Google DeepMind AI puede corregir errores en computadoras cuánticas de manera experta

Google DeepMind ha desarrollado un modelo de IA que podría mejorar el rendimiento de computadoras cuánticas al corregir errores de manera más efectiva que cualquier método existente, acercando estos dispositivos a un uso más amplio.

Las computadoras cuánticas realizan cálculos en bits cuánticos, o qubits, que son unidades de información que pueden almacenar múltiples valores al mismo tiempo, a diferencia de los bits clásicos, que pueden contener un 0 o un 1. Sin embargo, estos qubits son frágiles y propensos a errores. cuando es perturbado por factores como el calor ambiental o una rayo cósmico errante.

Para corregir estos errores, los investigadores pueden agrupar los qubits para formar el llamado qubit lógico, donde algunos de los qubits se utilizan para el cálculo mientras que otros se reservan como detección de errores herramientas. La información de estos últimos qubits debe interpretarse, a menudo mediante un algoritmo informático clásico, para descubrir cómo corregir los errores, en un proceso llamado decodificación. Se trata de una tarea difícil, pero está estrechamente ligada a la capacidad general de corrección de errores de una computadora cuántica que, a su vez, dicta su capacidad para ejecutar tareas útiles del mundo real.

Ahora, Johannes Bausch DeepMind de Google y sus colegas han desarrollado un modelo de inteligencia artificial, llamado AlphaQubit, que puede decodificar estos errores mejor y más rápidamente que cualquier algoritmo existente.

“Diseñar un decodificador para código de corrección de errores cuánticos no es trivial, si uno está interesado en una precisión muy, muy alta”, dijo Bausch a los periodistas en una conferencia de prensa el 2 de noviembre. “AlphaQubit aprende esta tarea de decodificación de alta precisión sin que un humano diseñe activamente el algoritmo”.

Para entrenar AlphaQubit, Bausch y su equipo utilizaron una red neuronal transformadora, la misma tecnología que impulsa su AlphaFold, la IA de predicción de proteínas ganadora del premio Nobely modelos de lenguaje grandes como ChatGPT, para aprender cómo los datos de los qubits de detección de errores se corresponden con los errores de los qubits. Primero entrenaron el modelo con datos de una simulación de cómo se verían los errores, antes de ajustarlo con datos del mundo real de El chip de computación cuántica Sycamore de Google.

En experimentos con una pequeña cantidad de qubits en el chip Sycamore, Bausch y su equipo descubrieron que AlphaQubit comete un 6 por ciento menos de errores que el siguiente mejor algoritmo, llamado red tensorial. Pero las redes tensoriales también se vuelven cada vez más lentas a medida que las computadoras cuánticas crecen, por lo que no pueden escalarse a máquinas futuras, mientras que AlphaQubit parece ser capaz de ejecutarse igual de rápido, según las simulaciones, lo que la convierte en una herramienta prometedora a medida que estas computadoras crecen, dice Bausch. .

“Es tremendamente emocionante”, dice Scott Aaronson en la Universidad de Texas en Austin. “Hace tiempo que está claro que decodificar y corregir los errores lo suficientemente rápido, en una computación cuántica tolerante a fallas, también llevaría la computación clásica al límite. También ha quedado claro que para casi cualquier cosa que hagan las computadoras clásicas que implique optimización o incertidumbre, ahora se puede aplicar el aprendizaje automático y es posible que lo hagan mejor”.