Durante años, ha existido un cuello de botella fundamental entre el inmenso potencial de la computación cuántica y las necesidades prácticas de la inteligencia artificial. Si bien las computadoras cuánticas se destacan en cálculos matemáticos complejos, han tenido dificultades para procesar los conjuntos de datos masivos y “desordenados” (como secuencias genómicas o reseñas de consumidores) que impulsan el aprendizaje automático moderno.
Una nueva investigación dirigida por Hsin-Yuan Huang de Oratomic sugiere que finalmente podemos haber encontrado una manera de cerrar esta brecha, permitiendo potencialmente que las máquinas cuánticas superen incluso a las supercomputadoras clásicas más poderosas en tareas de IA.
El problema del “muro de la memoria”
Para comprender este avance, es necesario comprender el obstáculo principal: la carga de datos.
En la informática clásica, los datos se almacenan en bits (0 y 1). En la computación cuántica, los datos se procesan mediante “superposición”, un estado en el que existen múltiples posibilidades simultáneamente. Para aprovechar la potencia cuántica para la IA, los investigadores creían anteriormente que todos los conjuntos de datos masivos debían convertirse a este estado cuántico y almacenarse en una memoria cuántica especializada antes de que pudiera comenzar el procesamiento.
El problema era la escala. Para almacenar suficientes datos para que la computación cuántica fuera útil para la IA, la memoria cuántica requerida habría tenido que ser increíblemente grande, más grande de lo que se puede lograr físicamente con la tecnología actual o del futuro cercano.
Una solución de “transmisión”
Huang y su equipo, incluido Haimeng Zhao del Instituto de Tecnología de California, han propuesto un cambio de paradigma. En lugar de intentar “descargar” un conjunto de datos masivo completo en la memoria cuántica de una sola vez, su método permite que los datos se introduzcan en la computadora en lotes más pequeños.
Piense en ello como la diferencia entre descargar un archivo de película masivo en 4K antes de verlo (lo que requiere una gran capacidad de almacenamiento) y transmitirlo poco a poco (lo que requiere mucho menos).
Al procesar los datos de forma incremental, los investigadores demostraron que:
– Las computadoras cuánticas pueden manejar grandes conjuntos de datos sin necesitar cantidades imposibles de memoria.
– La ventaja de la memoria es asombrosa: una computadora cuántica con sólo 300 “qubits lógicos” a prueba de errores podría, en teoría, superar en rendimiento a una computadora clásica construida a partir de cada átomo del universo observable.
Cronología e impacto en el mundo real
Si bien la ventaja teórica es enorme, la aplicación práctica aún está en el horizonte.
- El corto plazo: Los investigadores estiman que se podría construir una computadora de 60 qubits lógicos para fines de esta década. Incluso en este tamaño relativamente pequeño, el estudio sugiere que podría surgir una “ventaja cuántica” para tareas específicas de datos impulsadas por la IA.
- Aplicaciones científicas: Esta tecnología podría ser transformadora para entornos científicos de alto rendimiento, como el Gran Colisionador de Hadrones, donde se generan cantidades masivas de datos con tanta rapidez que gran parte de ellos deben descartarse debido a limitaciones de memoria.
- Las advertencias: Los expertos advierten que no toda la IA pasará a la tecnología cuántica. La mayoría de las tareas actuales de IA (las que actualmente generan un consumo masivo de energía en los centros de datos) probablemente permanecerán en las GPU clásicas. Además, los investigadores deben asegurarse de que estos nuevos algoritmos no puedan “descuantificarse” (replicarse en computadoras clásicas sin perder su ventaja).
“La máquina cuántica es un dispositivo muy poderoso, pero primero es necesario alimentarla. Este estudio habla de alimentación y de cómo basta con cargar [datos] poco a poco, sin sobrealimentar a la bestia”. — Adrián Pérez-Salinas, ETH Zurich
Conclusión
Al resolver el problema de cómo “alimentar” datos a un procesador cuántico sin sobrecargar su memoria, los investigadores han superado un obstáculo importante hacia la IA cuántica práctica. Si tiene éxito, este enfoque de “transmisión” podría permitir a las computadoras cuánticas abordar conjuntos de datos científicos y analíticos masivos que actualmente son imposibles de procesar incluso para las supercomputadoras clásicas más grandes.
