De bits a qubits: Cómo la optimización cuántica está remodelando la IA

La mayoría de los sistemas de IA de vanguardia, 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 esconde uno de los procesos más importantes en la IA: la optimización.

Por ejemplo, un modelo de IA entrenado para reconocer señales de tráfico o predecir precios de viviendas aprende de ejemplos. A medida que se entrena, mejora continuamente su forma de aprender. Cada paso ajusta millones de parámetros, refinando pesos y sesgos para reducir los errores de predicción y mejorar la precisión.

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

De hecho, la optimización es una parte fundamental de la inteligencia artificial. Tanto si un modelo de IA está identificando una imagen como si está pronosticando un precio, debe buscar la solución más eficaz entre innumerables posibilidades. Pero 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 formas nuevas.

En lugar de bits que solo pueden ser 0 o 1, las computadoras cuánticas utilizan cúbits que pueden existir en múltiples estados a la vez. Esto les permite explorar muchas soluciones posibles en paralelo, resolviendo problemas de optimización complejos de manera más eficiente 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, eso significa que las computadoras cuánticas no prueban todas las posibilidades a la vez. En su lugar, utilizan la interferencia, donde ciertas 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!

Link to this section¿Qué es la optimización cuántica?#

La optimización cuántica es un campo en crecimiento 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, combinándolas para abordar desafíos con los que la computación tradicional tiene dificultades.

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

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

Link to this sectionLos fundamentos 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 una exploración eficiente de grandes conjuntos de posibles soluciones.

Estos algoritmos operan sobre cúbits, las unidades fundamentales de información cuántica, que difieren de los bits clásicos (las unidades binarias de datos en las computadoras tradicionales que pueden tener un valor de 0 o 1) porque pueden existir en un estado de superposición, representando tanto 0 como 1 al mismo tiempo.

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

Esta propiedad única permite a los sistemas cuánticos evaluar múltiples posibilidades simultáneamente, ampliando significativamente su potencial computacional. Mientras tanto, los circuitos cuánticos conectan los cúbits a través de secuencias de puertas cuánticas, que controlan cómo fluye e interactúa la información para guiar gradualmente al sistema hacia una solución casi óptima.

Link to this sectionOptimización clásica vs. cuántica#

Aquí tienes algunas diferencias clave entre los enfoques de optimización clásica y cuántica:

• Estilo de computación: Los algoritmos clásicos prueban una solución a la vez. Los algoritmos cuánticos pueden considerar muchas posibilidades simultáneamente mediante el uso de las propiedades únicas de la física cuántica.
• Potencia de procesamiento: Las computadoras clásicas usan bits que son 0 o 1. Las computadoras cuánticas usan cúbits, que pueden ser 0 y 1 al mismo tiempo y pueden vincularse entre sí, lo que les permite manejar problemas más complejos.
• Escala del problema: La optimización clásica funciona bien para problemas más pequeños o moderadamente complejos. La optimización cuántica se está desarrollando para abordar problemas mucho más grandes y complicados que son difíciles para las computadoras de hoy.
• Resultado: Los resultados clásicos son predecibles y repetibles. Los resultados cuánticos se basan en probabilidades, por lo que la misma tarea puede dar resultados ligeramente diferentes que se refinan en múltiples ejecuciones para encontrar la mejor respuesta.

Fig 2. Optimización clásica vs. cuántica (Imagen del autor)

Link to this sectionCómo funciona la optimización cuántica#

A continuación, vamos a repasar cómo funciona realmente la optimización cuántica. Todo comienza definiendo un problema del mundo real y traduciéndolo a una forma que una computadora cuántica pueda procesar.

Aquí tienes un resumen de los pasos principales que intervienen en la optimización cuántica:

• Paso 1: Formular el problema como un paisaje energético: Cada problema de optimización, como la planificación de rutas de entrega o el ajuste de modelos de aprendizaje automático, puede describirse como un paisaje de niveles de energía. Cada posible respuesta tiene un valor de energía, y el objetivo es encontrar el más bajo, que representa la solución más eficiente u óptima.

• Paso 2: Codificar el problema en un circuito cuántico: El problema se convierte entonces en un circuito cuántico. Aquí, los cúbits (bits cuánticos) representan datos y pueden explorar muchas soluciones a la vez mediante la superposición.

• Paso 3: Guiar al sistema hacia la mejor solución: La computadora cuántica ajusta entonces los cúbits paso a paso, permitiendo que el sistema se mueva hacia la solución de menor energía, o la mejor. Este proceso se conoce como recocido cuántico (quantum annealing) o evolución adiabática, dependiendo del método utilizado. Ayuda al sistema a asentarse en el estado más prometedor.

• Paso 4: Medir e interpretar los resultados: Cuando el sistema se estabiliza, se miden los cúbits, produciendo una solución aproximada. A menudo se utilizan ejecuciones repetidas para medir la calidad de la solución y confirmar la fiabilidad.

• Paso 5: Combinar con computación clásica para el refinamiento: Finalmente, se vuelve a integrar a las computadoras clásicas en el proceso. Estas analizan y ajustan los resultados de las ejecuciones cuánticas para mejorar la precisión. Este enfoque híbrido, utilizado en métodos como QAOA (Quantum Approximate Optimization Algorithm) y VQE (Variational Quantum Eigensolver), combina las fortalezas de ambos sistemas, el clásico y el cuántico, para obtener un mejor rendimiento general.

Link to this sectionPrincipales algoritmos de optimización cuántica#

Gracias a los recientes avances en computación cuántica, los investigadores han desarrollado una gama de algoritmos de optimización cuántica que tienen como objetivo resolver problemas complejos de manera más eficiente. Estos enfoques están dando forma al futuro del campo. Echemos un vistazo a algunos de los principales.

Link to this sectionRecocido cuántico#

El recocido cuántico es una técnica utilizada para resolver problemas de optimización que implican encontrar la mejor disposición o combinación entre muchas posibilidades. Estos se denominan problemas de optimización combinatoria, como la programación de entregas, el enrutamiento de vehículos o la agrupación de puntos de datos similares.

El método está inspirado en un proceso físico conocido como recocido, en el que un material se enfría lentamente para alcanzar un estado estable de baja energía. De manera similar, el recocido cuántico guía gradualmente a un sistema cuántico hacia su estado de energía más bajo, lo que representa la mejor solución posible al problema.

Este proceso, basado en los principios de la computación cuántica adiabática, permite que el sistema explore muchas soluciones potenciales y se asiente en una que sea casi óptima. Debido a que los resultados son probabilísticos, el proceso suele repetirse varias veces, y a menudo se utiliza computación clásica después para refinar las respuestas.

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

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

Link to this sectionAlgoritmo de optimización cuántica aproximada (QAOA)#

El Algoritmo de optimización cuántica aproximada (QAOA) también maneja problemas de optimización combinatoria, pero de una manera diferente al recocido cuántico. En lugar de evolucionar gradualmente hacia el estado de energía más bajo, el QAOA alterna entre dos funciones de energía, llamadas Hamiltonianos.

Uno representa el objetivo y las restricciones del problema, mientras que el otro ayuda al sistema a explorar nuevas configuraciones. Al cambiar entre estas etapas, el algoritmo avanza constantemente hacia una solución casi óptima.

El QAOA se ejecuta en sistemas híbridos cuánticos y clásicos, donde la computadora cuántica genera posibles soluciones y una computadora clásica ajusta los parámetros después de cada ejecución. Este enfoque hace que el QAOA sea una herramienta flexible para muchas tareas de optimización, incluyendo programación, enrutamiento y problemas de grafos como MaxCut (encontrar la mejor manera de dividir una red en dos partes) y cobertura de vértices (seleccionar el conjunto más pequeño de nodos que conectan con cada borde en una red). Aunque la investigación aún está en curso, el QAOA es ampliamente visto como un paso prometedor hacia la combinación de la optimización clásica y cuántica.

Link to this sectionVariational Quantum Eigensolver (VQE)#

Otro algoritmo importante es el Variational Quantum Eigensolver (VQE). A diferencia del QAOA y el recocido cuántico, que manejan problemas de optimización combinatoria que involucran opciones discretas, el VQE se centra en la optimización continua, donde las variables pueden tomar un rango de valores en lugar de opciones fijas.

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

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

Debido a que requiere menos cúbits y circuitos más simples, el VQE funciona bien en los dispositivos actuales NISQ (Noisy Intermediate Scale Quantum). Estos son la generación actual de computadoras cuánticas que tienen un número limitado de cúbits y se ven afectados por el ruido, pero son lo suficientemente potentes para la investigación y los experimentos prácticos iniciales.

El 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. Un vistazo al Variational Quantum Eigensolver (Fuente: ResearchGate)

Link to this sectionProgramación semidefinida cuántica#

La programación semidefinida (SDP) es un método matemático utilizado para resolver problemas de optimización que incluyen relaciones lineales entre variables. A menudo se aplica cuando el objetivo es encontrar el mejor resultado posible manteniendo ciertas condiciones dentro de un rango válido.

Los algoritmos cuánticos de SDP tienen como objetivo hacer que estos cálculos sean más rápidos, especialmente cuando los datos involucran muchas variables o espacios complejos de alta dimensión. Utilizan principios de la computación cuántica para analizar varias posibilidades a la vez, lo que puede hacer que la resolución de problemas a gran escala sea más eficiente.

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 sigue en curso, la SDP cuántica es prometedora para acelerar las tareas de optimización avanzadas que son difíciles para las computadoras clásicas.

Link to this sectionAplicaciones de la optimización cuántica en la IA#

Aunque la optimización cuántica es un área de investigación activa, también está empezando 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 manera más eficiente.

A continuación, veremos más de cerca algunos de los ejemplos y casos de uso emergentes que destacan su potencial en escenarios del mundo real.

Link to this sectionAceleración del ajuste de modelos de aprendizaje automático#

Se está explorando la optimización cuántica para mejorar la forma en que se ajustan los modelos de aprendizaje automático, particularmente con respecto 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 por láseres para actuar como cúbits. Esto permite a los investigadores construir sistemas cuánticos escalables y estables para probar algoritmos complejos.

Link to this sectionAplicaciones industriales y 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, donde un procesador de 68 cúbits aprendió a generar distribuciones complejas, lo que sugiere aplicaciones en el entrenamiento de modelos generativos.

Del mismo modo, NVIDIA está construyendo puentes entre la 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 de esto, AWS ha desarrollado un flujo de trabajo cuántico y clásico híbrido en Amazon Braket que utiliza circuitos cuánticos junto con la optimización clásica para ajustar los parámetros de las tareas de clasificación de imágenes.

Link to this sectionOptimización en logística, programación y enrutamiento#

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, donde los operadores deben equilibrar el suministro y la demanda de electricidad en tiempo real mientras reducen costes y mantienen la fiabilidad. Los investigadores han utilizado la optimización cuántica para representar este desafío de programación como un paisaje energético o un Hamiltoniano.

Aquí, el objetivo es encontrar el estado de energía más bajo, que representa la configuración más eficiente. Por ejemplo, los solucionadores cuánticos de D-Wave han sido probados para tales problemas y han mostrado resultados más rápidos y flexibles en comparación con los métodos de optimización tradicionales.

Ideas similares se están estudiando ahora en áreas como la gestión de carteras y la planificación de la cadena de suministro. A medida que el hardware mejore, estos enfoques pueden cambiar la forma en que los sistemas de IA planifican y toman decisiones bajo restricciones del mundo real.

Link to this sectionIA y computación cuántica en el descubrimiento de fármacos y diseño de materiales#

La optimización cuántica también está ganando atención en áreas donde 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 el VQE, se están utilizando para acelerar procesos como la predicción de la estructura de proteínas y la búsqueda de conformación molecular. Los investigadores también están explorando formas de combinar la computación cuántica y la inteligencia artificial para mejorar la forma en que los modelos aprenden y extraen características de los datos.

A medida que el hardware cuántico siga avanzando, estos enfoques combinados podrían conducir a grandes avances en química, biología e investigación de materiales, permitiendo un descubrimiento más rápido y simulaciones más precisas a nivel molecular.

Link to this sectionVentajas y desventajas de la optimización cuántica#

Aquí tienes algunas de las ventajas de utilizar la optimización cuántica:

• Algoritmos inspirados en la cuántica: Incluso antes de que estén disponibles las computadoras cuánticas a gran escala, los investigadores están utilizando métodos de optimización inspirados en la cuántica en sistemas clásicos. Estos enfoques pueden ofrecer un rendimiento más rápido para tipos específicos de problemas al imitar las 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 la clásica. Esto permite realizar pruebas y experimentos prácticos hoy en día, incluso con hardware en etapa temprana.
• Progreso en investigación colaborativa: IBM Quantum, Qiskit y otras comunidades de investigación abierta están desarrollando activamente algoritmos, kits de herramientas y recursos educativos que hacen que la optimización cuántica sea más accesible.

Aunque la investigación cuántica avanza rápidamente, todavía existen ciertos desafíos que impiden la adopción a gran escala. Aquí tienes algunas de las limitaciones clave a considerar:

• Limitaciones de hardware: Las computadoras cuánticas actuales tienen un número limitado de cúbits y son altamente sensibles al ruido, la decoherencia y los errores operativos. Estos factores reducen la precisión y la fiabilidad de los resultados, lo que dificulta escalar los sistemas para tareas de optimización complejas.
• Limitaciones de simulación clásica: Simular grandes sistemas cuánticos en computadoras clásicas es extremadamente exigente porque los recursos computacionales necesarios crecen exponencialmente con el número de cúbits. Esto hace que sea un desafío probar y validar algoritmos cuánticos a gran escala.
• Falta de estándares de referencia (benchmarking): La investigación en optimización cuántica todavía carece de puntos de referencia consistentes para comparar el rendimiento de los algoritmos y el hardware. Si bien existen esfuerzos para crear métodos de evaluación estandarizados, todavía no existe un marco universal para medir las mejoras de rendimiento en el mundo real.

Link to this sectionConclusiones clave#

La optimización cuántica está transformando la forma en que pensamos sobre la resolución de problemas en inteligencia artificial, ciencia e industria. Al combinar la potencia de la computación cuántica con los métodos clásicos, los investigadores están encontrando nuevas formas de manejar la complejidad y acelerar el descubrimiento. A medida que el hardware mejore y los algoritmos maduren, la optimización cuántica podría convertirse en un impulsor clave de la próxima generación de tecnologías inteligentes.

Echa un vistazo a nuestro repositorio de GitHub para descubrir más sobre 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 por ordenador, echa un vistazo a nuestras opciones de licencia.