Se trata de uno de los algoritmos de tomografía cuántica más rápidos y eficientes hasta la fecha. Los resultados expanden las posibilidades de la inteligencia artificial para desarrollar tecnologías cuánticas.

El avance es el fruto de una colaboración internacional en la que participan la Universidad Autónoma de Madrid (UAM) en España, la Universidad Tecnológica Chalmers en Suecia y el instituto de investigación RIKEN en Japón.

El trabajo realizado por estos científicos supone un gran avance en la comprensión de cómo los sistemas de inteligencia artificial pueden ayudar al desarrollo de las tecnologías cuánticas del futuro.

Cualquier objeto en el mundo cuántico está completamente descrito por su estado cuántico. La capacidad de manipular y controlar estos estados es clave para el desarrollo de tecnologías cuánticas en campos como la computación, las comunicaciones o la metrología. Es por esto que, para la física actual, resulta crucial conocer los estados cuánticos que se generan en un laboratorio.

El único modo de obtener esta información, tal como argumenta el equipo de Carlos Sánchez Muñoz, de la UAM, es a través de medidas, las cuales, por lo general, destruyen dicho estado y arrojan solo una información parcial sobre el mismo. Repetir este proceso muchísimas veces y obtener ingentes cantidades de medidas es la única manera de hacer un análisis estadístico que permita inferir el estado que se genera realmente en el experimento. La tomografía cuántica es una especie de proceso detectivesco muy desafiante. Esto se debe a que, en el tipo de sistemas necesarios para aplicaciones tecnológicas de la física cuántica, la complejidad de los estados, la cantidad de medidas necesarias y la dificultad de los cálculos se vuelven muy grandes.

En su trabajo, los investigadores diseñaron una inteligencia artificial capaz de afrontar esta tarea. El diseño se basa en redes neuronales, es decir, en modelos simplificados de los mecanismos de conexiones neuronales del cerebro.

En este caso, los autores emplearon dos redes neuronales que compiten entre ellas y aprenden en el proceso, lo que se conoce como redes neuronales generativas adversarias (GANs). La capacidad creativa de las redes GAN es ampliamente utilizada en la industria actual, para tareas como la restauración y modificación de fotos o la generación fotorrealista de imágenes.

El resultado de este trabajo es uno de los algoritmos de tomografía cuántica más rápidos y eficientes diseñado hasta la fecha. Una vez entrenada, requiere menos medidas y cálculos que los necesarios mediante métodos estándar, tal como señalan los autores. (Fuente: UAM)