La inteligencia artificial se refiere, entre otras cosas, a la capacidad de las máquinas para demostrar cierto grado de lo que los seres humanos consideran «inteligencia». Este proceso está impulsado por el rápido avance del aprendizaje automático: lograr que las máquinas piensen por sí mismas en lugar de programarlas de antemano con un concepto absoluto.
Pensemos en el reconocimiento de imágenes. Los seres humanos sobresalen en esta tarea, pero ha resultado difícil simularla artificialmente. Entrenar una máquina para que reconozca un gato no significa introducir una definición fija de su aspecto. En cambio, se introducen muchas imágenes distintas de gatos; el objetivo es que el ordenador aprenda a extraer el patrón de píxeles subyacente «propio de un gato».
Esta dependencia de los datos es una potente herramienta de entrenamiento. Pero también entraña posibles riesgos. Si se entrena a las máquinas para que encuentren y aprovechen patrones en los datos, entonces, en determinados casos, solo perpetúan los prejuicios raciales, de género o de clase propios de la inteligencia humana actual.
Sin embargo, la capacidad de procesamiento de datos inherente al aprendizaje automático también puede generar aplicaciones que mejoren la vida de las personas. Las máquinas «inteligentes» podrían ayudar a los científicos a detectar el cáncer de manera más eficiente o a comprender mejor la salud mental.
Hasta ahora, la mayor parte de los avances en el aprendizaje automático han sido clásicos: las técnicas que emplean las máquinas para aprender siguen las leyes de la física clásica. Los datos de los que aprenden tienen una forma clásica. Las máquinas que ejecutan los algoritmos también son clásicas.
Trabajamos en el campo emergente del aprendizaje automático cuántico, que explora si la rama de la física llamada mecánica cuántica podría mejorar el aprendizaje automático. La mecánica cuántica difiere de la física clásica en un nivel fundamental: trata con probabilidades y convierte la incertidumbre en un principio. También amplía la física para incluir fenómenos interesantes que no pueden explicarse mediante la intuición clásica.
De lo clásico a lo cuántico
La mecánica cuántica es una rama de la física que trata de comprender y aplicar reglas matemáticas verificables al comportamiento de la naturaleza en el extremo más pequeño del espectro, a escala de átomos, electrones y fotones. Se desarrolló por primera vez a comienzos del siglo XX y ha tenido mucho éxito a la hora de describir sistemas a nivel microscópico.
La división fundamental entre los mundos cuántico y clásico se popularizó con el experimento mental del gato de Schrödinger. En él, se encierra a un gato en una caja junto con un vial de veneno y un átomo radiactivo. La liberación del veneno —y la vida del gato— depende de la desintegración del átomo.
La mecánica cuántica permite describir el átomo como desintegrado y no desintegrado a la vez, hasta que una medición lo obliga a adoptar un estado exacto. Pero, entonces, debería deducirse que el gato puede describirse como muerto y vivo al mismo tiempo, hasta que se abra la caja y se determine su estado. La paradoja ilustra la dificultad de aplicar reglas cuánticas a objetos clásicos.
Esta es una de las posibilidades más fascinantes inherentes a la teoría cuántica: que es posible que un sistema cuántico se encuentre en más de un estado a la vez —un fenómeno llamado superposición— hasta que se mida dicho sistema.
Computación cuántica
Hay varias maneras de incorporar la mecánica cuántica al aprendizaje automático. De ellas, la carrera por crear un ordenador cuántico ha acaparado la atención de la prensa y propiciado el desarrollo de contendientes como el ordenador D-Wave y el IBM Quantum Experience.
El valor de los ordenadores cuánticos residiría en su capacidad para procesar información y realizar tareas computacionales de forma distinta y, en algunos casos, más rápida que los ordenadores clásicos.
A pesar del interés comercial, ninguno de los contendientes ha logrado un éxito rotundo todavía. Esto se debe a que los fenómenos de la mecánica cuántica en los que se basan, como los estados de superposición, son delicados y propensos a desaparecer.
Otras ramas del aprendizaje automático cuántico se centran en cómo la teoría cuántica podría orientar los métodos que utilizan los ordenadores para aprender o los datos de los que aprenden, así como en perfeccionar las herramientas y técnicas del aprendizaje automático clásico dentro de un marco cuántico.
Aunque los resultados medibles siguen perteneciendo en gran medida al ámbito teórico, el aprendizaje automático cuántico sí tiene implicaciones cotidianas para la gente. Desde hace tiempo se prevé que la potencia de procesamiento de los ordenadores cuánticos podría dejar obsoletas las técnicas de cifrado actuales utilizadas en la banca y en otras transacciones en línea.
Más recientemente, técnicas de aprendizaje automático cuántico como el recocido han mostrado potencial empresarial al optimizar el rendimiento de activos financieros o el cálculo de las calificaciones crediticias.
También es probable que las técnicas cuánticas en el aprendizaje automático cobren importancia en la tecnología médica o el diseño de fármacos, ya que los principios que sustentan la química son fundamentalmente cuánticos. ProteinQure, una empresa biotecnológica fundada en 2017, ya utiliza elementos de computación cuántica para diseñar nuevas terapias.
Es probable que las técnicas de aprendizaje automático cuántico tengan efectos de gran alcance en muchas de las tecnologías a las que nos hemos acostumbrado, desde la aviación hasta la agricultura, con empresas como Lockheed Martin, NASA y Google ya involucradas.
El aprendizaje automático cuántico en África
El aprendizaje automático cuántico es un campo apasionante y de rápido crecimiento. Se han creado varias empresas emergentes que aspiran a perfeccionar el proceso y ofrecer dispositivos cuánticos escalables.
Académicos e investigadores universitarios también trabajan para aprovechar el potencial del aprendizaje automático cuántico. Formamos parte de ese grupo. El grupo de investigación cuántica de la Universidad de KwaZulu-Natal de investigación cuánticaestudia tanto cómo la teoría cuántica podría mejorar el aprendizaje automático como el modo en que las técnicas de aprendizaje automático pueden aportar información a la teoría cuántica.
La Dra. Maria Schuld, integrante del grupo, recientemente acaparó titulares junto con IBM y el MIT, una universidad estadounidense, gracias a un importante avance en la mejora cuántica de los métodos de aprendizaje automático basados en núcleos.
