Los científicos han logrado un avance significativo con las tecnologías cuánticas que podrían transformar el modelado de sistemas complejos con un enfoque preciso y efectivo que requiere una memoria significativamente reducida.

Los sistemas complejos juegan un papel vital en nuestra vida diaria, ya sea prediciendo patrones de tráfico, pronósticos del tiempo o comprendiendo los mercados financieros. Sin embargo, predecir con precisión estos comportamientos y tomar decisiones informadas se basa en almacenar y rastrear una gran cantidad de información de eventos en el pasado distante, un proceso que presenta grandes desafíos.

Los modelos actuales que utilizan inteligencia artificial ven aumentar sus requisitos de memoria en más de cien veces cada dos años y, a menudo, pueden implicar la optimización de miles de millones, o incluso billones, de parámetros. Estas inmensas cantidades de información conducen a un cuello de botella en el que debemos compensar el costo de la memoria con la precisión predictiva.

Un equipo colaborativo de investigadores de la Universidad de Manchester, la Universidad de Ciencia y Tecnología de China (USTC), el Centro de Tecnologías Cuánticas (CQT) de la Universidad Nacional de Singapur y la Universidad Tecnológica de Nanyang (NTU) proponen que las tecnologías cuánticas podrían proporcionar una manera de mitigar este trade-off.

El equipo ha implementado con éxito modelos cuánticos que pueden simular una familia de procesos complejos con solo un qubit de memoria, la unidad básica de información cuántica, que ofrece requisitos de memoria sustancialmente reducidos.

A diferencia de los modelos clásicos que se basan en aumentar la capacidad de la memoria a medida que se agregan más datos de eventos pasados, estos modelos cuánticos solo necesitarán un qubit de memoria.

El desarrollo, publicado en la revista Nature Communications, representa un avance significativo en la aplicación de tecnologías cuánticas en el modelado de sistemas complejos.

El Dr. Thomas Elliott, líder del proyecto y becario Dame Kathleen Ollerenshaw de la Universidad de Manchester, dijo : « Muchas propuestas para la ventaja cuántica se centran en el uso de computadoras cuánticas para calcular cosas más rápido. Adoptamos un enfoque complementario y, en cambio, observamos cómo las computadoras cuánticas pueden ayudarnos. reducir el tamaño de la memoria que necesitamos para nuestros cálculos.

« Uno de los beneficios de este enfoque es que al usar la menor cantidad posible de qubits para la memoria, nos acercamos a lo que es práctico con las tecnologías cuánticas del futuro cercano. Además, podemos usar cualquier qubit adicional que liberemos para ayudar a mitigar errores en nuestros simuladores cuánticos ».

El proyecto se basa en una propuesta teórica anterior del Dr. Elliott y el equipo de Singapur. Para probar la viabilidad del enfoque, unieron fuerzas con la USTC, que utilizó un simulador cuántico basado en fotones para implementar los modelos cuánticos propuestos.

El equipo logró una mayor precisión de la que es posible con cualquier simulador clásico equipado con la misma cantidad de memoria. El enfoque se puede adaptar para simular otros procesos complejos con diferentes comportamientos.

El Dr. Wu Kang-Da, investigador postdoctoral en la USTC y primer autor conjunto de la investigación, dijo : « La fotónica cuántica representa una de las arquitecturas menos propensas a errores que se ha propuesto para la computación cuántica, particularmente a escalas más pequeñas. Además, porque estamos configurando nuestro simulador cuántico para modelar un proceso en particular, podemos ajustar con precisión nuestros componentes ópticos y lograr errores más pequeños que los típicos de las computadoras cuánticas universales actuales ».

El Dr. Chengran Yang, investigador de CQT y también primer autor conjunto de la investigación, agregó : « Esta es la primera realización de un simulador estocástico cuántico donde se demuestra de manera concluyente la propagación de la información a través de la memoria a lo largo del tiempo, junto con pruebas de una mayor precisión ». de lo posible con cualquier simulador clásico del mismo tamaño de memoria ».

Más allá de los resultados inmediatos, los científicos dicen que la investigación presenta oportunidades para una mayor investigación, como explorar los beneficios de la disipación de calor reducida en el modelado cuántico en comparación con los modelos clásicos. Su trabajo también podría encontrar aplicaciones potenciales en el modelado financiero, el análisis de señales y las redes neuronales mejoradas cuánticamente.

Los próximos pasos incluyen planes para explorar estas conexiones y escalar su trabajo a memorias cuánticas de dimensiones superiores.