Desmitificando la IA Cuántica: ¿Qué es, qué no es y por qué importa ahora

La IA ha entrado en una nueva fase. Ya no se trata solo de construir modelos más grandes o acceder a más datos. La competencia actual se centra en la velocidad, la eficiencia y la innovación. Las empresas buscan nuevas herramientas que ofrezcan ventajas tanto técnicas como económicas. Para algunas, la computación cuántica está empezando a parecer una de esas herramientas.

La IA cuántica se refiere a la combinación de la computación cuántica con la inteligencia artificial. Ofrece una nueva forma de abordar problemas complejos en el aprendizaje automático, la optimización y el análisis de datos. Aunque todavía está en desarrollo, el potencial está atrayendo una atención seria. Una encuesta global de 2024 de SAS encontró que más del 60 por ciento de los líderes empresariales ya están explorando o invirtiendo en IA cuántica. Sin embargo, la mayoría también dijo que no entienden completamente qué es la tecnología o cómo podría ser utilizada.

Este artículo explica qué es la IA cuántica, qué problemas podría ayudar a resolver y dónde podría tener un impacto en el futuro cercano.

Por qué los equipos de IA están mirando la computación cuántica

Entrenar grandes modelos de IA requiere tiempo, energía y dinero. Incluso mejoras de eficiencia menores pueden resultar en ahorros significativos. La computación cuántica proporciona nuevos métodos para resolver ciertos problemas de manera más eficiente o precisa que las máquinas clásicas.

Por ejemplo, los ordenadores cuánticos pueden realizar múltiples cálculos simultáneamente, utilizando una propiedad conocida como superposición. Esto los hace adecuados para problemas que involucran buscar espacios grandes o optimizar sistemas complejos. Estas capacidades se alinean bien con muchas tareas en el aprendizaje automático, como la selección de características, la afinación de modelos y la muestra de datos.

Aunque las máquinas cuánticas de hoy en día todavía están evolucionando, los investigadores están encontrando formas de combinarlas con herramientas clásicas. Estos sistemas híbridos permiten a los equipos de IA probar métodos cuánticos ahora, sin esperar a que se desarrollen completamente las máquinas cuánticas.

Qué es la IA cuántica y qué no es

La IA cuántica no se trata de reemplazar los sistemas de IA actuales con versiones cuánticas. No se trata de ejecutar modelos de aprendizaje profundo enteramente en hardware cuántico.

En su lugar, se centra en utilizar algoritmos cuánticos para apoyar partes de la tubería de IA. Estos podrían incluir tareas como acelerar la optimización, mejorar la selección de características o mejorar la muestra de distribuciones de rentabilidad. En estos casos, los ordenadores cuánticos no reemplazan las herramientas existentes; las apoyan.

El trabajo todavía es experimental. La mayoría de los ejemplos dependen de métodos híbridos, en los que las partes cuántica y clásica trabajan juntas. Pero estos sistemas ya están mostrando resultados en casos de uso estrechos.

Aplicaciones actuales en desarrollo

Aunque el campo es nuevo, la IA cuántica ya se está probando en varias industrias. Estos ejemplos utilizan herramientas reales y investigaciones publicadas. También reflejan los tipos de problemas que los métodos cuánticos están mejor equipados para resolver.

Compresión de modelos y mapeo de características

Los modelos de IA están creciendo en tamaño y costo de entrenamiento. Las tecnologías cuánticas pueden ayudar a reducir el tamaño y la complejidad de estos modelos. Un método es el mapeo de características cuántico, donde los datos de entrada se transforman utilizando circuitos cuánticos. Estas transformaciones pueden ayudar a separar puntos de datos que son difíciles de clasificar con técnicas estándar.

En los “primeros días”, un artículo de 2021 en Nature Physics exploró cómo los núcleos cuánticos podrían mejorar las máquinas de vectores de soporte, un tipo de modelo de aprendizaje automático. Este enfoque funciona bien para conjuntos de datos de alta dimensión o dispersos, donde los modelos clásicos luchan.

Optimización de carteras en finanzas

Los bancos y los administradores de activos a menudo utilizan la IA para gestionar carteras y evaluar riesgos. Estas tareas involucran un gran número de variables y restricciones. Los algoritmos cuánticos como QAOA (Algoritmo de Optimización Aproximada Cuántica) se están probando para resolver estos problemas de manera más eficiente.

Citi Innovation Labs y AWS estudiaron recientemente el uso de ordenadores cuánticos para la optimización de carteras, específicamente empleando el algoritmo QAOA y cómo se desempeñó. La colaboración muestra el creciente interés y la inversión en la computación cuántica como una herramienta para resolver problemas del mundo real.

Descubrimiento de fármacos y modelado molecular

El desarrollo de fármacos depende de predecir cómo las moléculas interactúan entre sí. Los modelos de IA pueden asistir, pero las simulaciones clásicas tienen límites. La computación cuántica está mejor equipada para modelar sistemas químicos a nivel cuántico.

Un nuevo estudio de IBM, The Cleveland Clinic y la Universidad Estatal de Michigan demostró una nueva forma de simular moléculas complejas utilizando ordenadores cuánticos de generación actual, ofreciendo un camino viable hacia la computación científica cuántica.

Optimización de la cadena de suministro

Las cadenas de suministro son difíciles de gestionar debido a su tamaño y complejidad. La IA puede ayudar, pero ciertas tareas, como la planificación de rutas y el control de inventario, siguen siendo difíciles de optimizar. Los métodos cuánticos se están explorando para mejorar estas tareas.

Fujitsu se asoció con Japan Post para optimizar la entrega de última milla en Tokio, donde los algoritmos de enrutamiento tradicionales no lograron tener en cuenta variables dinámicas como la congestión del tráfico y las fluctuaciones del volumen de paquetes. Al implementar la IA cuántica, pudieron comenzar a trabajar en la transformación de algunos de los aspectos más fundamentales de la logística.

Desafíos y limitaciones

El hardware cuántico sigue siendo un desafío. Aunque hay nuevos avances casi todos los días, las máquinas de hoy en día todavía son sensibles al ruido, difíciles de escalar y poco fiables para cálculos largos. La mayoría de las aplicaciones deben operar dentro de estos límites, utilizando circuitos cuánticos más cortos y simples.

El desarrollo de software cuántico también es difícil. La programación cuántica requiere conocimientos en física, matemáticas y ciencias de la computación. Pocos equipos tienen la mezcla adecuada de habilidades.

Para reducir esta barrera, se están creando nuevas herramientas. Estas incluyen marcos de programación de alto nivel y sistemas de diseño de circuitos automatizados. Estas permiten a los desarrolladores de IA probar métodos cuánticos sin necesidad de escribir código cuántico de bajo nivel.

Qué pueden hacer los equipos de IA hoy

La IA cuántica no está lista para su implementación completa. Sin embargo, los equipos con visión de futuro pueden comenzar a construir el conocimiento y los sistemas necesarios para aprovecharla en el futuro. Aquí hay tres pasos a considerar:

1. Construir equipos multifuncionales – Combinar expertos en IA con investigadores en optimización y computación cuántica. Esto permite a los equipos explorar nuevas ideas y preparar capacidades futuras.
2. Experimentar con flujos de trabajo híbridos – Centrarse en problemas estrechos donde los componentes cuánticos pueden apoyar a los modelos clásicos. Estos incluyen la selección de características, la muestra o la optimización con restricciones.
3. Utilizar herramientas que abstraen la complejidad – Adoptar plataformas y marcos que oculten los detalles cuánticos de bajo nivel. Estas herramientas ayudan a los equipos a centrarse en la aplicación, no en el hardware.

La IA cuántica todavía está en desarrollo. No es un atajo o reemplazo para la IA clásica. Sin embargo, es un campo en crecimiento con un potencial real en áreas donde los modelos actuales fallan o luchan. El camino más probable hacia adelante no es la interrupción repentina, sino la integración constante.

À medida que el hardware cuántico mejora y el software se vuelve más accesible, los adoptantes tempranos estarán mejor posicionados para utilizar estas nuevas herramientas. Para los equipos que ya están trabajando en los límites de los sistemas clásicos, la IA cuántica puede ser el próximo lugar para encontrar valor.