La adquisición del lenguaje en niños aparentemente está relacionada con su capacidad para detectar patrones. Las técnicas de aprendizaje automático utilizan algoritmos y herramientas matemáticas para identificar patrones dentro de un conjunto de datos. Estas técnicas se han convertido en herramientas poderosas para diversas aplicaciones, que abarcan desde las aplicaciones biomédicas como pueden ser las técnicas de reconocimiento de cáncer, la genética y genómica, el monitoreo y diagnóstico de autismo, la cirugía plástica, hasta áreas de física aplicada para estudiar la naturaleza de los materiales, la materia o incluso los sistemas cuánticos complejos.

El aprendizaje automático puede identificar patrones con una precisión que puede incluso superar la de los seres humanos. Aunque el aprendizaje automático es una herramienta poderosa, existen ciertas áreas de aplicación que aún permanecen fuera de su alcance debido a su complejidad u otros aspectos que desestiman las predicciones que los algoritmos de aprendizaje utilizan.

Así, en los últimos años, el aprendizaje automático cuántico se ha convertido en una cuestión de gran interés debido a su vasto potencial como una posible solución a estos desafíos imposibles de resolver donde los ordenadores cuánticos muestran ser la herramienta adecuada para resolver estos retos.

En un estudio recientemente publicado en Nature, un equipo internacional de investigadores entre los que figura Peter Wittek del Instituto de Ciencias Fotónicas (ICFO), ha llevado a cabo una revisión del estado actual y real del aprendizaje automático clásico y el aprendizaje automático cuántico.

En su estudio, han abordado a fondo diferentes escenarios relacionados con el aprendizaje automático clásico y cuántico, teniendo en cuenta las posibles diferentes combinaciones siguientes: el método convencional de usar el aprendizaje automático clásico para analizar datos clásicos, usar el aprendizaje automático cuántico para analizar datos clásicos y cuánticos, y finalmente usar el aprendizaje automático clásico para analizar datos cuánticos.

ICFO

La tecnología de recocido cuántico (quantum annealing) tiene mejor escalabilidad, pero está limitado en la cantidad de casos de uso. Por ejemplo, la última iteración del chip superconductor de D-Wave integra dos mil qubits y se utiliza para resolver ciertos problemas de optimización “hard” así como para muestreos eficientes.

Por otro lado, los ordenadores cuánticos universales (también llamados gate-based) son más difíciles de escalar, pero son capaces de realizar operaciones unitarias arbitrarias en qubits mediante secuencias de puertas lógicas cuánticas. Su manera de operar se asimila a como los ordenadores digitales realizan operaciones lógicas arbitrarias con bits clásicos.

Sin embargo, los científicos dejan entrever que el control de un sistema cuántico es muy complejo y el análisis de datos clásicos con recursos cuánticos no es tan sencillo como uno se puede pensar, debido principalmente al desafío de construir dispositivos de interfaz cuántica que permitan que la información clásica sea codificada en un formato apto para la mecánica cuántica. Las dificultades, como los problemas de entrada (input) o salida (output), parecen ser el mayor reto técnico a superar.

El objetivo final es encontrar el método más óptimo que sea capaz de leer, comprender y obtener los mejores resultados de un conjunto de datos, ya sea clásico o cuántico. El aprendizaje automático cuántico está definitivamente dirigido a revolucionar el campo de las ciencias de la computación, no sólo porque será capaz de controlar los ordenadores cuánticos, acelerar las velocidades de procesamiento de información mucho más allá de las velocidades clásicas actuales, sino también porque será capaz de llevar a cabo funciones innovadoras, tales como el aprendizaje cuántico profundo, que no sólo podría reconocer patrones contraintuitivos en un conjunto de datos, invisibles tanto para el aprendizaje automático clásico como al ojo humano, sino también reproducirlos.

Fuente: noticiasdelaciencia.com, agenciasinc.es, ICFO