Computación Cuántica Para Mi Abuela

Hace meses que le doy vueltas a la cabeza sobre la computación cuántica y por qué será tan revolucionaria. Hoy, leyendo este artículo de Fast Company ,

me ha entrado la curiosidad por aprender por qué los diseños de soluciones para una arquitectura de computación clásica y una arquitectura de computación cuántica son diferentes.

Y ChatGPT me ha ayudado a entenderlo. Mira esto:

Yo: Muéstrame un ejemplo de diseño de una solución para una computadora cuántica y la misma solución para una computadora clásica.

ChatGPT4: Claro, consideremos un problema común en la computación clásica y cuántica: optimizar una función compleja. Para simplificar, usemos la tarea de encontrar el mínimo de una función dada, un problema comúnmente encontrado en diversos campos como finanzas, logística y aprendizaje automático.

Solución de Computación Clásica: Descenso de Gradiente

Problema: Encontrar el mínimo de una función f(x).

Solución: Utilizar el algoritmo de Descenso de Gradiente.

1. Inicialización: Comenzar con un punto aleatorio x0.

2. Iterar:

• Calcular el gradiente (derivada) de f en el punto actual.
• Actualizar el punto moviéndose en la dirección opuesta al gradiente.

x_nuevo = x_antiguo - eta x gradiente de f(x_antiguo)        

donde eta es la tasa de aprendizaje.

3. Convergencia: Repetir hasta que los cambios en x estén por debajo de un umbral determinado.

Este método ajusta iterativamente la entrada para minimizar la función, utilizando el cálculo para navegar por el paisaje de la función.

Solución de Computación Cuántica: Quantum Annealing o Variational Quantum Eigensolver (VQE)

Problema: El mismo que antes, pero aprovechamos propiedades cuánticas para la optimización.

1. Quantum Annealing:

• Codificar el problema de optimización en un sistema cuántico.
• Comenzar con una superposición de todos los estados posibles.
• Evolucionar gradualmente el sistema utilizando el recocido cuántico (no sé cómo traducir eso de quantum annealing), que guía el sistema hacia su estado de energía más bajo, correspondiente al mínimo de la función.

2. Variational Quantum Eigensolver (VQE):

• Codificar el problema en un circuito cuántico.
• Utilizar una computadora cuántica para preparar un estado cuántico (representado por qubits).
• Medir el estado para evaluar la función.
• Utilizar un optimizador clásico para ajustar los parámetros del circuito cuántico, con el objetivo de minimizar la función.
• Repetir este proceso, utilizando la computadora cuántica para la preparación y medición del estado, y la computadora clásica para la optimización.

Ambos métodos cuánticos explotan fenómenos cuánticos como la superposición y la entrelazación. El recocido cuántico es particularmente poderoso para problemas con perfil energéticos escarpados, mientras que el VQE es más versátil y puede adaptarse a varios problemas de optimización.

Diferencias Clave:

• Solución Clásica: Utiliza un enfoque determinista y paso a paso. Adecuado para una amplia gama de problemas, pero puede tener dificultades con problemas altamente complejos o multidimensionales.
• Solución Cuántica: Aprovecha propiedades cuánticas para explorar múltiples posibilidades simultáneamente. Potencialmente, puede encontrar soluciones más rápido para tipos específicos de problemas (como cuando hay muchos mínimos locales), pero requiere una computadora cuántica y es más experimental en su naturaleza.

Este ejemplo ilustra cómo el mismo problema puede abordarse de manera diferente en la computación clásica y cuántica, cada una con sus propias fortalezas y limitaciones.

Mi percepción

Recientemente, tuve la oportunidad de explicar a un grupo de expertos en laboratorios clínicos la diferencia entre diseñar una solución algorítmica clásica y hacerlo utilizando algoritmos de aprendizaje automático. Uno de los mensajes principales fue que los algoritmos clásicos presentan dificultades serias para responder a problemas complejos y que, en esos casos, la IA u otros enfoques similares lo hacen mucho mejor. Al leer esta comparación entre soluciones cuánticas y clásicas, tengo la sensación de que podremos resolver problemas muy complejos nuevamente sin necesidad de acceder a la gran cantidad de datos que requieren las soluciones basadas en IA, sino solo con un "modelo de proceso".

¿Cómo se te queda el cuerpo? :)