AWS Quantum Technologies está destacando nueva investigación que demuestra el poder de las computadoras cuánticas de Rydberg-átomos para el aprendizaje automático. Investigadores de QuEra Computing y colaboradores han implementado con éxito un algoritmo de computación de reservorio cuántico (QRC) en Amazon Braket, abordando desafíos en áreas como la clasificación de imágenes y la predicción de series temporales. Este enfoque utiliza las propiedades únicas de la mecánica cuántica para superar potencialmente las limitaciones de los métodos tradicionales de aprendizaje automático, especialmente cuando se trabaja con conjuntos de datos pequeños. El equipo observó un “rendimiento robusto de QRC en conjuntos de datos pequeños relevantes para la investigación farmacéutica”, según una publicación de blog del 9 de febrero de 2026, lo que sugiere un camino hacia un análisis más eficiente en campos críticos. Este trabajo, detallado en una publicación reciente, ofrece una visión del futuro del aprendizaje automático cuántico y su potencial para acelerar el descubrimiento.
Computación de Reservorio Cuántico con Átomos de Rydberg
Este enfoque, detallado en trabajos recientes, va más allá de las propuestas teóricas hacia una aplicación práctica en hardware cuántico de corto plazo. El núcleo de QRC reside en su capacidad para mapear los datos de entrada en un espacio de alta dimensión, el “espacio de configuración del reservorio”, antes de que una capa de lectura interprete los resultados. A diferencia de muchos otros métodos de aprendizaje automático cuántico (QML), QRC minimiza las demandas de entrenamiento manteniendo fijos los parámetros del reservorio. Esto es particularmente beneficioso al abordar los desafíos de la escalabilidad del aprendizaje automático, donde “el ML todavía tiene dificultades con problemas de escala y complejidad crecientes”. El trabajo del equipo se basa en los principios establecidos de la computación de reservorio clásica, adaptándolos a un sistema cuántico. Como explican los autores, un reservorio “puede verse como una computadora analógica programable que se utiliza como una subrutina para realizar una tarea de aprendizaje automático determinada”.
La implementación experimental utiliza átomos de Rydberg, sistemas de dos niveles con posiciones ajustables y detunings locales. La codificación de los datos de entrada en estos parámetros permite que el sistema cuántico evolucione, creando un vector de incrustación de datos. Este proceso refleja el enfoque clásico, pero con una diferencia crucial: “Aunque QRC comparte el mismo flujo de trabajo que CRC, el uso de sistemas cuánticos como reservorios permite el acceso a un espacio de estados más allá de los estados de producto y permite correlaciones cuánticas de largo alcance que no están disponibles clásicamente”. En una demostración, el algoritmo QRC logró una precisión de prueba del 83,5% en la tarea de clasificación binaria 3/8-MNIST, utilizando una cadena de nueve átomos. Este rendimiento fue comparable a los métodos clásicos como las redes neuronales feedforward, pero con el potencial de una mejor escalabilidad. Experimentos adicionales exploraron la clasificación de enfermedades del tomate utilizando imágenes de hojas, empleando hasta 108 átomos. Los resultados indicaron que se observó rendimiento con hasta 108 átomos. Si bien los resultados actuales no superan definitivamente el aprendizaje automático clásico de última generación, el equipo observó que QRC “muestra una mejor escalabilidad con respecto al número de átomos utilizados en la codificación”. Cabe destacar que la investigación se extiende más allá de la clasificación de imágenes, demostrando la aplicabilidad del algoritmo a la predicción de series temporales, reflejando la dinámica de un sistema físico para simular otro. “Debido a que la potencia computacional de la computación de reservorio proviene de la dinámica temporal de los sistemas físicos, es natural aplicar el marco a problemas como la predicción de series temporales”, señalan los investigadores.
Computación de Reservorio Clásico para Imágenes MNIST
La búsqueda de algoritmos de aprendizaje automático más potentes está impulsando la exploración más allá de las arquitecturas convencionales, con la computación de reservorio emergiendo como una alternativa convincente. Este paradigma, a diferencia de muchos enfoques de aprendizaje profundo, minimiza las demandas de entrenamiento aprovechando la dinámica inherente de un sistema fijo y no lineal –el ‘reservorio’– para procesar la información. Si bien se exploró inicialmente con sistemas clásicos, el potencial de la mecánica cuántica para mejorar la computación de reservorio ha despertado un interés significativo, pero las implementaciones clásicas siguen siendo cruciales para la evaluación comparativa y la comprensión de los principios básicos.
Un ejemplo clave radica en abordar el desafío de la clasificación de imágenes, específicamente el conjunto de datos Modificado del Instituto Nacional de Estándares y Tecnología (MNIST) de dígitos escritos a mano, ampliamente utilizado. Investigadores de QuEra Computing y colaboradores han demostrado un enfoque de computación de reservorio clásico (CRC) utilizando una cadena de Nq espines clásicos para categorizar estas imágenes. El proceso comienza convirtiendo cada imagen en un vector de características Nq-dimensional, luego estableciendo “el campo magnético longitudinal dependiente del sitio como Δi = Δmax x i”. Esto establece un reservorio cuyo comportamiento se ve directamente influenciado por las características de la imagen.
Posteriormente, las propiedades medibles derivadas de la evolución del reservorio –como la componente Z de cada espín y las correlaciones entre ellos– se compilan en un vector de incrustación de datos. Este vector de incrustación de datos se utiliza luego para entrenar una capa de lectura final, típicamente un modelo de regresión lineal simple, para mapear el estado interno del reservorio a la clasificación de salida deseada. El beneficio, como destacan los investigadores, es que “solo la capa de lectura requiere entrenamiento mientras que los parámetros del reservorio permanecen fijos, lo que resulta en un bajo costo de entrenamiento”. Esto contrasta marcadamente con la intensa sintonización de parámetros requerida por muchas redes neuronales convencionales. Es crucial que el equipo comparara el rendimiento de QRC con otros métodos, incluido una máquina de vectores de soporte (SVM) lineal.
Interacciones de Átomos de Rydberg y Codificación de Posición
Los investigadores de QuEra Computing están pioneros en un nuevo enfoque para el aprendizaje automático aprovechando las inusuales propiedades de los átomos de Rydberg, centrándose específicamente en la computación de reservorio cuántico (QRC). Cada átomo, un sistema de dos niveles con una posición ajustable, experimenta un detuning local, análogo a un campo magnético que influye en los espines clásicos. Esta configuración permite la codificación de las características de la imagen directamente en la disposición espacial del átomo. A medida que el sistema evoluciona, los investigadores miden los observables de Pauli-Z –y i (t)–, que generan vectores de incrustación de datos. “Estos observables forman los vectores de incrustación de datos en un espacio de alta dimensión donde la separabilidad lineal se vuelve prominente”, explican los investigadores. Estos vectores se alimentan luego a un modelo de aprendizaje automático clásico, como una máquina de vectores de soporte, para la clasificación final. El equipo logró una precisión de prueba del 83,5% utilizando la codificación de posición, un método donde las ubicaciones de los átomos representan directamente los datos de la imagen. Este rendimiento fue comparable al de una red neuronal feedforward de cuatro capas, lo que demuestra el potencial de QRC para competir con las técnicas clásicas establecidas. Es importante destacar que los investigadores observaron que eliminar el reservorio cuántico y entrenar una SVM lineal directamente sobre las características de la imagen produjo resultados significativamente peores, “lo que ilustra el papel crítico de introducir la no linealidad a través del reservorio, ya sea clásico o cuántico, en los algoritmos”.
Ampliando más allá del simple reconocimiento de dígitos, el equipo aplicó QRC a una tarea más compleja: clasificar enfermedades del tomate a partir de imágenes de hojas. Esto implicó escalar hasta 108 átomos, cada uno representando un píxel en una imagen reducida. Los resultados mostraron que se observó rendimiento con hasta 108 átomos, y con 400 disparos por punto de datos, QRC logró niveles de precisión comparables a una red neuronal de cuatro capas con aproximadamente 20.000 parámetros ocultos. Si bien reconocen que “los métodos clásicos conocidos superan a la SVM lineal o a la NN de cuatro capas utilizada en la referencia”, los investigadores destacan el prometedor comportamiento de escalamiento de QRC a medida que aumenta el tamaño del sistema.
La computación de reservorio cuántico (QRC) está demostrando potencial en el aprendizaje automático, particularmente cuando se trata de conjuntos de datos limitados, un desafío común en áreas como la investigación farmacéutica en etapa temprana. El trabajo reciente de QuEra Computing y colaboradores se ha centrado en la implementación de QRC utilizando computadoras cuánticas de átomos de Rydberg, logrando una precisión de prueba del 83,5% en la desafiante tarea de clasificación binaria 3/8-MNIST. Este resultado, si bien no supera el aprendizaje automático clásico establecido en general, destaca un aspecto crucial de QRC: su rendimiento es comparable a técnicas como las redes neuronales feedforward, especialmente cuando los datos de entrenamiento son escasos.
Los experimentos del equipo utilizaron hasta 108 átomos para simulaciones, revelando un nivel de rendimiento similar a la computación de reservorio clásico (CRC) y las redes neuronales mencionadas anteriormente. A diferencia de muchos algoritmos tradicionales de aprendizaje automático, solo esta capa de lectura final requiere entrenamiento; el reservorio en sí permanece fijo, lo que reduce significativamente el costo computacional. Para lograr esto con átomos de Rydberg, los investigadores codificaron imágenes en las posiciones de los átomos, modulando sus interacciones para reflejar las características de la imagen. El sistema luego evoluciona con el tiempo, y las mediciones de los observables de Pauli-Z crean un vector de incrustación de datos utilizado para la clasificación. Sin embargo, el trabajo proporciona una valiosa prueba de concepto, que demuestra la viabilidad de implementar QRC en hardware cuántico de corto plazo y allanando el camino para una mayor exploración de su potencial en aplicaciones especializadas.
Esta investigación demuestra que la computación de reservorio cuántico en sistemas de átomos de Rydberg puede igualar o superar los métodos clásicos para tareas específicas de ML, particularmente cuando los datos de entrenamiento son limitados.
Si bien los algoritmos de aprendizaje automático dominan cada vez más campos como el reconocimiento de imágenes y la modelización financiera, su aplicación a áreas especializadas como la investigación farmacéutica a menudo se topa con un muro cuando se trata de datos limitados. Esto no se trata de reemplazar por completo los métodos establecidos, sino de ofrecer una alternativa viable donde las técnicas clásicas fallan. La investigación, detallada en una publicación reciente, se basa en los principios de la computación de reservorio, un paradigma de aprendizaje automático donde un sistema fijo y no lineal –el ‘reservorio’– mapea los datos de entrada en un espacio de alta dimensión. El equipo adaptó este concepto a un sistema cuántico utilizando átomos de Rydberg, creando efectivamente una computadora analógica cuántica. El flujo de trabajo del algoritmo QRC comienza convirtiendo los datos de entrada en un vector de características, luego codificando esto en el sistema de Rydberg utilizando parámetros ajustables.
