✨︎ Resumen (TL;DR):
- Un procesador cuántico de nueve espines atómicos superó a redes neuronales clásicas en la predicción de patrones meteorológicos reales.
- El sistema redujo los errores de predicción hasta en dos órdenes de magnitud y superó a modelos clásicos de 10,000 nodos.
- El avance demuestra que el machine learning cuántico ya es útil con el hardware actual, sin requerir máquinas a gran escala.
Un equipo de investigadores chinos demostró que un procesador cuántico de solo nueve espines atómicos es capaz de superar a las redes neuronales clásicas de miles de nodos al predecir el clima. Este avance marca la primera vez que un sistema de machine learning cuántico derrota a modelos convencionales a gran escala en una tarea práctica.
El estudio, publicado este viernes en la revista Physical Review Letters, fue liderado por la Universidad de Ciencia y Tecnología de China en Hefei. Los científicos colaboraron con la Universidad de Fudan, la Universidad China de Hong Kong y la Universidad de Zhejiang para construir el equipo.
Computación de reservorio cuántico es un modelo de machine learning que aprovecha la dinámica de sistemas físicos para procesar datos secuenciales complejos. En este caso, el sistema utilizó resonancia magnética nuclear para controlar cuatro núcleos de carbono y cinco de hidrógeno integrados en una molécula de ácido crotónico.
En lugar de ejecutar circuitos profundos, el procesador explota las interacciones naturales de muchos cuerpos. La técnica logra extraer 653 características a partir de una sola medición de la señal de decaimiento de inducción libre de los espines.
El clima de Delhi y la ventaja del hardware ruidoso
Durante las pruebas con el benchmark NARMA, un estándar para sistemas de procesamiento de series temporales, el equipo redujo los errores de predicción entre uno y dos órdenes de magnitud frente a enfoques cuánticos anteriores.
Los investigadores aplicaron su sistema a un conjunto de datos climáticos diarios de Delhi para pronosticar temperatura y humedad. Los resultados arrojaron ventajas tangibles frente a la IA clásica:
- A horizontes de pronóstico más largos, la máquina cuántica igualó o superó a las redes de estado de eco de 1,000 nodos.
- Al integrarse con un procesamiento clásico posterior, el sistema derrotó a redes de 10,000 nodos.
Los científicos lograron estos resultados al convertir la decoherencia cuántica, que normalmente causa errores de cálculo, en una herramienta a su favor. La degradación natural de los estados cuánticos más antiguos provocó que el procesador diera más peso automático a los datos recientes.
Este método natural eliminó la necesidad de reiniciar los qubits o de crear canales de disipación artificiales requeridos en diseños anteriores. El hallazgo prueba que la ventaja en el machine learning es posible con las computadoras ruidosas de escala intermedia de la actualidad.
“Nuestros resultados sugieren que las ventajas cuánticas prácticas en la predicción de series temporales pueden ser alcanzables con el hardware cuántico actual”, escribieron los autores en el artículo.
