El grupo creó una máquina capaz de recrear un sistema cuántico con alta precisión a partir de extractos. La investigación en el área de la cuántica fue publicada en la prestigiosa revista Machine Learning: Science and Technology.
El desarrollo de la computación cuántica tiene varios desafíos y uno de ellos es la integración de sistemas cuánticos de miles de qubits, o bits cuánticos que, a diferencia de los clásicos, donde un bit puede ser 0 o 1, son estados que pueden estar en superposición de ceros y unos al mismo tiempo.
Recientemente, un grupo de investigadores chilenos de la Universidad de Concepción se planteó resolver un problema relacionado con cómo descifrar un sistema cuántico a partir de algunas partes del sistema.
En mecánica cuántica, que es la física que describe las reglas del mundo atómico, un sistema cuántico es un conjunto de partículas que pueden, por ejemplo, ser electrones, un conjunto de átomos y también moléculas.
“Para hacer la reconstrucción del estado hay que hacer mediciones con experimentos para conseguir información sobre el sistema. Lamentablemente las mediciones tienen un costo ya sea en complejidad experimental o en tiempo, de manera tal que cuando el sistema está formado por muchas partes, el poder medir todas las partes es prácticamente imposible.” explica Aldo Delgado, director del Instituto Milenio de Investigación en Óptica (MIRO) y académico de la Universidad de Concepción que guio el estudio.
El profesor Delgado describe esta situación como si tuviéramos un puzzle con miles de piezas y solo tenemos unas pocas piezas armadas para hacernos una idea de cómo es la imagen total del rompecabezas. “Lo que hicimos fue crear una máquina, usando herramientas de Inteligencia Artificial, que tuviera la capacidad de definir cuál era la imagen general del puzzle mirando pocas imágenes”, explica.
El primer autor del estudio e investigador posdoctoral de MIRO Daniel Uzcátegui, puntualiza que lo que se propusieron puede ayudar a resolver este problema que en física es conocido como el problema de los marginales cuánticos.
“Desarrollamos un método en el que usamos modelos de deep learning para resolver un problema de optimización. Este problema típicamente se resuelve con algoritmos para resolver problemas de programación semidefinida, pero encontrar una solución se hace más difícil para las librerías actuales cuando la dimensión del problema se hace más grande. Nuestro método resuelve muchos casos del problema en forma exacta y un tiempo considerablemente menor”, dice el Dr. Uzcátegui.
En concreto, esta herramienta podría ayudar a realizar avances en la comprensión de sistemas cuánticos de muchos cuerpos, como moléculas u otros sistemas microscópicos. “Una aplicación importante de nuestros resultados es la posibilidad de transmitir estados cuánticos de forma comprimida, como en la compresión de datos en archivos MP3”, señala el profesor Delgado. “En vez de transmitir el estado completo sólo se transmiten sus partes y nuestro método reconstruye el total. También es posible aplicar los conocimientos adquiridos a otros problemas interesantes, importantes y difíciles, por ejemplo, actualmente desarrollamos un método que permite determinar si un sistema cuántico está entrelazado o no, y un método que permite generar estados entrelazados con propiedades exóticas, esto en colaboración con el Dr. Dardo Goyeneche de la Pontificia Universidad Católica”, agrega.
En la investigación también participaron estudiante de doctorado de la UdeC Antonio Guerra, y el académico de la misma casa de estudios Sebastián Niklitschek. El artículo titulado “Machine learning approach to reconstruct density matrices from quantum marginals” se puede leer de manera gratuita en la revista Machine Learning: Science and Technology.