El equipo de Google Quantum AI, en colaboración con DeepMind, presentó AlphaQubit, un decodificador basado en inteligencia artificial que representa un avance significativo en la corrección de errores en computadoras cuánticas.
El sistema promete una mayor precisión en la identificación y corrección de errores, reduciendo las tasas de fallos en un 6 % en comparación con las redes tensoriales y en un 30 % respecto a las técnicas de coincidencia correlacionada, ampliamente utilizadas en el campo.
Desarrollado sobre la arquitectura Transformer, AlphaQubit utiliza un entrenamiento en dos etapas. Primero, se preentrena con datos sintéticos generados por simuladores cuánticos.
Posteriormente, se ajusta con datos reales recopilados del procesador cuántico Sycamore de Google, para adaptarse a los ruidos complejos del mundo real, como las interferencias entre qubits y las fugas de estados no computacionales.
En las pruebas realizadas, el sistema destacó, manteniendo su eficiencia en configuraciones que iban de 17 a 49 qubits, con proyecciones prometedoras para dispositivos aún más grandes.
Aunque AlphaQubit representa un hito en la aplicación del aprendizaje automático a la computación cuántica, todavía enfrenta desafíos. La velocidad en tiempo real y la escalabilidad continúan siendo obstáculos para su implementación en procesadores cuánticos de alto rendimiento.
Aun así, el potencial del decodificador es notable, reduciendo la dependencia de algoritmos manuales que tienen dificultades frente a la complejidad del ruido en los sistemas cuánticos.
Los investigadores subrayan que este avance es un paso más hacia computadoras cuánticas verdaderamente confiables.
A medida que AlphaQubit evoluciona, se espera que no solo haga los sistemas más compactos y accesibles, sino que también allane el camino para aplicaciones reales como el descubrimiento de medicamentos, el diseño de materiales y tareas criptográficas avanzadas.
