Crean un algoritmo de aprendizaje automático para detectar errores cuánticos

La Universidad de Sydney, en colaboración con la startup Q-CTRL, dedicada al control cuántico, ha presentado un nuevo algoritmo de aprendizaje automático específicamente diseñado para la detección de errores en los ordenadores cuánticos. Este nuevo paradigma de computación está progresando mucho, y hasta ahora se han construido varios tipos de ordenadores cuánticos con planteamiento diferentes, cada uno con sus pros y contras. Pero todos ellos están sujetos a posibles fallos, dada la complejidad de los sistemas de hardware que utilizan.

Con este nuevo algoritmo los investigadores ofrecen una herramienta que permite a los desarrolladores de hardware cuántico identificar las fuentes de posibles errores en el diseño de sus equipos, lo que permitirá optimizar los diseños para aumentar su fiabilidad y precisión. Este avance ha sido publicado en la revista científica Physical Review Letters, perteneciente a la American Physical Society, y se centra especialmente en la reducción de errores provocados por el ruido ambiental, que es uno de los puntos flacos de la computación cuántica actual.

En su trabajo, la Universidad de Sydney explica que han desarrollado una técnica que permite detectar las deviaciones más pequeñas en las condiciones necesarias para ejecutar con fidelidad los algoritmos cuánticos. Y se puede aplicar tanto a la tecnología de iones atrapados como hardware de computación cuántica basado en superconductores, los dos sistemas empleados por los fabricantes de ordenadores cuánticos IBM, Google y Honeywell, entre otros.

Para lograrlo, desde Q-CTRL han desarrollado una forma de procesar los resultados de las mediciones, empleando algoritmos personalizados de aprendizaje automático que, en combinación con las técnicas empleadas en esta startup, logran determinar el nivel de impacto de las interferencias en los procesos de computación. Esto les permite distinguir con facilidad las fuentes de ruido que verdaderamente afectan al sistema de las interferencias producidas por los propios sistemas de medición.

En palabras de Cornelius Hempel de ETH Zurich, uno de los que participaron en esta investigación en la Universidad de Sydney, “la combinación de técnicas experimentales de vanguardia con el aprendizaje automático ha demostrado enormes ventajas en el desarrollo de computadoras cuánticas. El equipo de Q-CTRL pudo desarrollar rápidamente una solución de aprendizaje automático diseñada profesionalmente que nos permitió dar sentido a nuestros datos y brindar una nueva forma de ver los problemas en el hardware y abordarlos”.

Por su parte, Michael Biercuk, profesor de la Universidad y director ejecutivo de Q-CTRL, explicó que la capacidad de identificar y eliminar las fuentes de ruido que reducen el rendimiento en el hardware cuántico es fundamental tanto para la investigación como para los desarrolladores de hardware cuántico. Y señala que “el control cuántico aumentado por el aprendizaje automático ha mostrado un camino para hacer que estos sistemas sean útiles en la práctica y para acelerar drásticamente los plazos de I+D”.