La optimización no es sólo una palabra de moda. Es la columna vertebral de la logística, las finanzas y las imágenes médicas. Cada industria necesita encontrar la mejor opción en un mar de miles de millones de posibilidades. Ingrese a los recocidos cuánticos. Los dispositivos de D-Wave Systems están diseñados específicamente para este tipo de levantamiento de objetos pesados.
Pero hay un problema. Uno testarudo y persistente.
Los qubits son frágiles. Cometen errores.
Cuando un recocido cuántico calcula, algunos qubits colapsan en un estado incorrecto. Suena menor. No lo es. La tasa de error se agrava exponencialmente. A medida que el tamaño del problema crece, el tiempo para encontrar la respuesta correcta se sale de control. El recocido cuántico sin asistencia se vuelve prácticamente inútil para tareas grandes del mundo real. El hardware no puede seguir el ritmo de su propio ruido.
Los investigadores de CSIRO, la agencia científica nacional de Australia, han solucionado este cuello de botella. No construyeron un nuevo procesador cuántico. Escribieron nuevo software. Su método, llamado SEMO, es una técnica de mitigación de errores de giro para la optimización. Procesa los resultados una vez finalizado el cálculo cuántico.
El resultado es asombroso. SEMO ofrece una mejora millonaria en la rapidez con la que un sistema encuentra la solución óptima global para problemas de optimización combinatoria.
Por qué el posprocesamiento supera a la corrección de errores cuánticos
La mayoría de la gente asume que la mitigación de errores significa Corrección de errores cuánticos (QEC). Ese es el santo grial de la computación cuántica. También es increíblemente caro en términos de gastos generales de hardware. QEC intenta proteger los qubits durante el cálculo codificando un qubit lógico entre docenas o cientos de físicos.
Esto reduce drásticamente la cantidad de qubits utilizables que realmente tiene.
Si ya le faltan qubits, esto es un factor decisivo. SEMO se salta esta penalización. Opera en el lado clásico, una vez finalizado el recocido.
La lógica es simple pero efectiva. Los errores de Qubit son escasos. No se distribuyen uniformemente por todo el sistema. Más bien, forman grupos aislados. Sólo una pequeña fracción de los giros terminan mal. SEMO los persigue.
El algoritmo funciona de forma iterativa. Elige un giro de referencia aleatorio. Genera grupos de espines cercanos. Prueba si invertir estos giros reduce la función objetivo: la puntuación matemática que la máquina intenta minimizar. Si voltear ayuda, se voltea. Si duele, lo deja en paz.
Esto se repite hasta que cada giro haya sido examinado dos veces.
¿Los gastos generales? Modesto. Todo el proceso se ejecuta en una computadora clásica en milisegundos. Eso es insignificante en comparación con los segundos o minutos ahorrados en el lado cuántico.
Prueba de SEMO en segmentación de imágenes 3D
La teoría está bien. La prueba es mejor.
El equipo de CSIRO probó SEMO en un problema correlacionado de segmentación de imágenes 3D de la ciencia de materiales. Específicamente, utilizaron tomografía computarizada (TC) de rayos X de microestructuras de materiales. ¿El objetivo? Distinga entre fases de baja densidad y fases de alta densidad en miles de vóxeles.
Esta es una optimización binaria cuadrática sin restricciones, o problema QUBO. El idioma nativo de los recocedores cuánticos.
Sin SEMO, el recocidor D-Wave Advantage tuvo problemas. A medida que el problema pasó de 1 variable de giro a 512, el tiempo promedio por solución correcta saltó de 0,1 milisegundos a más de 100 segundos. Esa es una desaceleración millonaria. El ruido estaba acabando con la eficiencia.
Con SEMO aplicado, la curva se aplanó. Casi en su totalidad.
El tiempo por solución óptima rondaba los 0,1 milisegundos. El tamaño del problema apenas importaba.
“Las demostraciones cuantitativas mostraron el potencial del recocido cuántico con errores para resolver problemas complejos de optimización combinatoria”. —YS Yang
La precisión también fue superior. SEMO tuvo en cuenta las correlaciones entre vóxeles vecinos. Los métodos clásicos de descenso de gradientes a menudo se quedan estancados en mínimos locales subóptimos. No pueden ver el panorama general. Los resultados corregidos por SEMO proporcionaron un mapa binario limpio del material. Separó fases compositivas con una precisión que los métodos clásicos simplemente no pueden igualar.
Esta precisión importa. Un mapa de materiales confiable es la base para modelar cómo se comporta ese material bajo estrés, calor o condiciones del mundo real.
superando a los competidores por un amplio margen
¿Cómo se compara SEMO con los métodos existentes?
Los investigadores realizaron comparaciones con Greedy Solver de D-Wave y la técnica Single-QubitCorrection. La diferencia fue marcada. Los métodos competitivos alcanzaron tasas de éxito de sólo un pequeño porcentaje a la hora de encontrar el óptimo global.
SEMO alcanzó tasas de éxito de entre el 82% y el 100%.
No solo mejoró las técnicas existentes. Los aniquiló.
Y aquí está el giro: SEMO no se limita al hardware cuántico.
Dado que se ejecuta en hardware clásico, puede refinar los resultados del recocido simulado. El equipo también lo probó allí. Greedy Solver y Single-QubitCorrection no produjeron ninguna mejora mensurable en contextos de recocido simulados. SEMO mejoró esos resultados significativamente. Es una herramienta universal para cualquiera que optimice sistemas complejos.
¿Dónde importa esto a continuación?
La aplicabilidad se extiende mucho más allá de las imágenes 3D.
SEMO opera al nivel de las formulaciones Ising spin-glass y QUBQ. Estos son los marcos matemáticos detrás de innumerables problemas. Rutas logísticas. Equilibrio de cartera financiera. Criptografía. Diseño de materiales. Si se puede presentar como QUBO, es probable que SEMO pueda ayudar.
“El método tendrá un impacto particular en aplicaciones de tiempo crítico, como la optimización en tiempo real en escenarios industriales y de defensa”.
La optimización en tiempo real no es un lujo. Es un requisito. Si necesita redirigir una flota de drones o reequilibrar un algoritmo comercial en milisegundos, no tiene tiempo para que el ruido corrompa el resultado. SEMO mantiene la señal limpia.
El techo de hardware
Hay un inconveniente. Límites de hardware.
Los recocidos cuánticos actuales tienen un límite de alrededor de 5.000 qubits físicos. Esto restringe el tamaño de los problemas que pueden surgir. No puedes resolver un gráfico de 100.000 vértices si tu máquina sólo tiene 5.000 nodos.
Pero eso está cambiando.
D-Wave está lanzando el sistema Advantage III. Contará con 100.000 qubits. Esta expansión ampliaría sustancialmente la gama de problemas abordables por SEMO.
Por ahora, el método es un puente. Hace que el recocido cuántico sea prácticamente útil para tareas complejas del mundo real. No requiere una revolución cuántica en el hardware. Requiere ser más inteligente con respecto a la capa clásica que envuelve el procesador cuántico.
Las mayores mejoras a menudo provienen de los bordes, no del núcleo.
