Este logro se ha conseguido mediante un tipo especial de computación cuántica llamado «quantum annealing» o recocido cuántico. Este enfoque no busca siempre la solución perfecta, sino una lo suficientemente buena como para ser práctica, algo muy relevante en muchos problemas del mundo real, donde «lo mejor posible» es mejor que «lo perfecto pero inalcanzable».
¿Cómo funciona el recocido cuántico?
Para entender esta técnica, pensemos en una bolita rodando sobre una superficie montañosa. Su objetivo es encontrar el punto más bajo (la solución óptima). En un ordenador clásico, la bolita podría quedar atrapada en un valle pequeño. El recocido cuántico permite que la bolita «atraviese» pequeñas colinas, gracias a los principios de la mecánica cuántica, encontrando así mejores soluciones.
Este tipo de computación es ideal para resolver problemas donde hay que elegir entre muchas combinaciones posibles: desde configurar rutas logísticas hasta elegir la mejor cartera de inversión. No siempre se necesita la solución exacta, sino una que esté muy cerca del óptimo, por ejemplo, a un 1% de distancia.
El papel de la corrección cuántica de errores (QAC)
Un gran obstáculo para el avance de la computación cuántica ha sido la fragilidad de los sistemas cuánticos. El «ruido cuántico» -pequeñas interferencias o imprecisiones- puede hacer que los resultados no sean fiables. Para enfrentarse a este problema, el equipo de USC implementó una técnica llamada Quantum Annealing Correction (QAC), que podríamos comparar con ponerle «protectores» a cada qubit (la unidad básica de información cuántica).
Gracias a la QAC, el sistema pudo crear más de 1.300 qubits lógicos con supresión de errores, sobre un procesador especializado D-Wave Advantage. Estos qubits lógicos son como equipos de qubits reales que trabajan juntos para reducir errores. El resultado fue un rendimiento notablemente superior en tareas de optimización.
Comparación con algoritmos clásicos de alto rendimiento
Para medir el avance, se comparó el rendimiento del ordenador cuántico con el mejor algoritmo clásico conocido para este tipo de problemas: el «parallel tempering con isoenergetic cluster moves (PT-ICM)». Este método es utilizado por superordenadores para encontrar soluciones cercanas al óptimo en problemas de «spin-glass» bidimensionales, una clase de modelos matemáticos complejos.
Con la ayuda de QAC, el sistema cuántico demostró una ventaja de escalabilidad, lo que significa que su rendimiento mejora más rápido que el de los algoritmos clásicos a medida que se incrementa la complejidad del problema. Es decir, cuanto más difícil el problema, más ventaja ofrece el recocido cuántico frente a los superordenadores convencionales.
Aplicaciones potenciales y próximos pasos
Este tipo de computación tiene muchas aplicaciones reales. Por ejemplo:
- Diseño de nuevas moléculas para medicamentos
- Planificación de rutas de entrega o vuelos
- Optimización de carteras financieras
- Logística en grandes cadenas de suministro
Lo interesante es que todos estos escenarios se benefician de buenas soluciones rápidas, sin requerir necesariamente la solución perfecta.
El equipo de investigadores planea ahora aplicar su técnica a problemas aún más complejos, con mayor densidad de interacciones y en espacios de más dimensiones. Asimismo, esperan que los futuros avances en hardware cuántico, junto con mejores estrategias de supresión de errores, amplifiquen la ventaja observada.
¿Por qué es tan importante este avance?
Durante años, la computación cuántica ha prometido ser una herramienta revolucionaria, pero sin pruebas claras de ventajas prácticas. Este estudio marca un punto de inflexión porque no se trata de teoría: se ha probado en un sistema real, en tareas concretas y comparado con las mejores soluciones existentes.
Aunque el camino hacia un ordenador cuántico universal aún es largo, esta demostración ofrece una clara señal de que ya es posible superar a los superordenadores en ciertos contextos, siempre que se combinen algoritmos adecuados, hardware especializado y técnicas de corrección de errores.
☞ El artículo completo original de Natalia Polo lo puedes ver aquí
No hay comentarios.:
Publicar un comentario