Investigadores de la Universidad de Harvard han desarrollado un decodificador basado en redes neuronales que podría cambiar fundamentalmente el cronograma para una computación cuántica viable. Al exprimir la inteligencia fabricado, el equipo ha identificado un propósito de “cascada” que reduce drásticamente las tasas de error y sugiere que los recuentos masivos de qubits que ayer se consideraban necesarios para la “supremacía” cuántica pueden estar sobreestimados.
Rompiendo el cuello de botella cuántico
Las computadoras cuánticas dependen de qubits, que son increíblemente poderosos pero notoriamente frágiles. Son muy sensibles al ruido -interferencias en el ambiente- que provoca errores de cálculo. Para solucionar esto, el sistema utiliza la “corrección de errores” para detectar y corregir errores en tiempo vivo. El nuevo sistema de IA, una red neuronal convolucional emplazamiento Cascade, apunta directamente a esto. Según el estudio publicado en el servidor de preimpresión arXiv, Cascade procesó datos hasta 100.000 veces más rápido que las técnicas en serie y redujo las tasas de error en factores de varios miles en las pruebas de remisión.
El descubrimiento de Waterfall: un gran avance en la computación cuántica
Quizás el hallazgo más sorprendente sea lo que los investigadores llaman el propósito Cascada. Los modelos tradicionales asumían que las tasas de error mejoraban constantemente a medida que los sistemas crecían. Sin requisa, el equipo de Harvard descubrió que una vez que las tasas de error caen por debajo de cierto borde, comienzan a caer mucho más abruptamente de lo previsto. Los investigadores informan que la latencia de un solo disparo de Cascade (el tiempo que lleva procesar una ronda de corrección) se mide en millonésimas de segundo. Esta velocidad ya es compatible con varias plataformas cuánticas líderes, incluidos los sistemas de iones atrapados y átomos neutros. A pesar del entusiasmo, el equipo notó ciertas compensaciones.
A diferencia de los algoritmos tradicionales, los decodificadores basados en IA aún no tienen las mismas garantías teóricas y dependen en gran medida de la calidad de sus datos de entrenamiento. Adicionalmente, los modelos de IA más pequeños tuvieron un rendimiento deficiente, lo que significa que la decodificación de detención rendimiento requiere una potencia computacional significativa. No obstante, el hallazgo sugiere que es posible que las computadoras cuánticas no necesiten tantos qubits como se pensaba anteriormente para alcanzar un rendimiento útil.
About The Author
