Híbrido cuántico-clásico: precisión de predicción de turbulencias +20%

El híbrido cuántico-clásico mejora la precisión en la predicción de turbulencias en un 20%

Investigadores del University College London (UCL) han desarrollado un método híbrido que combina computación cuántica e inteligencia artificial para predecir con mayor precisión el comportamiento de sistemas caóticos, como los flujos turbulentos. El nuevo enfoque requiere 100 veces menos memoria en comparación con los modelos clásicos y demuestra una mejora en la precisión de aproximadamente el 20%. El trabajo fue publicado en una revista revisada por pares y se basa en experimentos con un computador cuántico IQM de 20 qubits integrado con recursos de supercomputación.

Cómo funciona el método híbrido

El método se basa en la división de tareas: el computador cuántico se utiliza solo durante la extracción de patrones estadísticos clave de los datos, mientras que el entrenamiento principal del modelo se realiza en un supercomputador clásico. Este enfoque evita problemas asociados con el ruido y los errores en los dispositivos cuánticos modernos que surgen durante la operación continua.

El computador cuántico analiza series temporales y extrae propiedades estadísticas invariantes: características que persisten en el tiempo incluso en sistemas caóticos. Estas propiedades se pasan luego a un modelo de aprendizaje automático clásico, que las utiliza como puntos de anclaje adicionales para la predicción.

Por qué esto es importante para la predicción del caos

Los sistemas caóticos, como la turbulencia, son extremadamente sensibles a las condiciones iniciales. Los errores en las predicciones crecen rápidamente, lo que hace que los pronósticos a largo plazo no sean fiables. Los métodos tradicionales requieren simulaciones completas costosas o modelos simplificados que pierden precisión en intervalos de tiempo largos.

El nuevo enfoque híbrido resuelve este problema proporcionando una representación más compacta de los datos. Los bits cuánticos (qubits), gracias a la superposición y el entrelazamiento, pueden almacenar más información en menos estados. Esto permite que el modelo capture correlaciones de largo alcance en el sistema que son inaccesibles para los algoritmos clásicos.

Ventajas clave del método

• Mejora del 20% en precisión en comparación con los modelos clásicos de aprendizaje automático.
• Reducción de 100 veces en los requisitos de memoria debido a la compresión cuántica de datos.
• Predicciones estables en intervalos de tiempo largos.
• Viabilidad práctica en hardware cuántico existente.

Lo que importa

• El enfoque híbrido utiliza el computador cuántico solo en una etapa, evitando problemas de ruido.
• El método demostró una ventaja cuántica práctica en una tarea de física computacional.
• Los resultados se obtuvieron en un computador cuántico real de 20 qubits, no en un simulador.
• Investigaciones futuras apuntan a probar el método en sistemas más complejos y desarrollar una base teórica.

Perspectivas de aplicación

Aunque los autores no hacen afirmaciones audaces sobre una revolución inmediata en el modelado climático, el trabajo allana el camino para el uso práctico de la computación cuántica en tareas que requieren pronósticos a largo plazo de sistemas complejos. Esto podría encontrar aplicaciones en:

• Hidrodinámica y aerodinámica (diseño de aeronaves, parques eólicos).
• Modelos climáticos (predicción del clima y cambio climático).
• Medicina (modelado del flujo sanguíneo).
• Energía (optimización de procesos de combustión).

Importancia para la industria

El trabajo del UCL es uno de los pocos ejemplos donde un computador cuántico proporciona un beneficio medible en una tarea computacional real. Esto podría estimular el desarrollo de arquitecturas híbridas donde los dispositivos cuánticos realicen funciones especializadas en lugar de intentar reemplazar completamente a los computadores clásicos.

— Editorial Team