Inteligencia Artificial y Sistemas Cuánticos

 

 

La convergencia de la inteligencia artificial (IA) y la física cuántica es actualmente una de las áreas de investigación más activas, con resultados publicados y verificables. Esta convergencia está evolucionando de manera vertiginosa, lo cual apunta a cambios radicales a mediano plazo, en los esquemas de ejecución de toda actividad de ingeniería y del cotidiano, así como en en la forma de ejecución y desarrollo de proyectos industriales.  Por ello es conveniente estar al tanto de esta evolución y su aprovechamiento práctico.

La integración de ambos campos progresa hacia  una sinergia que muestra dos direcciones definidas: la primera, donde la IA como herramienta ayuda a controlar y optimizar sistemas cuánticos reales, y la segunda, donde los sistemas cuánticos como herramientas de cómputo se aplican para acelerar la IA. Ambas direcciones presentan avances concretos y limitaciones igualmente concretas, algunas de las cuales, esta publicación, buscando más informar que instruir, intenta describir sin recurrir a técnicismos ni a extrapolaciones sin fundamento.

1. Inteligencia Artificial y Computadores Cuánticos.

Los sistemas cuánticos experimentales implican funcionalidades físicas extremadamente complejas y precisas, dicho esto de forma general, para evitar profundizar en la física cuántica, que está fuera del objetivo de esta publicación. En consecuencia, tratar de gestionar manualmente estas funcionalidades físicas, que además se entiende que son altamente sensibles al entorno, resulta muy poco factible. Esto se conoce, a grandes rasgos, como el problema de lograr el control cuántico óptimo.

Aquí resaltan los terminos coherencia y decoherencia cuántica (lo opuesto), que simplificando se podría entender a la coherencia como el estado, extremadamente corto y sensible, en que una unidad de cómputo cuántico, conocida como qubit, mantiene información válida, útil o coherente. Por lo tanto, cualquier protocolo cuántico debe ejecutarse dentro de su lapso de coherencia, y es aquí donde entran las capacidades de la IA: La IA optimiza operaciones dentro del tiempo de coherencia, ayudando en calibración, en el control adaptativo y en la mitigación de errores  en tiempo real. En esencia, la IA actúa como un sistema de control que mantiene el delicado estado cuántico necesario para que las computadoras cuánticas funcionen de forma fiable.

2. Efectos Zeno y anti-Zeno cuánticos (1,2)

El efecto Zeno cuántico es real y está documentado y se fundamenta en el hecho de que la medición, con una frecuencia suficientemente alta, de un estado en un sistema cuántico promueve la supresión de sus transiciones hacia otros estados. Su contraparte, el efecto Anti-Zeno, también está verificada: existe un régimen de frecuencias intermedias en el que las mediciones aceleran la tasa de transición entre estados cuánticos, en lugar de suprimirla.

El aprovechamiento actual del efecto Zeno apunta  a caracterizar el ruido que afecta a un qubit y mediante ello, con las capacidades ultra rápidas de la IA, lograr las calibraciones de procesadores cuánticos.

La IA interviene aquí con algoritmos y redes neuronales recurrentes que aceleran todo lo que involucra la actividad de medición, reduciendo el tiempo de calibración de horas a minutos.

3.       Baterías cuánticas (3,4)

Las baterías cuánticas son dispositivos que aprovechan fenómenos de la física cuántica para almacenar y liberar energía de forma diferente a como lo hacen las baterías convencionales.

La diferencia fundamental no está en el tamaño ni en el material, sino en el principio de operación. Una batería convencional almacena energía mediante reacciones electroquímicas. Una batería cuántica lo haría mediante estados cuánticos de partículas, donde el entrelazamiento y la coherencia cuántica pueden, en teoría, acelerar el proceso de carga de manera colectiva. Cuantas más celdas actúen entrelazadas, mayor puede ser esa ventaja de carga.

Dos modelos concentran la mayor parte de la investigación actual. El modelo de Dicke, originalmente propuesto para describir cómo la luz interactúa con la materia, ha resultado útil para explorar cómo un grupo de partículas entrelazadas puede cargarse más rápido que si cada una lo hiciera de forma independiente. El modelo de Sachdev-Ye-Kitaev, por su parte, describe sistemas con interacciones altamente desordenadas y ha mostrado que ese desorden, paradójicamente, puede favorecer la extracción de energía. Sin embargo, para ambos modelos, el extraer energía de forma útil sin destruir la coherencia, sigue siendo un problema abierto.

 

Resumen:

La intersección actual entre IA y física cuántica produce valor real en campos verificables: el control óptimo de qubits mediante aprendizaje por refuerzo y la calibración de ruido cuántico mediante algoritmos. En todos estos casos, la IA opera como herramienta clásica que optimiza parámetros que actúan sobre sistemas cuánticos a través de instrumentos físicos convencionales.

Referencias:

1. Google. Meet Willow, our state-of-the-art quantum chip (2024).

https://blog.google/technology/research/google-willow-quantum-chip/

2. Google. M. Ivezic. Verifiable Quantum Advantage” on Willow Quantum Chip (2025). https://postquantum.com/quantum-research/googles-quantum-advantage/

3.  Gianluca Francica , Quantum advantage in batteries for Sachdev-Ye-Kitaev interactions. (2024), Arxiv, Cornell University.

https://arxiv.org/abs/2405.03306

4. X. Zhang, M. Blaauboer. Enhanced energy transfer in a Dicke quantum battery (2023), Frontiers.

https://www.frontiersin.org/journals/physics/articles/10.3389/fphy.2022.1097564/full