Algoritmos híbridos clásicos/cuánticos han sido desarrollados para extraer el mayor rendimiento, y potencialmente la ventaja cuántica, del limitado y propenso a errores hardware cuántico actual.
Conocidos como algoritmos cuánticos variacionales, utilizan equipos cuánticos para manipular sistemas cuánticos mientras transfieren gran parte de la carga de trabajo a las computadoras clásicas para permitirles hacer lo que actualmente hacen mejor: resolver problemas de optimización.
«Las computadoras cuánticas prometen superar a las computadoras clásicas para ciertas tareas, pero en el hardware cuántico disponible actualmente no pueden ejecutar algoritmos largos. Tienen demasiado ruido cuando interactúan con el entorno, lo que corrompe la información que se procesa», dijo en un comunicado Marco Cerezo, físico especializado en computación cuántica, aprendizaje de máquina cuántica e información cuántica en el LANL (Los Alamos National Laboratory) y autor principal del artículo.
«Con los algoritmos cuánticos variacionales, obtenemos lo mejor de ambos mundos. Podemos aprovechar el poder de las computadoras cuánticas para tareas que las computadoras clásicas no pueden hacer fácilmente y luego usar las computadoras clásicas para complementar la potencia computacional de los dispositivos cuánticos».
Los actuales ordenadores cuánticos de escala intermedia, ruidosos, tienen entre 50 y 100 qubits, pierden su virtud cuántica rápidamente y carecen de corrección de errores, lo que requiere más qubits. Sin embargo, desde finales de la década de 1990, los teóricos han estado desarrollando algoritmos diseñados para ejecutarse en una computadora cuántica grande idealizada, con corrección de errores y tolerante a fallos.
«No podemos implementar estos algoritmos todavía porque dan resultados sin sentido o requieren demasiados qubits. Así que la gente se dio cuenta de que necesitábamos un enfoque que se adaptara a las limitaciones del hardware que tenemos, un problema de optimización», dijo Patrick Coles, físico teórico que desarrolla algoritmos en el LANL y autor principal principal del estudio.
«Descubrimos que podíamos convertir todos los problemas de interés en problemas de optimización, potencialmente con ventaja cuántica, lo que significa que la computadora cuántica supera a una computadora clásica en la tarea», dijo Coles. Esos problemas incluyen simulaciones para la ciencia de los materiales y la química cuántica, factorización de números, análisis de ‘big data’ y prácticamente todas las aplicaciones que se han propuesto para las computadoras cuánticas.
Los algoritmos se denominan variacionales porque el proceso de optimización varía el algoritmo sobre la marcha, como una especie de aprendizaje automático. Cambia los parámetros y las puertas lógicas para minimizar una función de costo, que es una expresión matemática que mide qué tan bien el algoritmo ha realizado la tarea. El problema se resuelve cuando la función de costo alcanza su valor más bajo posible.
En una función iterativa en el algoritmo cuántico variacional, la computadora cuántica estima la función de costo y luego pasa ese resultado a la computadora clásica. Luego, la computadora clásica ajusta los parámetros de entrada y los envía a la computadora cuántica, que ejecuta la optimización nuevamente.
