Machine Learning Cuántico: razones para su uso
AI4ES
20/12/2022

El uso de algoritmos de computación cuántica ofrece múltiples beneficios en el campo de la inteligencia artificial, y más concretamente en el campo del machine learning respecto de las implementaciones clásicas.
A medida que la infraestructura y metodologías cuánticas han ido evolucionando, el uso de versiones cuánticas de algoritmos de inteligencia artificial se ha vuelto cada vez más atractivo. De entre sus múltiples líneas de actividad, AI4ES trabaja el estudio de algoritmos de computación cuántica para solucionar problemas de gran complejidad dentro del tejido industrial.
Uno de los motivos por los que el machine learning cuántico ha destacado es la cantidad de datos que necesita para entrenar un algoritmo. Se ha demostrado que, para ciertos problemas de clasificación, un algoritmo cuántico puede aprender con menos información de la que requiere su contraparte clásica [1, 2]. Además, también hay estudios que indican que ciertos problemas de machine learning pueden resolverse en un tiempo significativamente inferior utilizando algoritmos de computación cuántica [3,4], ya que estos son capaces de detectar más fácilmente ciertos patrones y similitudes en los datos.
Otro punto interesante del quantum machine learning es que estos algoritmos pueden desplegarse tanto en ordenadores clásicos, con arquitecturas avanzadas de computación que permiten emular y simular el comportamiento de un ordenador cuántico procesando los circuitos cuánticos, como es el caso del simulador QUTE [5] desarrollado por CTIC, uno de los Socios AI4ES; o pueden ejecutarse en ordenadores cuánticos reales, como los ofrecidos por IBM [6] o Google [7].
Las expectativas puestas en los modelos cuánticos de machine learning son muy altas, y se espera que algún día lleguen a sustituir a las versiones clásicas actuales, si bien la tecnología es aún emergente y queda aún mucho trabajo de investigación para alcanzar ese objetivo. Desde AI4ES se está trabajando activamente en una línea de investigación en este sentido, explorando las posibilidades de soluciones que aprovechen el potencial del quantum machine learning y demostrando su aplicación mediante pruebas de concepto y pilotos en casos de estudio basados en casos de uso reales, como por ejemplo la detección de ciberataques en trazas de red mediante diferentes algoritmos cuánticos de clasificación, así como el despliegue de una plataforma de altas prestaciones para desarrollo colaborativo de experimentos quantum machine learning.
Referencias:
- Biamonte, J., Wittek, P., Pancotti, N. et al. Quantum machine learning. Nature 549, 195–202 (2017). https://doi.org/10.1038/nature23474
- Srinivasan Arunachalam and Ronald de Wolf. 2017. Guest Column: A Survey of Quantum Learning Theory. SIGACT News 48, 2 (June 2017), 41–67. https://doi.org/10.1145/3106700.3106710
- Zhang, Y., & Ni, Q. (2020). Recent advances in quantum machine learning. Quantum Engineering, 2(1), e34. https://doi.org/10.1002/que2.34
- Sajjan, M., Li, J., Selvarajan, R., Sureshbabu, S. H., Kale, S. S., Gupta, R., … & Kais, S. (2022). Quantum machine learning for chemistry and physics. Chemical Society Reviews. https://doi.org/10.1039/D2CS00203E
- CTIC’s QUTE Quantum Computing Simulation Platform https://doi.org/10.5281/zenodo.5561049
- IBM Quantum compute resources https://quantum-computing.ibm.com/services/resources/docs/resources/manage/systems/#ibm-quantum-compute-resources
- Google Quantum computing hardware https://quantumai.google/hardware