De los bits a los cúbits: cómo la optimización cuántica está transformando la IA

La mayoría de los sistemas modernos de IA, desde un coche autónomo hasta un modelo de predicción bursátil, están constantemente tomando decisiones de compromiso mientras se ajustan, perfeccionan y aprenden de la experiencia. Detrás de estas decisiones se encuentra uno de los procesos más importantes de la IA: la optimización.

Por ejemplo, un modelo de IA entrenado para reconocer señales de tráfico o predecir el precio de una vivienda aprende a partir de ejemplos. Durante el entrenamiento, mejora continuamente su forma de aprender. Cada paso ajusta millones de parámetros y afina los pesos y los sesgos para reducir los errores de predicción y mejorar la precisión.

Puedes entender este proceso como un problema de optimización a gran escala. El objetivo es encontrar la mejor combinación de parámetros para obtener resultados precisos sin sobreajustar el modelo ni malgastar recursos computacionales.

De hecho, la optimización es una parte fundamental de la inteligencia artificial. Tanto si un modelo de IA identifica una imagen como si pronostica un precio, debe buscar la solución más eficaz entre innumerables posibilidades. Sin embargo, a medida que crecen los modelos y los conjuntos de datos, esta búsqueda se vuelve cada vez más compleja y costosa desde el punto de vista computacional.

La optimización cuántica es un enfoque emergente que podría ayudar a resolver este problema. Se basa en la computación cuántica, que utiliza los principios de la mecánica cuántica para procesar la información de nuevas formas.

En lugar de bits que solo pueden ser 0 o 1, los ordenadores cuánticos utilizan cúbits, que pueden estar en varios estados a la vez. Esto les permite explorar muchas soluciones posibles en paralelo y resolver problemas de optimización complejos con más eficiencia que los métodos clásicos en algunos casos.

Sin embargo, el paralelismo cuántico no es lo mismo que ejecutar muchos procesadores clásicos al mismo tiempo. Es un proceso probabilístico que depende de la interferencia cuántica para producir resultados útiles.

En pocas palabras, esto significa que los ordenadores cuánticos no prueban todas las posibilidades a la vez. En su lugar, utilizan la interferencia —mediante la que algunas posibilidades se refuerzan entre sí y otras se anulan— para aumentar las probabilidades de encontrar la respuesta correcta.

En este artículo veremos cómo funciona la optimización cuántica, por qué es importante y qué podría significar para el futuro de la computación inteligente.

¿Qué es la optimización cuántica?#

La optimización cuántica es un campo en expansión dentro de la computación cuántica que se centra en resolver problemas de optimización complejos aprovechando las propiedades únicas de la mecánica cuántica. Se basa en décadas de investigación en informática y física, y combina ambas disciplinas para abordar retos que la computación tradicional no resuelve fácilmente.

La idea de utilizar sistemas cuánticos para la optimización surgió a finales de la década de 1990, cuando los investigadores empezaron a explorar cómo aplicar a la resolución de problemas principios cuánticos como la superposición (estados simultáneos) y el entrelazamiento (cúbits vinculados).

Con el tiempo, esta idea evolucionó hasta convertirse en la optimización cuántica, un campo en el que los investigadores desarrollaron algoritmos que aprovechan los efectos cuánticos para buscar soluciones óptimas con eficiencia en espacios de problemas amplios y complejos.

Fundamentos de la optimización cuántica#

En esencia, la optimización cuántica se basa en tres componentes fundamentales: algoritmos cuánticos, cúbits y circuitos cuánticos. Los algoritmos cuánticos proporcionan la lógica que permite explorar con eficiencia grandes conjuntos de soluciones posibles.

Estos algoritmos operan con cúbits, las unidades fundamentales de información cuántica. A diferencia de los bits clásicos (las unidades binarias de datos de los ordenadores tradicionales, que pueden contener un valor de 0 o 1), los cúbits pueden estar en un estado de superposición y representar 0 y 1 al mismo tiempo.

Fig. 1. ¿Qué es un cúbit? (Fuente: ResearchGate)

Esta propiedad permite a los sistemas cuánticos representar muchas posibilidades a la vez, lo que amplía considerablemente su potencial computacional. Por su parte, los circuitos cuánticos conectan los cúbits mediante secuencias de puertas cuánticas, que controlan cómo fluye y se relaciona la información para guiar gradualmente el sistema hacia una solución casi óptima.

Optimización clásica frente a cuántica#

Estas son algunas diferencias clave entre los enfoques de optimización clásica y cuántica:

• Estilo de cálculo: los algoritmos clásicos prueban una solución cada vez. Los algoritmos cuánticos pueden considerar muchas posibilidades a la vez gracias a las propiedades únicas de la física cuántica.
• Potencia de procesamiento: los ordenadores clásicos usan bits que son 0 o 1. Los ordenadores cuánticos usan cúbits, que pueden ser 0 y 1 al mismo tiempo y enlazarse entre sí, lo que les permite abordar problemas más complejos.
• Tamaño del problema: la optimización clásica funciona bien con problemas pequeños o de complejidad moderada. La optimización cuántica se está desarrollando para abordar problemas mucho más grandes y complejos, difíciles de resolver con los ordenadores actuales.
• Resultado: los resultados clásicos son predecibles y reproducibles. Los resultados cuánticos se basan en probabilidades, por lo que una misma tarea puede producir resultados ligeramente distintos, que se van refinando en varias ejecuciones para encontrar la mejor respuesta.

Fig. 2. Optimización clásica frente a cuántica (imagen del autor)

Cómo funciona la optimización cuántica#

A continuación, veremos cómo funciona realmente la optimización cuántica. Todo empieza por definir un problema del mundo real y traducirlo a un formato que un ordenador cuántico pueda procesar.

Estos son los principales pasos de la optimización cuántica:

• Paso 1: Formula el problema como un paisaje de energía: Todo problema de optimización, como planificar rutas de reparto o ajustar modelos de aprendizaje automático, puede describirse como un paisaje de niveles de energía. Cada respuesta posible tiene un valor de energía y el objetivo es encontrar el más bajo, que representa la solución más eficiente u óptima.
• Paso 2: codifica el problema en un circuito cuántico: después, el problema se convierte en un circuito cuántico. En él, los cúbits (bits cuánticos) representan datos y pueden explorar muchas soluciones a la vez mediante la superposición.
• Paso 3: guía el sistema hacia la mejor solución: el ordenador cuántico ajusta los cúbits paso a paso para que el sistema avance hacia la solución de menor energía, es decir, la mejor solución. Según el método empleado, este proceso se conoce como recocido cuántico o evolución adiabática. Ayuda al sistema a alcanzar el estado más prometedor.
• Paso 4: mide e interpreta los resultados: cuando el sistema se estabiliza, se miden los cúbits para obtener una solución aproximada. A menudo se repite el proceso para medir la calidad de la solución y confirmar su fiabilidad.
• Paso 5: combina la computación clásica para perfeccionar los resultados: por último, se vuelve a incorporar la computación clásica. Los ordenadores clásicos analizan y ajustan los resultados de las ejecuciones cuánticas para mejorar la precisión. Este enfoque híbrido, utilizado en métodos como QAOA (algoritmo cuántico de optimización aproximada) y VQE (solucionador variacional cuántico de valores propios), combina las ventajas de los sistemas clásicos y cuánticos para mejorar el rendimiento general.

Principales algoritmos de optimización cuántica#

Gracias a los avances recientes en computación cuántica, los investigadores han desarrollado varios algoritmos de optimización cuántica que buscan resolver problemas complejos con más eficiencia. Estos enfoques están dando forma al futuro del campo. Veamos algunos de los principales.

Recocido cuántico#

El recocido cuántico es una técnica para resolver problemas de optimización que consisten en encontrar la mejor disposición o combinación entre muchas posibilidades. Se conocen como problemas de optimización combinatoria e incluyen, por ejemplo, la planificación de entregas, el trazado de rutas para vehículos y la agrupación de puntos de datos similares.

Este método se inspira en un proceso físico conocido como recocido, en el que un material se enfría lentamente hasta alcanzar un estado estable de baja energía. De manera similar, el recocido cuántico guía gradualmente un sistema cuántico hacia su estado de menor energía, que representa la mejor solución posible al problema.

Este proceso, basado en los principios de la computación cuántica adiabática, permite al sistema explorar muchas soluciones posibles y alcanzar una cercana a la óptima. Como los resultados son probabilísticos, el proceso suele repetirse varias veces y, a menudo, después se recurre a la computación clásica para perfeccionar las respuestas.

El recocido cuántico ofrece posibilidades para resolver problemas de optimización del mundo real en ámbitos como la logística, la agrupación en clústeres y la asignación de recursos. Sin embargo, los investigadores siguen estudiando cuándo y cómo podría superar a los métodos tradicionales.

Fig. 3. El recocido cuántico, explicado (Fuente: ResearchGate)

Algoritmo cuántico de optimización aproximada (QAOA)#

El algoritmo cuántico de optimización aproximada (QAOA) también aborda problemas de optimización combinatoria, pero de forma distinta al recocido cuántico. En lugar de evolucionar gradualmente hacia el estado de menor energía, QAOA alterna entre dos funciones de energía llamadas hamiltonianos.

Una función representa el objetivo y las restricciones del problema, mientras que la otra ayuda al sistema a explorar nuevas configuraciones. Al alternar entre estas etapas, el algoritmo se acerca progresivamente a una solución casi óptima.

QAOA se ejecuta en sistemas híbridos cuánticos y clásicos: el ordenador cuántico genera posibles soluciones y el ordenador clásico ajusta los parámetros después de cada ejecución. Este enfoque convierte QAOA en una herramienta flexible para muchas tareas de optimización, como la planificación, el trazado de rutas y los problemas de grafos, por ejemplo MaxCut (encontrar la mejor forma de dividir una red en dos partes) y la cobertura de vértices (seleccionar el conjunto más pequeño de nodos que conecte todas las aristas de una red). Aunque la investigación sigue en marcha, QAOA se considera un paso prometedor para combinar la optimización clásica y la cuántica.

Solucionador variacional cuántico de valores propios (VQE)#

Otro algoritmo importante es el solucionador variacional cuántico de valores propios (VQE). A diferencia de QAOA y del recocido cuántico, que abordan problemas de optimización combinatoria con opciones discretas, VQE se centra en la optimización continua, en la que las variables pueden adoptar un rango de valores en lugar de limitarse a opciones fijas.

Se utiliza principalmente para estimar el estado fundamental, es decir, la energía más baja posible de un sistema cuántico. Esto lo hace especialmente útil para estudiar el comportamiento de moléculas y materiales en física y química.

VQE también utiliza un enfoque híbrido que combina la computación cuántica y la clásica. El ordenador cuántico prepara y prueba posibles estados, mientras que el ordenador clásico analiza los resultados y ajusta los parámetros para mejorar la precisión.

Como requiere menos cúbits y circuitos más sencillos, VQE funciona bien en los dispositivos NISQ (cuánticos ruidosos de escala intermedia) actuales. Esta generación de ordenadores cuánticos tiene un número limitado de cúbits y se ve afectada por el ruido, pero aun así cuenta con potencia suficiente para la investigación y los primeros experimentos prácticos.

VQE se ha convertido en una herramienta esencial para la química cuántica, la ciencia de materiales y la optimización de procesos. Ayuda a los investigadores a modelar moléculas, estudiar reacciones y encontrar configuraciones estables.

Fig. 4. Un vistazo al solucionador variacional cuántico de valores propios (Fuente: ResearchGate)

Programación semidefinida cuántica#

La programación semidefinida (SDP) es un método matemático que se utiliza para resolver problemas de optimización con relaciones lineales entre variables. Suele aplicarse cuando el objetivo es encontrar el mejor resultado posible manteniendo ciertas condiciones dentro de un intervalo válido.

Los algoritmos cuánticos de SDP buscan acelerar estos cálculos, sobre todo cuando los datos incluyen muchas variables o espacios complejos de gran dimensión. Aprovechan los principios de la computación cuántica para analizar varias posibilidades a la vez, lo que puede hacer más eficiente la resolución de problemas a gran escala.

Estos algoritmos se están investigando en ámbitos como el aprendizaje automático, el procesamiento de señales y los sistemas de control, donde podrían ayudar a los modelos a reconocer patrones, mejorar las predicciones o gestionar sistemas complejos. Aunque la investigación sigue en marcha, la SDP cuántica resulta prometedora para acelerar tareas de optimización avanzada difíciles de resolver con ordenadores clásicos.

Aplicaciones de la optimización cuántica en la IA#

Aunque la optimización cuántica sigue siendo un campo de investigación activo, empieza a encontrar aplicaciones prácticas en ámbitos como la inteligencia artificial y el aprendizaje automático. Los investigadores estudian cómo los métodos cuánticos pueden ayudar a resolver problemas complejos con más eficiencia.

A continuación, veremos algunos ejemplos y casos de uso emergentes que muestran su potencial en situaciones reales.

Acelerar el ajuste de modelos de aprendizaje automático#

Se está explorando la optimización cuántica para mejorar el ajuste de los modelos de aprendizaje automático, en particular la optimización de hiperparámetros y la selección de características. Los recientes avances en procesadores de átomos neutros también están ampliando el alcance de los experimentos de optimización cuántica en IA y aprendizaje automático.

Estos procesadores utilizan átomos individuales sujetos por láseres como cúbits. Esto permite a los investigadores crear sistemas cuánticos estables y escalables para probar algoritmos complejos.

Aplicaciones en la industria y avances de la investigación#

Las principales empresas tecnológicas ya están experimentando con estas ideas. Por ejemplo, el equipo de investigación de Google demostró recientemente una ventaja cuántica generativa: un procesador de 68 cúbits aprendió a generar distribuciones complejas, lo que apunta a posibles aplicaciones en el entrenamiento de modelos generativos.

Del mismo modo, NVIDIA está tendiendo puentes entre la computación cuántica y la IA al integrar la investigación cuántica en su ecosistema de supercomputación y GPU. Por ejemplo, puso en marcha un Centro de Investigación Cuántica Acelerada (NVAQC) para combinar hardware cuántico con sistemas de IA.

Además, AWS ha desarrollado un flujo de trabajo híbrido cuántico y clásico en Amazon Braket que combina circuitos cuánticos con optimización clásica para ajustar los parámetros de tareas de clasificación de imágenes.

Optimización en logística, planificación y trazado de rutas#

La logística y la planificación son algunos de los ámbitos más prácticos para la optimización cuántica. Estas tareas incluyen la planificación de rutas, la asignación de vehículos y la distribución de recursos.

Un buen ejemplo es la programación de redes eléctricas, donde los operadores deben equilibrar en tiempo real la oferta y la demanda de electricidad, reducir los costes y mantener la fiabilidad. Los investigadores han utilizado la optimización cuántica para representar este problema de programación como un paisaje de energía o un hamiltoniano.

En este caso, el objetivo es encontrar el estado de menor energía, que representa la configuración más eficiente. Por ejemplo, se han probado los solucionadores cuánticos de D-Wave para resolver problemas de este tipo y han demostrado ofrecer resultados más rápidos y flexibles que los métodos de optimización tradicionales.

Actualmente se estudian ideas similares en ámbitos como la gestión de carteras y la planificación de cadenas de suministro. A medida que mejore el hardware, estos enfoques podrían cambiar la forma en que los sistemas de IA planifican y toman decisiones sujetas a restricciones del mundo real.

IA y computación cuántica en el descubrimiento de fármacos y el diseño de materiales#

La optimización cuántica también está ganando interés en ámbitos en los que es fundamental comprender las interacciones moleculares complejas y los paisajes de energía. Por ejemplo, en el descubrimiento de fármacos y la ciencia de materiales, encontrar las estructuras o configuraciones moleculares más estables es un problema de optimización.

Se están explorando algoritmos cuánticos híbridos, como el VQE, para acelerar procesos como la predicción de la estructura de proteínas y la búsqueda de conformaciones moleculares. Los investigadores también estudian cómo combinar la computación cuántica y la inteligencia artificial para mejorar el aprendizaje de los modelos y la extracción de características de los datos.

A medida que avance el hardware cuántico, estos enfoques combinados podrían propiciar grandes avances en química, biología e investigación de materiales, y permitir descubrimientos más rápidos y simulaciones más precisas a escala molecular.

Ventajas e inconvenientes de la optimización cuántica#

Estas son algunas de las ventajas de utilizar la optimización cuántica:

• Algoritmos inspirados en la computación cuántica: antes incluso de que existan ordenadores cuánticos a gran escala, los investigadores ya utilizan métodos de optimización inspirados en la computación cuántica en sistemas clásicos. Estos enfoques pueden ofrecer un mayor rendimiento en determinados tipos de problemas al imitar estrategias cuánticas.
• Mejoras del hardware y los solucionadores híbridos: El desarrollo de nuevos procesadores cuánticos y solucionadores híbridos basados en la nube permite combinar la computación cuántica y la clásica. Esto hace posible realizar pruebas y experimentos prácticos hoy mismo, incluso con hardware en sus primeras etapas.
• Avances en investigación colaborativa: IBM Quantum, Qiskit y otras comunidades de investigación abierta desarrollan activamente algoritmos, kits de herramientas y recursos educativos que hacen más accesible la optimización cuántica.

Aunque la investigación cuántica avanza rápidamente, todavía hay ciertos retos que impiden su adopción a gran escala. Estas son algunas de las principales limitaciones que debes tener en cuenta:

• Limitaciones del hardware: Los ordenadores cuánticos actuales tienen un número limitado de cúbits y son muy sensibles al ruido, la decoherencia y los errores operativos. Estos factores reducen la precisión y fiabilidad de los resultados y dificultan la ampliación de los sistemas para tareas de optimización complejas.
• Limitaciones de la simulación clásica: Simular grandes sistemas cuánticos en ordenadores clásicos exige muchísimos recursos, ya que los recursos computacionales necesarios aumentan exponencialmente con el número de cúbits. Esto dificulta probar y validar algoritmos cuánticos a gran escala.
• Falta de estándares de evaluación comparativa: La investigación sobre optimización cuántica todavía carece de referencias coherentes para comparar algoritmos y el rendimiento del hardware. Aunque se está trabajando para crear métodos de evaluación estandarizados, aún no existe un marco universal para medir las mejoras de rendimiento en el mundo real.

Conclusiones clave#

La optimización cuántica está transformando nuestra forma de abordar la resolución de problemas en inteligencia artificial, ciencia e industria. Al combinar la potencia de la computación cuántica con métodos clásicos, los investigadores encuentran nuevas formas de gestionar la complejidad y acelerar los descubrimientos. A medida que mejora el hardware y maduran los algoritmos, la optimización cuántica podría convertirse en un motor clave de la próxima generación de tecnologías inteligentes.

Echa un vistazo a nuestro repositorio de GitHub para descubrir más sobre la IA. Únete a nuestra activa comunidad y descubre innovaciones en sectores como la IA en el comercio minorista y la IA visual en la fabricación. Para empezar hoy mismo con la visión artificial, consulta nuestras opciones de licencia.