• 4 min de lectura
La aleatoriedad cuántica ayuda a las redes neuronales a corregir malas conjeturas
La aleatoriedad cuántica mejoró la clasificación de dígitos manuscritos en tres plataformas cuánticas, mientras que el ruido del hardware mostró indicios de ayudar en algunas predicciones.
Imagen: TechXplore
Una red neuronal ejecutada en ordenadores cuánticos rindió mejor al reconocer algunos dígitos manuscritos cuando los investigadores añadieron una cantidad controlada de aleatoriedad cuántica. Los experimentos, liderados por investigadores del Joint Quantum Institute (JQI), también sugieren que el ruido de un hardware cuántico imperfecto a veces puede ayudar en lugar de perjudicar.
El equipo incluyó a los becarios del JQI Alaina Green, Norbert Linke y Victor Galitski, junto con colegas de IBM. Sus hallazgos se publicaron como Sugerencia del editor en Physical Review Letters.
Cómo funciona la red neuronal cuántica
Los investigadores usaron una red neuronal diseñada para clasificar números manuscritos del conjunto de datos MNIST, un punto de referencia estándar para el reconocimiento de imágenes. El modelo se entrenó en ordenadores tradicionales y luego se ejecutó en hardware cuántico.
Recomendado
MouthPad y Vox de Augmental despiertan sueños de IA manos libres
En la arquitectura propuesta por Galitski y dos estudiantes de posgrado en 2025, los qubits actúan como neuronas artificiales. El equipo utiliza la superposición y la medición para controlar cuánta aleatoriedad entra en la red durante cada intento de identificación. También pueden ejecutar el sistema sin aleatoriedad intencional dejando los qubits en estados fijos.
Un qubit produce uno de dos estados al medirse, pero puede ocupar una superposición antes de eso, con cada posible resultado asignado a una probabilidad. Ajustar esa superposición cambia la probabilidad de que los resultados intermedios de la red se inviertan, lo que podría alterar su predicción final del dígito.
Resultados en tres plataformas cuánticas
Los investigadores probaron el modelo en tres sistemas: el ordenador cuántico de circuitos superconductores de IBM, además de sistemas de iones atrapados construidos por Green y Linke. Los experimentos con iones atrapados usaron tanto microondas como luz láser para manipular los iones.
Las tres plataformas mostraron el mismo patrón general: una cantidad limitada de aleatoriedad inducida por la medición mejoró la clasificación en comparación con una versión determinista, pero demasiada aleatoriedad degradó el rendimiento. Los investigadores describieron el nivel óptimo como un “punto dorado”.
“Demostramos que, para esta arquitectura, se puede ver una mejora en la clasificación de imágenes cuando ajustas la cuanticidad de cero hasta cierto punto dorado.”
El equipo se centró luego en imágenes que la red clasificaba mal de forma consistente sin aleatoriedad cuántica. Con el ajuste óptimo, el ordenador de iones atrapados identificó un dígito problemático seleccionado casi siempre, mientras que el sistema de IBM tuvo éxito en alrededor del 90% de los casos.
El efecto se asemeja al papel que la aleatoriedad puede jugar en el aprendizaje automático convencional, donde puede ayudar a un proceso de optimización a escapar de una respuesta incorrecta que está cerca de la correcta. En este experimento, sin embargo, la aleatoriedad se introdujo durante la inferencia —el paso de identificación— en lugar de únicamente durante el entrenamiento.
El ruido cuántico como recurso
Los investigadores también examinaron el ruido producido por el hardware cuántico actual, incluidos errores aleatorios causados por efectos como fluctuaciones de temperatura. Los resultados variaron ligeramente cuando se ejecutaron versiones idénticas de la red en la misma plataforma, y el hardware a menudo rindió mejor de lo que predecían las simulaciones. El equipo atribuyó esas diferencias en parte a imperfecciones específicas del dispositivo que aportan aleatoriedad adicional.
“Vivimos en la era de lo que se llama NISQ —computación cuántica ruidosa de escala intermedia—. Así que la pregunta es: en lugar de que esto sea algo negativo, ¿podemos aprovechar el ruido para fines positivos?”
Los investigadores no afirman que esta arquitectura sea la mejor red neuronal, ni siquiera la mejor red neuronal cuántica. En cambio, la presentan como una forma controlable de estudiar cuándo los efectos cuánticos ayudan o perjudican al aprendizaje automático. Su próximo objetivo es el entrelazamiento, que vincula partículas cuánticas a distancia, mientras continúan buscando tareas en las que la computación cuántica y las redes neuronales puedan reforzarse mutuamente.
AI Editor
Ava covers the rapidly evolving world of artificial intelligence, from foundational models and research labs to the real-world economics of intelligence. With a background in computational linguistics, she cuts through the hype to find out what actually works. She firmly believes that benchmarks are just marketing until reproduced in the wild.
vía TechXplore
