontrado una manera de ejecutar un algoritmo complejo de computación cuántica en computadoras tradicionales en lugar de en computadoras cuánticas.

Según un comunicado de la EPFL es comprensible que QAOA tenga varios defensores, incluido Google, que tienen la mira puesta en las tecnologías cuánticas y la computación en un futuro cercano: en 2019 crearon Sycamore, un procesador cuántico de 53 qubits, y lo usaron para ejecutar una tarea que una supercomputadora clásica de última generación tardaría unos 10.000 años en completarse. Sycamore ejecutó la misma tarea en 200 segundos.

«Pero la barrera de la ‘aceleración cuántica’ es casi rígida y está siendo remodelada continuamente por nuevas investigaciones, también gracias al progreso en el desarrollo de algoritmos clásicos más eficientes», dice Carleo.

En su estudio, Carleo y Medvidovic abordan una pregunta clave abierta en el campo: ¿pueden los algoritmos que se ejecutan en computadoras cuánticas actuales y de corto plazo ofrecer una ventaja significativa sobre los algoritmos clásicos para tareas de interés práctico? «Si vamos a responder a esa pregunta, primero debemos comprender los límites de la computación clásica en la simulación de sistemas cuánticos», dice Carleo. QAOA es un ejemplo importante de tal familia de algoritmos cuánticos, que los investigadores creen que se encuentran entre los candidatos más prometedores para la «ventaja cuántica» en las computadoras cuánticas a corto plazo.

El enfoque se basa en la idea de que las herramientas modernas de aprendizaje automático; por ejemplo, los que se usan para aprender juegos complejos como Go, también se pueden usar para aprender y emular el funcionamiento interno de una computadora cuántica. La herramienta clave para estas simulaciones son Neural Network Quantum States, una red neuronal artificial que Carleo desarrolló en 2016 con Matthias Troyer, y que ahora se utilizó por primera vez para simular QAOA. Los resultados se consideran competencia de la computación cuántica y establecen un nuevo punto de referencia para el desarrollo futuro del hardware cuántico.