Investigadores han desarrollado un enfoque matemático que demuestra cómo las computadoras cuánticas podrían procesar eficientemente grandes conjuntos de datos para tareas de IA. Al cargar datos en lotes de forma similar al streaming, el método evita la necesidad de una memoria masiva. Una máquina con solo 60 cúbits lógicos podría superar a los sistemas clásicos antes de finales de la década.
Hsin-Yuan Huang, de la empresa cuántica Oratomic, y sus colegas sostienen que su trabajo sienta las bases para obtener ventajas cuánticas en el aprendizaje automático. El escepticismo convencional sostenía que introducir datos del mundo real, como reseñas de restaurantes o secuencias de ARN, en estados de superposición cuántica requería una memoria demasiado grande. La solución del equipo transmite los datos en lotes más pequeños, procesándolos sin necesidad de un almacenamiento previo completo, de forma similar a ver una película en línea en lugar de descargarla primero. Haimeng Zhao, del Instituto de Tecnología de California, señala que esto genera una ventaja de memoria tan vasta que 300 cúbits lógicos superarían a una computadora clásica que utilizara cada átomo del universo observable. Huang enfatiza la ubicuidad del aprendizaje automático: “El aprendizaje automático se utiliza realmente en todas partes en la ciencia y la tecnología, y también en la vida cotidiana. En un mundo donde podamos construir esta arquitectura [de computación cuántica], creo que podrá aplicarse siempre que haya conjuntos de datos masivos disponibles”. Los expertos elogian la innovación pero piden cautela. Adrián Pérez-Salinas, de ETH Zurich, la califica de prometedora para alimentar máquinas cuánticas bit a bit, pero subraya la necesidad de realizar pruebas frente a la descuantización, donde los algoritmos cuánticos pierden su ventaja en el hardware clásico. Vedran Dunjko, de la Universidad de Leiden, ve su aplicación en experimentos con gran carga de datos como el Gran Colisionador de Hadrones, aunque no para todas las cargas de trabajo de IA. Los investigadores planean ampliar los algoritmos aplicables y optimizar la velocidad del hardware cuántico. Un sistema de 60 cúbits lógicos parece viable para 2030, ofreciendo ventajas tempranas para el procesamiento de IA con grandes volúmenes de datos.