De bits a qubits: cómo la optimización cuántica está transformando la AI

La mayoría de los sistemas de IA más avanzados, desde un coche autónomo hasta un modelo de predicción bursátil, toman decisiones constantemente 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 los precios de las viviendas aprende a partir de ejemplos. A medida que se entrena, mejora continuamente su forma de aprender. Cada paso ajusta millones de parámetros y perfecciona los pesos y sesgos para reducir los errores de predicción y mejorar la precisión.

Puedes considerar este proceso como un problema de optimización a gran escala. El objetivo es encontrar la mejor combinación de parámetros que proporcione resultados precisos sin sobreajustar ni desperdiciar recursos computacionales.

De hecho, la optimización es una parte clave 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 desafío. Se basa en la computación cuántica, que utiliza los principios de la mecánica cuántica para procesar información de nuevas formas.

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

Sin embargo, el paralelismo cuántico no equivale a 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 cual algunas posibilidades se refuerzan entre sí y otras se cancelan, para aumentar las probabilidades de encontrar la respuesta correcta.

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

¿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 utilizando las propiedades únicas de la mecánica cuántica. Se basa en décadas de investigación en informática y física y las combina para abordar desafíos que la computación tradicional tiene dificultades para resolver.

La idea de utilizar sistemas cuánticos para la optimización surgió por primera vez a finales de la década de 1990, cuando los investigadores empezaron a explorar cómo podían aplicarse al análisis de problemas principios cuánticos como la superposición (estados simultáneos) y el entrelazamiento (cúbits vinculados).

Con el tiempo, esto evolucionó hacia la optimización cuántica, en la que los investigadores desarrollaron algoritmos que utilizan efectos cuánticos para buscar de forma eficiente soluciones óptimas en espacios de problemas grandes y complejos.

Conceptos básicos de la optimización cuántica#

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

Estos algoritmos operan sobre cúbits, las unidades fundamentales de la información cuántica, que se diferencian de los bits clásicos (las unidades binarias de datos de los ordenadores tradicionales, que pueden contener un valor de 0 o 1) porque pueden existir en un estado de superposición y representar 0 y 1 al mismo tiempo.

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

Esta propiedad única permite a los sistemas cuánticos evaluar varias posibilidades simultáneamente, lo que amplía considerablemente su potencial computacional. Mientras tanto, los circuitos cuánticos conectan los cúbits mediante secuencias de puertas cuánticas, que controlan cómo fluye e interactúa 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 computación: 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 utilizan bits que son 0 o 1. Los ordenadores cuánticos utilizan cúbits, que pueden ser 0 y 1 al mismo tiempo y pueden enlazarse entre sí, lo que les permite gestionar problemas más complejos.
• Escala del problema: la optimización clásica funciona bien con problemas pequeños o moderadamente complejos. La optimización cuántica se está desarrollando para abordar problemas mucho más grandes y complicados que resultan difíciles para 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 perfeccionan a lo largo de 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 comienza definiendo un problema del mundo real y traduciéndolo a un formato que un ordenador cuántico pueda procesar.

Este es un resumen de los pasos principales de la optimización cuántica:

• Paso 1: Formula el problema como un paisaje energético: todos los problemas de optimización, como planificar rutas de reparto o ajustar modelos de aprendizaje automático, pueden describirse como un paisaje de niveles de energía. Cada respuesta posible tiene un valor energético, 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: a continuación, el problema se convierte en un circuito cuántico. Aquí, 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, lo que permite al sistema avanzar hacia la solución de menor energía o mejor solución. Este proceso se conoce como recocido cuántico o evolución adiabática, según el método utilizado. Ayuda al sistema a establecerse en el estado más prometedor.

• Paso 4: Mide e interpreta los resultados: cuando el sistema se estabiliza, se miden los cúbits y se obtiene una solución aproximada. A menudo se realizan ejecuciones repetidas para medir la calidad de la solución y confirmar su fiabilidad.

• Paso 5: Combina la computación clásica para perfeccionar los resultados: por último, los ordenadores clásicos vuelven a formar parte del proceso. Analizan y ajustan los resultados de las ejecuciones cuánticas para mejorar la precisión. Este enfoque híbrido, utilizado en métodos como QAOA (Algoritmo de Optimización Aproximada Cuántica) y VQE (Solucionador de Eigensistemas Cuánticos Variacionales), combina las ventajas de los sistemas clásicos y cuánticos para obtener un mejor rendimiento general.

Principales algoritmos de optimización cuántica#

Gracias a los avances recientes en computación cuántica, los investigadores han desarrollado una variedad de algoritmos de optimización cuántica cuyo objetivo es resolver problemas complejos de forma más eficiente. Estos enfoques están dando forma al futuro del campo. Veamos algunos de los principales.

Recocido cuántico#

El recocido cuántico es una técnica utilizada para resolver problemas de optimización que implican encontrar la mejor disposición o combinación entre muchas posibilidades. Se denominan problemas de optimización combinatoria, como programar entregas, establecer rutas de vehículos o agrupar puntos de datos similares.

El 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 forma 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 potenciales y establecerse en una cercana a la óptima. Como los resultados son probabilísticos, el proceso suele repetirse varias veces y, a menudo, después se utiliza computación clásica para perfeccionar las respuestas.

El recocido cuántico ofrece posibilidades para resolver problemas de optimización del mundo real en áreas como la logística, la agrupación y la asignación de recursos. Sin embargo, los investigadores siguen explorando cuándo y cómo podría funcionar mejor que los métodos tradicionales.

Fig. 3. Comprender el recocido cuántico (Fuente: ResearchGate)

Algoritmo de Optimización Aproximada Cuántica (QAOA)#

El Algoritmo de Optimización Aproximada Cuántica (QAOA) también aborda problemas de optimización combinatoria, pero de una forma distinta al recocido cuántico. En lugar de evolucionar gradualmente hacia el estado de menor energía, QAOA alterna entre dos funciones de energía, denominadas Hamiltonianos.

Una 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 avanza gradualmente hacia una solución casi óptima.

QAOA se ejecuta en sistemas híbridos cuánticos y clásicos, en los que el ordenador cuántico genera soluciones posibles y un ordenador clásico ajusta los parámetros después de cada ejecución. Este enfoque convierte QAOA en una herramienta flexible para muchas tareas de optimización, como la programación, el establecimiento de rutas y problemas de grafos como 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 con cada arista de una red). Aunque la investigación continúa, QAOA se considera ampliamente un paso prometedor hacia la combinación de la optimización clásica y cuántica.

Solucionador de Eigensistemas Cuánticos Variacionales (VQE)#

Otro algoritmo importante es el Solucionador de Eigensistemas Cuánticos Variacionales (VQE). A diferencia de QAOA y el recocido cuántico, que gestionan problemas de optimización combinatoria con elecciones discretas, VQE se centra en la optimización continua, donde las variables pueden adoptar un rango de valores en lugar de 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 computación cuántica y clásica. El ordenador cuántico prepara y prueba estados posibles, 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 de escala intermedia ruidosos) actuales. Se trata de la generación actual de ordenadores cuánticos, que tienen un número limitado de cúbits y se ven afectados por el ruido, pero siguen teniendo potencia suficiente para la investigación y los primeros experimentos prácticos.

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

Fig. 4. Una mirada al Solucionador de Eigensistemas Cuánticos Variacionales (Fuente: ResearchGate)

Programación semidefinida cuántica#

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

Los algoritmos cuánticos de SDP tienen como objetivo acelerar estos cálculos, especialmente cuando los datos incluyen muchas variables o espacios complejos de alta dimensionalidad. Utilizan 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 explorando en campos 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 continúa, la SDP cuántica ofrece posibilidades para acelerar tareas avanzadas de optimización que resultan difíciles para los ordenadores clásicos.

Aplicaciones de la optimización cuántica en IA#

Aunque la optimización cuántica es un área de investigación activa, también empieza a encontrar aplicaciones prácticas en campos como la inteligencia artificial y el aprendizaje automático. Los investigadores están explorando cómo los métodos cuánticos pueden ayudar a resolver problemas complejos de forma más eficiente.

A continuación, analizaremos algunos de los ejemplos y casos de uso emergentes que destacan su potencial en situaciones del mundo real.

Acelerar el ajuste de modelos de aprendizaje automático#

Se está explorando la optimización cuántica para mejorar el ajuste de los modelos de aprendizaje automático, especialmente en lo que respecta a la optimización de hiperparámetros y la selección de características. Los avances recientes 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 mantenidos en su lugar mediante láseres para actuar como cúbits. Esto permite a los investigadores crear sistemas cuánticos estables y escalables para probar algoritmos complejos.

Aplicaciones industriales y aspectos destacados 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, en la que 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, lanzó 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 utiliza circuitos cuánticos junto con optimización clásica para ajustar parámetros en tareas de clasificación de imágenes.

Optimización en logística, programación y establecimiento de rutas#

Una de las áreas más prácticas para la optimización cuántica es la logística y la programación. Estas tareas incluyen la planificación de rutas, la asignación de vehículos y la distribución de recursos.

Un buen ejemplo es la programación de la red eléctrica, en la que los operadores deben equilibrar en tiempo real la oferta y la demanda de electricidad, reduciendo los costes y manteniendo la fiabilidad. Los investigadores han utilizado la optimización cuántica para representar este desafío de programación como un paisaje energético o un Hamiltoniano.

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

Actualmente se estudian ideas similares en áreas como la gestión de carteras y la planificación de la cadena de suministro. A medida que mejore el hardware, estos enfoques podrían cambiar la forma en que los sistemas de IA planifican y toman decisiones bajo 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 áreas en las que es fundamental comprender las interacciones moleculares complejas y los paisajes energéticos. Por ejemplo, en el descubrimiento de fármacos y la ciencia de materiales, encontrar las estructuras o configuraciones moleculares más estables es un desafío de optimización.

Los algoritmos cuánticos híbridos, como VQE, se utilizan para acelerar procesos como la predicción de la estructura de proteínas y la búsqueda de conformaciones moleculares. Los investigadores también están explorando formas de combinar la computación cuántica y la inteligencia artificial para mejorar la manera en que los modelos aprenden y extraen características de los datos.

A medida que el hardware cuántico siga avanzando, estos enfoques combinados podrían dar lugar a grandes avances en química, biología e investigación de materiales, al permitir descubrimientos más rápidos y simulaciones más precisas a nivel molecular.

Ventajas y desventajas de la optimización cuántica#

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

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

Aunque la investigación cuántica avanza rápidamente, todavía existen ciertos desafíos 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, lo que dificulta escalar los sistemas para tareas de optimización complejas.
• Limitaciones de la simulación clásica: simular sistemas cuánticos grandes en ordenadores clásicos exige enormes recursos, ya que los recursos computacionales necesarios crecen 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 los algoritmos y el rendimiento del hardware. Aunque se están realizando esfuerzos 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 la inteligencia artificial, la ciencia y la 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 mejore el hardware y maduren 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 comunidad activa y descubre innovaciones en sectores como la IA en el comercio minorista y la IA de visión en la fabricación. Para empezar hoy mismo con la visión artificial, consulta nuestras opciones de licencia.