Se espera que los ordenadores cuánticos lleven a cabo tareas con una eficiencia imposible para uno convencional. Un ejemplo es la factorización de grandes números, de gran importancia para la seguridad de las transacciones electrónicas.
Además, su uso científico como simuladores de sistemas cuánticos acelerará el desarrollo de futuros dispositivos electrónicos. Hay otras tareas de carácter más fundamental, indispensables para el procesamiento de información, que realizan los ordenadores de hoy en día. Un ordenador convencional es capaz de aprender. ¿Y un ordenador cuántico?
Los investigadores del Grupo de Información y Fenómenos Cuánticos del Departamento de Física de la Universidad Autónoma de Barcelona (UAB), en España, Emili Bagán, Gael Sentís, John Calsamiglia y Ramón Muñoz Tapia, han ideado una máquina que puede ser entrenada para la tarea de clasificar estados cuánticos.
La información que la máquina adquiere en esta fase preparatoria es clásica. Posteriormente, la utiliza para identificar el estado de un sistema desconocido y poderlo clasificar, para lo cual la máquina es capaz de aprender de la experiencia.
Identificar correctamente el estado de un sistema desconocido es una tarea fundamental en cualquier aplicación o proceso que involucre codificación o almacenamiento de información. En el mundo clásico este problema es trivial: basta con mirar o medir. Pero donde clásicamente no existen limitaciones físicas, la mecánica cuántica impone restricciones que hacen imposible la realización de esta tarea de forma perfecta.
Por un lado, la mecánica cuántica es una descripción probabilística de la realidad: toda información que podamos extraer, mediante una medida, de un sistema cuántico, estará sujeta a una distribución de probabilidad. Por otra parte, siempre que medimos un sistema cuántico estamos modificando su estado.
Existen multitud de métodos para recabar información sobre un estado cuántico desconocido, y, en particular, para clasificarlo o identificarlo. Una línea de investigación que ha captado mucha atención en los últimos años es el aprendizaje automático (machine learning), esto es, el diseño de técnicas que permiten a una máquina aprender. Una máquina de aprendizaje cuántico es capaz de identificar el estado de un sistema a partir de la experiencia proporcionada por el entrenamiento con sistemas en diferentes estados.
Estos métodos requieren el uso de memorias cuánticas para almacenar la información hasta que se utiliza en la fase de identificación. Sin embargo, a pesar de los grandes avances técnicos en el control de sistemas cuánticos individuales, que han merecido este año el premio Nobel de Física -concedido a S. Haroche y D. Wineland-, la implementación experimental de memorias cuánticas está en fase embrionaria.
En el trabajo de los investigadores de la UAB, publicado en Scientific Reports, se demuestra que una máquina es capaz de realizar la versión cuántica de un problema de identificación de rostros con máxima eficiencia, sin necesidad de utilizar una memoria cuántica. Provista de un conjunto de sistemas cuánticos en dos posibles estados, extrae, mediante una medida, información clásica acerca de estos, y la utiliza para clasificar el estado desconocido. Esto simplifica enormemente la implementación de una máquina de este tipo, puesto que la experiencia adquirida por la máquina se podrá almacenar en una memoria digital común y corriente.