Japón lanza un prototipo de computadora cuántica 100 veces más rápido que las supercomputadoras actuales

En noviembre de 2017, Japón presentó su primer prototipo de computadora cuántica que se abrió al público de forma gratuita a través de Internet para realizar pruebas. Con esta máquina, Japón se ha unido a la carrera por construir la computadora más poderosa del mundo con mayor fuerza bruta, que es la clave para utilizar todo el potencial de la inteligencia artificial.

El proyecto está desarrollado por Nippon Telegraph and Telephone Corporation, la Universidad de Tokio, el Instituto Nacional de Informática de la Universidad de Stanford y cuenta con el apoyo financiero del programa ImPACT del gobierno de Japón.

La máquina se basa en una red neuronal cuántica que, en teoría, puede resolver problemas complejos unas 100 veces más rápido que las supercomputadoras tradicionales. Lo que es más impresionante es que hace todo esto consumiendo sólo 1 kilovatio de energía, en lugar de los 10.000 kilovatios que utilizan las supercomputadoras convencionales para realizar la misma tarea. Averigüemos qué han desarrollado exactamente y cómo funciona.

Redes neuronales cuánticas

Las redes neuronales cuánticas (QNN) utilizan osciladores paramétricos ópticos como neuronas cuánticas y circuitos ópticos de retroalimentación de medición homodina como sinapsis cuánticas. Busca una solución a varias combinaciones de problemas de optimización explotando el frenado de simetría colectiva en el umbral de los osciladores paramétricos ópticos.

Además, los usuarios pueden experimentar cómo es realmente realizar experimentos con QNN y simulaciones basadas en la teoría cuántica de redes de osciladores ópticos paramétricos.

En términos simples, en las redes neuronales cuánticas, los investigadores intentan integrar modelos de redes neuronales artificiales utilizando los beneficios de la información cuántica para crear aplicaciones más eficientes. El objetivo es utilizar características de la computación cuántica (paralelismo cuántico, interferencia, entrelazamiento) como recursos. Sin embargo, es bastante difícil entrenar redes neuronales clásicas, especialmente en aplicaciones de big data. 

QNNCLoud

Si está interesado en los principios y características de la red neuronal cuántica, QNNCloud ofrece 3 herramientas:

1. Un documento técnico que elabora la teoría cuántica
2. Capacidad de simulación cuántica usando la supercomputadora Shoubu
3. Cálculo cuántico usando QNN

QNNcloud está construido sobre una red de 2000 osciladores paramétricos ópticos con conexiones todo-a-todo programables, que permiten a los usuarios resolver problemas NP Hard Max Cut de tamaño hasta N=2000 en gráficos completos (lo que va mucho más allá de las limitaciones de las computadoras cuánticas actuales), sin hacer ningún esfuerzo por incrustar un gráfico objetivo en el hardware de la máquina.

Existen millones de problemas que implican optimización continua y combinatoria, como optimización de compuestos principales en el desarrollo de bandas de frecuencia, potencia de transmisión en comunicaciones inalámbricas, medicina, optimización de cartera en tecnología financiera, muestreo de Boltzmann en aprendizaje automático, codificación escasa para detección comprimida, etc.

La mayoría de estos problemas se incluyen en las clases de polinomios no deterministas (NP), NP Complete y NP Hard en teoría de la complejidad. Se requiere una gran cantidad de recursos computacionales para resolverlos, ya que el tamaño del problema aumenta en cada iteración.

El sistema QNN utiliza búsqueda cuántica paralela por debajo del umbral de osciladores paramétricos ópticos, ruptura de simetría colectiva en el umbral y amplificación de probabilidad exponencial por encima del umbral, para abordar estas limitaciones.

En un futuro próximo, QNNcloud ofrecerá una herramienta de simulación para desarrollar algoritmos cuánticos para aplicaciones del mundo real.

Hardware de QNN

El hardware QNN no es tan complicado como parece. En una cavidad anular de fibra de un kilómetro de largo, se crean simultáneamente N=2000 pulsos de oscilador paramétrico óptico excitando un instrumento de guía de ondas LiNb03 dentro de la cavidad y periódicamente polarizado utilizando un tren de pulsos con una frecuencia de 1 GHz.

Fuente:QNNcloud

Una variable binaria se representa como estados de fase π y fase 0 de cada pulso de oscilador paramétrico óptico. Todos los pulsos se generan en una superposición de fase π y fase 0 por debajo del umbral, pero con cualquiera de las dos por encima del umbral. Cualquier par de estos pulsos podría acoplarse midiendo su amplitud secuencialmente.

Aquí, medir se refiere a evaluar una amplitud de pulso de retroalimentación adecuada con FPGA (abreviatura de matriz de puertas programables en campo). Luego, la retroalimentación se inyecta en el pulso del oscilador paramétrico óptico objetivo.

En cada viaje de ida y vuelta (que dura 5 microsegundos) se ejecutan conexiones de todos a todos para N=2000 plus. Cuando la velocidad de la bomba externa supera el umbral, la solución se obtiene como una configuración de fase π o de fase 0 después de 10 a 1000 viajes de ida y vuelta.

Simulador QNN

La dinámica de QNN se puede predecir teóricamente con la ayuda de la ecuación maestra cuántica, considerando la reducción de paquetes de ondas inducida por las mediciones. El modelo se ejecuta en la supercomputadora Shoubu y una enorme simulación paralela le permite regenerar la dinámica QNN en mucho menos tiempo.

Presupuesto y planes futuros

Actualmente, Estados Unidos gasta más de 200 millones de dólares al año en la investigación y el desarrollo de tecnología de computación cuántica, mientras que, según se informa, China está construyendo un centro de investigación de 10 mil millones de dólares para aplicaciones cuánticas.

Japón, por otro lado, ha planeado dedicar casi 267 millones de dólares a la computación cuántica durante una década a partir de abril de 2018. Además, Hitachi está investigando técnicas de computación cuántica en asociación con la Universidad de Cambridge.

En el futuro se lanzarán algoritmos para diferentes aplicaciones del mundo real, herramientas de simulación para desarrollar nuevos algoritmos y un QNN avanzado con arquitectura de red neuronal recurrente. Actualmente, su objetivo es la comercialización para el primer trimestre de 2020. Se centrarán en problemas de optimización más profundos con la optimización móvil, la congestión del tráfico urbano y el descubrimiento de nuevos medicamentos y productos químicos.

Leer:Más de 10 datos interesantes sobre las computadoras cuánticas

Mientras tanto, gigantes tecnológicos como Microsoft, IBM y Google están trabajando en sus propias máquinas cuánticas y sus pruebas muestran que el avance está a su alcance.