Imagen: El ministro de ciencia bávaro, Markus Blume, observa parte de una computadora cuántica con Dieter Kranzlmüller (izquierda) en el Centro de Supercomputación Leibniz. Crédito: Sven Hoppe/dpa/Alamy
Computadoras cuánticas: ¿para qué sirven?
Por ahora, absolutamente nada. Pero los investigadores y las empresas son optimistas acerca de las aplicaciones.
Nature Destacadas | 24 de mayo de 2023
Michael Brooks
La mayoría de los investigadores nunca han visto una computadora cuántica. Winfried Hensinger tiene cinco. “Son todas terribles”, dice. “No pueden hacer nada útil”.
De hecho, todas las computadoras cuánticas podrían describirse como terribles. Décadas de investigación aún tienen que producir una máquina que pueda iniciar la revolución prometida en la informática. Pero los entusiastas no están preocupados, y el desarrollo avanza mejor de lo esperado, dicen los investigadores.
“No estoy tratando de restarle importancia a la cantidad de trabajo que queda por hacer, pero nos sorprende lo mucho que hemos hecho”, dice Jeannette García, gerenta sénior de investigación para aplicaciones cuánticas y software en el gigante tecnológico IBM en San Jose, California.
Hensinger, físico de la Universidad de Sussex en Brighton, Reino Unido, publicó una prueba de principio en febrero para una computadora cuántica modular a gran escala (1). Su nueva empresa, Universal Quantum en Haywards Heath, Reino Unido, ahora está trabajando con la firma de ingeniería Rolls-Royce en Londres y otras para comenzar el largo y arduo proceso de construcción.
Si cree en las exageraciones, las computadoras que explotan los comportamientos extraños del reino atómico podrían acelerar el descubrimiento de fármacos, descifrar el cifrado, acelerar la toma de decisiones en transacciones financieras, mejorar el aprendizaje automático, desarrollar materiales revolucionarios e incluso abordar el cambio climático. La sorpresa es que esas afirmaciones ahora comienzan a parecer mucho más plausibles, y quizás incluso demasiado conservadoras.
Según el matemático computacional Steve Brierley, cualquiera que sea el punto cuánticodulce, podría ser más espectacular que cualquier cosa que podamos imaginar hoy, si se le da al campo el tiempo que necesita. “La exageración a corto plazo es un poco alta”, dice Brierley, quien es fundador y director ejecutivo de la firma de computación cuántica Riverlane en Cambridge, Reino Unido. “Pero la exageración a largo plazo no es suficiente”.
Escepticismo justificado
Hasta ahora, ha habido buenas razones para ser escéptico. Los investigadores han obtenido solo pruebas matemáticas de que las computadoras cuánticas ofrecerán grandes ganancias sobre las computadoras clásicas actuales en la simulación de la física y la química cuánticas, y en la ruptura de los criptosistemas de clave pública utilizados para proteger las comunicaciones confidenciales, como las transacciones financieras en línea. “Todos los demás casos de uso de los que habla la gente son más marginales, más especulativos o ambos”, dice Scott Aaronson, científico informático de la Universidad de Texas en Austin. Los especialistas cuánticos todavía tienen que lograr algo realmente útil que no se pueda hacer con las computadoras clásicas.
El problema se ve agravado por la dificultad de construir el propio hardware. Las computadoras cuánticas almacenan datos en dígitos binarios cuánticos llamados bits cuánticos o qubits, que pueden fabricarse utilizando diversas tecnologías, incluidos los anillos superconductores; trampas ópticas; y fotones de luz. Algunas tecnologías requieren enfriamiento hasta casi el cero absoluto, otras funcionan a temperatura ambiente. El anteproyecto de Hensinger es para una máquina del tamaño de un campo de fútbol, pero otras podrían acabar instaladas en los coches. Los investigadores ni siquiera pueden ponerse de acuerdo sobre cómo se debe medir el rendimiento de las computadoras cuánticas.
Cualquiera que sea el diseño, las cosas inteligentes suceden cuando los qubits se convencen cuidadosamente en estados de “superposición” de carácter indefinido, esencialmente una mezcla de unos y ceros digitales, en lugar de ser definitivamente uno u otro. Ejecutar algoritmos en una computadora cuántica implica dirigir la evolución de estos estados de superposición. Las reglas cuánticas de esta evolución permiten que los qubits interactúen para realizar cálculos que, en términos prácticos, son imposibles con las computadoras clásicas.
Dicho esto, los cálculos útiles sólo son posibles en máquinas cuánticas con una gran cantidad de qubits, y aún no existen. Además, los qubits y sus interacciones deben ser robustos frente a los errores introducidos por los efectos de las vibraciones térmicas, los rayos cósmicos, la interferencia electromagnética y otras fuentes de ruido. Estas perturbaciones pueden causar que parte de la información necesaria para el cálculo se escape del procesador, una situación conocida como decoherencia. Eso puede significar dedicar una gran proporción de los qubits a las rutinas de corrección de errores que mantienen un cálculo en marcha.
Aquí es donde comienza el escepticismo sobre la computación cuántica. La computadora cuántica más grande del mundo en términos de qubits es Osprey de IBM, que tiene 433. Pero incluso con 2 millones de qubits, algunos cálculos de química cuántica podrían tardar un siglo, según una preimpresión de 2022 (2) realizada por investigadores de Microsoft Quantum en Redmond, Washington, y ETH Zúrich en Suiza. Una investigación publicada en 2021 por los científicos Craig Gidney de Google en Santa Bárbara, California, y Martin Ekerå del KTH Royal Institute of Technologyde Estocolmo, estima que romper la criptografía de última generación en 8 horas requeriría 20 millones de qubits (3).
Imagen: Un diseño de circuito para la computadora cuántica superconductora de cinco qubits de IBM. Crédito: Investigación de IBM/SPL
Sin embargo, tales cálculos también ofrecen una fuente de optimismo. Aunque 20 millones de qubits parecen estar fuera de alcance, es mucho menos que los mil millones de qubits de las estimaciones anteriores4. El investigador Michael Beverland de Microsoft Quantum, quien fue el primer autor de la versión preliminar de 2022 (2), cree que algunos de los obstáculos que enfrentan los cálculos de la química cuántica se pueden superar a través de avances de hardware.
Por ejemplo, Nicole Holzmann, que dirige el equipo de aplicaciones y algoritmos de Riverlane y sus colegas han demostrado que los algoritmos cuánticos para calcular las energías del estado fundamental de alrededor de 50 electrones orbitales se pueden hacer radicalmente más eficientes (5). Las estimaciones anteriores del tiempo de ejecución de dichos algoritmos habían llegado a más de 1000 años. Pero Holzmann y sus colegas descubrieron que los ajustes a las rutinas, por ejemplo, alterando la forma en que las tareas algorítmicas se distribuyen alrededor de las diversas puertas lógicas cuánticas, redujeron el tiempo de ejecución teórico a solo unos pocos días. Esa es una ganancia en velocidad de alrededor de cinco órdenes de magnitud. “Diferentes opciones dan diferentes resultados”, explica Holzmann, “y aún no hemos pensado en muchas de estas opciones”.
Salto cuántico
En IBM, García está comenzando a explotar estas ganancias. En muchos sentidos, es una elección fácil: la ventaja cuántica potencial no se limita a los cálculos que involucran una gran variedad de moléculas.
Un ejemplo de un cálculo a pequeña escala, pero clásicamente intratable que podría ser posible en una máquina cuántica es encontrar las energías de los estados excitado y fundamental de pequeñas moléculas fotoactivas, lo que podría mejorar las técnicas de litografía para la fabricación de semiconductores y revolucionar el diseño de fármacos. Otro es simular los estados de singlete y triplete de una sola molécula de oxígeno, que es de interés para los investigadores de baterías.
En febrero, el equipo de García publicó (6) simulaciones cuánticas del ion sulfonio (H3S+ ). Esa molécula está relacionada con el trifenilsulfonio (C18H15S), un generador de fotoácido utilizado en litografía que reacciona a la luz de ciertas longitudes de onda. Comprender sus propiedades moleculares y fotoquímicas podría hacer que la técnica de fabricación sea más eficiente, por ejemplo. Cuando el equipo comenzó el trabajo, los cálculos parecían imposibles, pero los avances en computación cuántica en los últimos tres años han permitido a los investigadores realizar simulaciones utilizando recursos relativamente modestos: el cálculo H3S+ se ejecutó en el procesador Falcon de IBM, que sólo tiene 27 qubits.
Parte de las ganancias del equipo de IBM son el resultado de medidas que reducen los errores en las computadoras cuánticas. Estos incluyen la mitigación de errores, en la que el ruido se cancela utilizando algoritmos similares a los de los auriculares con cancelación de ruido, y la forja de entrelazamiento, que identifica partes del circuito cuántico que se pueden separar y simular en una computadora clásica sin perder información cuántica. Esta última técnica, que efectivamente duplica los recursos cuánticos disponibles, se inventó el año pasado7 .
Michael Biercuk, físico cuántico de la Universidad de Sídney en Australia, quien es director ejecutivo y fundador de la empresa emergente Q-CTRL con sede en Sídney, dice que tales ajustes operativos están maduros para la exploración. El trabajo de Biercuk tiene como objetivo profundizar en las interfaces entre los circuitos cuánticos y las computadoras clásicas utilizadas para controlarlos, así como comprender los detalles de otros componentes que componen una computadora cuántica. Queda “mucho espacio en la mesa”, dice; Los primeros informes de errores y limitaciones han sido ingenuos y simplistas.
“Estamos viendo que podemos desbloquear un rendimiento adicional en el hardware y hacer que haga cosas que la gente no esperaba”.
De manera similar, Riverlane está haciendo que los abrumadores requisitos para una computadora cuántica útil sean más manejables. Brierley señala que las aplicaciones de descubrimiento de fármacos y ciencia de los materiales pueden requerir computadoras cuánticas que puedan realizar un billón de operaciones sin decoherencia según las estimaciones actuales, y esas son buenas noticias. “Hace cinco años, eso era un millón de billones”, dice.
Algunas empresas son tan optimistas que incluso prometen aplicaciones comerciales útiles en un futuro próximo. La empresa emergente Algorithmiq, con sede en Helsinki, por ejemplo, dice que podrá demostrar avances cuánticos prácticos en el desarrollo y descubrimiento de fármacos dentro de cinco años. “Confiamos en eso”, dice Sabrina Maniscalco, cofundadora y directora ejecutiva de Algorithmiq, y física de la Universidad de Helsinki.
El juego largo
Maniscalco es sólo una de los/as muchos/as que piensan que las primeras aplicaciones comerciales de la computación cuántica serán acelerar u obtener un mejor control sobre las reacciones moleculares. “Si para algo van a ser útiles en los próximos cinco años, serán en los cálculos químicos”, dice Ronald de Wolf, investigador principal de CWI, un instituto de investigación de matemáticas e informática en Ámsterdam. Eso se debe a los requisitos de recursos relativamente bajos, agrega Shintaro Sato, jefe del Laboratorio Cuántico de Fujitsu Research en Tokio. “Esto sería posible usando computadoras cuánticas con una cantidad relativamente pequeña de qubits”, dice.
Las aplicaciones financieras, como la gestión de riesgos, así como la ciencia de los materiales y la optimización logística, también tienen una alta probabilidad de beneficiarse de la computación cuántica a corto plazo, afirma Biercuk. Aun así, nadie quita los ojos de las aplicaciones más especulativas a más largo plazo, incluidas las versiones cuánticas del aprendizaje automático.
Los algoritmos de aprendizaje automático realizan tareas como el reconocimiento de imágenes al encontrar estructuras y patrones ocultos en los datos, y luego crean modelos matemáticos que permiten que el algoritmo reconozca los mismos patrones en otros conjuntos de datos. El éxito generalmente implica una gran cantidad de parámetros y cantidades voluminosas de datos de entrenamiento. Pero con las versiones cuánticas del aprendizaje automático, la amplia gama de diferentes estados abiertos a las partículas cuánticas significa que las rutinas podrían requerir menos parámetros y muchos menos datos de entrenamiento.
En un trabajo exploratorio con el fabricante de automóviles de Corea del Sur, Hyundai, Jungsang Kim de la Universidad de Duke en Durham, Carolina del Norte, y los investigadores de la firma IonQ en College Park, Maryland, desarrollaron algoritmos cuánticos de aprendizaje automático que pueden diferenciar entre diez señales de tráfico en el laboratorio. pruebas (ver go.nature.com/42tt7nr). Su modelo basado en cuántica usó solo 60 parámetros para lograr la misma precisión que una red neuronal clásica que usa 59,000 parámetros. “También necesitamos muchas menos iteraciones de capacitación”, dice Kim. “Un modelo con 59.000 parámetros requiere al menos 100.000 conjuntos de datos de entrenamiento para entrenarlo. Con la cuántica, su número de parámetros es muy pequeño, por lo que su entrenamiento también se vuelve extremadamente eficiente”.
El aprendizaje automático cuántico está lejos de ser capaz de superar a los algoritmos clásicos, pero hay espacio para explorar, dice Kim.
Mientras tanto, esta era de inferioridad cuántica representa una oportunidad para validar el rendimiento de las máquinas y los algoritmos cuánticos frente a las computadoras clásicas, para que los investigadores puedan estar seguros de lo que están ofreciendo en el futuro, dice García. “Eso es lo que nos dará confianza cuando empecemos a superar lo que es clásicamente posible”.
Para la mayoría de las aplicaciones, eso no ocurrirá pronto. Silicon Quantum Computing, una empresa nueva con sede en Sídney, ha estado trabajando en estrecha colaboración con firmas de finanzas y comunicaciones y anticipa que pasarán muchos años antes del día de pago, dice la directora Michelle Simmons, quien también es física en la Universidad de Nueva Gales del Sur en Sídney.
Eso no es un problema, agrega Simmons: Silicon Quantum Computing tiene inversores pacientes. También lo hace Riverlane, dice Brierley. “La gente entiende que esta es una obra a largo plazo”.
Y a pesar de todo el alboroto, también es lento, agrega Hensinger. “No habrá este punto en el que de repente tengamos un arcoíris saliendo de nuestro laboratorio y todos los problemas puedan resolverse”, dice. En cambio, será un proceso lento de mejora, impulsado por nuevas ideas sobre qué hacer con las máquinas, y por codificadores inteligentes que desarrollan nuevos algoritmos. “Lo que es realmente importante en este momento es construir una fuerza laboral con habilidades cuánticas”, agrega.
Nature 617, T1-T3 (2023)doi: https://doi.org/10.1038/d41586-023-01692-9
Este artículo es parte de Nature Spotlight: Quantum computing, un suplemento editorialmente independiente.
Referencias
1. Akhtar, M. et al. Nature Comun. 14, 531 (2023).
2. Beverland, ME y col. Preimpresión en https://arxiv.org/abs/2211.07629 (2022).
3. Gidney, C. &Ekerå, M. Quantum 5, 433 (2021).
4. Gheorghiu, V. & Mosca, M. Preimpresión en: https://arxiv.org/abs/1902.02332 (2019).
5. Blunt, NS et al. J. Theory Comput.Chem. 18, 7001–7023 (2022).
6. Motta, M. et al. Chem. Sci. 14, 2915–2927 (2023).
7. Eddins, A. et al. PRX Quantum 3, 010309 (2022).
