Las computadoras cuánticas podrían beneficiarse de un camino alrededor del principio de incertidumbre de Heisenberg
Marijan Murat/dpa/Alamy
El principio de incertidumbre de Heisenberg pone un límite a la precisión con la que podemos medir ciertas propiedades de los objetos cuánticos. Pero es posible que los investigadores hayan encontrado una manera de sortear esta limitación utilizando una versión cuántica de una red neuronal.
Dada, por ejemplo, una molécula químicamente útil, ¿cómo se puede predecir qué propiedades podría tener dentro de una hora o mañana? Para hacer tales predicciones, los investigadores comienzan midiendo sus propiedades actuales. Pero para los objetos cuánticos, incluidas algunas moléculas, esto puede resultar inesperadamente difícil porque cada medición puede interferir o cambiar el resultado de la siguiente medición. En particular, el principio de incertidumbre de Heisenberg establece que algunas propiedades cuánticas de los objetos simplemente no pueden medirse con precisión de forma simultánea. Por ejemplo, si se mide muy bien el momento de una partícula cuántica, medir su posición arrojará sólo un número aproximado.
Ahora, Duanlu Zhou, de la Academia China de Ciencias, y sus colegas han demostrado matemáticamente que el uso de versiones cuánticas de una red neuronal puede evitar algunas de estas dificultades.
El equipo de Zhou exploró el problema por razones prácticas. Cuando los investigadores ejecutan computadoras cuánticas, necesitan conocer las propiedades de los componentes básicos de la computadora, que se llaman qubits, ya sea para evaluar y comparar el dispositivo o para usar esos qubits de manera efectiva al emular un objeto como una molécula o un material. Para determinar las propiedades de un qubit, los investigadores suelen aplicar algunas operaciones, similares a cómo se aplicaría “dividir entre 2” para determinar si un número es par. Pero el principio de incertidumbre significa que algunas de estas operaciones serán incompatibles, lo que equivale a no poder multiplicar un número por tres y luego dividirlo por dos y aún así obtener una respuesta significativa.
Los cálculos de los investigadores ahora muestran que el problema de la incompatibilidad se puede resolver si se aplica un algoritmo de aprendizaje automático cuántico, una red neuronal cuántica (QNN), en lugar de operaciones más simples.
Es importante destacar que algunos pasos de ese algoritmo deben elegirse aleatoriamente de un conjunto predeterminado. Estudios anteriores han descubierto que dicha aleatoriedad puede hacer que los QNN sean más efectivos para determinar una sola propiedad de un objeto cuántico, pero Zhou y sus colegas ampliaron la idea para medir varias propiedades, incluidas combinaciones de propiedades normalmente limitadas por el principio de incertidumbre. Podrían hacer esto porque los resultados de muchas operaciones aleatorias consecutivas se pueden desentrañar con métodos estadísticos especiales para producir resultados más precisos que cuando se realiza una sola operación repetidamente.
Robert Huang, del Instituto de Tecnología de California, dice que poder medir muchas propiedades incompatibles de manera eficiente significa que los científicos podrán aprender mucho más rápido sobre un sistema cuántico determinado, lo cual es importante para las aplicaciones de las computadoras cuánticas en química y ciencia de materiales, así como para comprender las computadoras cuánticas cada vez más grandes.
El nuevo enfoque podría implementarse en la práctica, pero su éxito puede depender de cuán útil sea en comparación con enfoques similares que también aprovechan la aleatoriedad para realizar mediciones cuánticas informativas, dice Huang.
Temas: