Una colaboración internacional ha desarrollado uno de los algoritmos de tomografía cuántica más rápidos y eficientes hasta la fecha
Una colaboración formada por la Universidad Autónoma de Madrid (UAM) , la Universidad Tecnológica Chalmers (Suecia) y el instituto de investigación RIKEN (Japón), ha desarrollado un algoritmo de inteligencia artificial capaz de reconstruir —a partir de un conjunto limitado de medidas— toda la información sobre un estado cuántico, problema que se conoce como tomografía cuántica.
El trabajo, publicado en Physical Review Letters , supone un gran avance en la comprensión de cómo los sistemas de inteligencia artificial (IA) pueden ayudar al desarrollo de las tecnologías cuánticas del futuro.
Cualquier objeto en el mundo cuántico está completamente descrito por su estado cuántico. La capacidad de manipular y controlar estos estados es clave para el desarrollo de tecnologías cuánticas en campos como la computación, las comunicaciones o la metrología. Es por esto que, para la física actual, resulta crucial conocer los estados cuánticos que se generan en un laboratorio.
“El único modo de obtener esta información —explican los autores— es a través de medidas, las cuales, por lo general, destruyen dicho estado y arrojan solo una información parcial sobre el mismo. Repetir este proceso muchísimas veces y obtener en cantidades de medidas es la única manera de hacer un análisis estadístico que permita inferir el estado que se genera realmente en el experimento. “
Una red neuronal puede aprender a reconstruir un estado cuántico completo a partir de un conjunto de medidas. / UAM
“La tomografía cuántica —detallan— es una especie de proceso detectivesco muy desafiante. Esto se debe a que, en el tipo de sistemas necesarios para aplicaciones tecnológicas de la física cuántica, la complejidad de los estados, el número de medidas necesarias y la dificultad de los cálculos se vuelven muy grandes”.
Inteligencia artificial generativa
En su trabajo, los investigadores diseñaron una inteligencia artificial capaz de afrontar esta tarea. El diseño se basa en redes neuronales, es decir, en modelos simplificados de los mecanismos de conexiones neuronales del cerebro.
En este caso, los autores emplearon dos redes neuronales que compiten entre ellas y aprenden en el proceso, lo que se conoce como redes neuronales generativas adversarias (GANs). La capacidad creativa de las redes GAN es ampliamente utilizada en la industria actual, para tareas como la restauración y modificación de fotos o la generación fotorrealista de imágenes.
“El resultado de este trabajo es uno de los algoritmos de tomografía cuántica más rápidos y eficientes diseñado hasta la fecha. Una vez entrenada, requiere menos medidas y cálculos que los necesarios mediante métodos estándar”, concluyen los autores.
Referencia bibliográfica:
Ahmed, S., Sánchez Muñoz, C., Nori, F., Kockum, A.F. 2021. Quantum State Tomography with Conditional Generative Adversarial Networks. Physical Review Letters 127, 140502.
Ahmed, S., Sánchez Muñoz, C., Nori, F., Kockum, AF 2021. Clasificación y reconstrucción de estados cuánticos ópticos con redes neuronales profundas. Investigación de revisión física 3, 033278.