Aprendizaje automático cuántico: conceptos, algoritmos y casos de uso

Hay problemas que hacen sudar a los ordenadores clásicos. Simular cómo interactúan las moléculas, explorar espacios combinatorios descomunales, factorizar números enormes: el trabajo crece más deprisa de lo que el hardware puede seguirle el ritmo. Los ordenadores cuánticos abordan estos problemas desde otro ángulo, y un grupo pequeño pero creciente de investigadores se pregunta si esa diferencia también puede ayudar al aprendizaje automático.

Esa pregunta es de lo que va el aprendizaje automático cuántico (QML). Esta guía repasa qué es realmente QML, las ideas cuánticas que necesitas para seguirlo, los principales algoritmos con los que se está experimentando y en qué punto está el campo ahora mismo, que, te lo adelanto, es más temprano de lo que sugieren los titulares. Si ya trabajas con ML clásico con algo como nuestro Machine Learning Scientist in Python track, te resultará más familiar la estructura de lo que imaginas.

¿Qué es el aprendizaje automático cuántico?

El aprendizaje automático cuántico utiliza la computación cuántica para ejecutar o acelerar partes de una tarea de machine learning. Puede implicar codificar datos en estados cuánticos, ejecutar un circuito cuántico en lugar de un componente del modelo clásico o llamar a una subrutina cuántica dentro de un bucle de entrenamiento convencional. La etiqueta abarca desde métodos mayoritariamente clásicos con un único paso cuántico hasta modelos diseñados para ejecutarse íntegramente en hardware cuántico.

Antes de seguir, conviene aclarar lo que QML no es, porque ahí empiezan muchas confusiones. No es un reemplazo más rápido y directo de los modelos que ya usas, y no está a punto de sustituir al ML clásico en general. La mayor parte del campo está en fase de investigación, funcionando en simuladores o en máquinas cuánticas pequeñas y ruidosas. El enfoque honesto: QML plantea una pregunta más acotada, a saber, ¿hay problemas concretos de ML en los que el hardware cuántico ofrezca algo que el hardware clásico no pueda igualar con facilidad? Para un puñado de tipos de problemas, la respuesta parece prometedora. Para la mayoría, el ML clásico sigue siendo la herramienta adecuada, y nuestro curso Understanding Machine Learning cubre lo que la mayoría necesita primero.

Fundamentos de la computación cuántica

No necesitas una carrera en física para seguir el resto del artículo, pero hay unas cuantas ideas que hacen que QML sea mucho menos misterioso. Aquí va la versión corta: salta si ya te suenan.

Qubits frente a bits

Un bit clásico es 0 o 1. Un qubit puede mantener una mezcla de ambos a la vez, y solo se fija en un 0 o 1 definido cuando lo mides. Antes de medir, un qubit se describe por dos amplitudes que determinan la probabilidad de cada resultado. Ahí está el truco: un registro de n qubits puede representar a la vez una combinación de 2ⁿ estados, donde n bits clásicos solo podrían contener uno de esos estados en cada momento.

La pega (y en computación cuántica siempre la hay) es que no puedes leer todos esos estados sin más. La medida colapsa el qubit a un único valor, así que recuperar información útil requiere cuidado. Esa limitación importa más de lo que parece al principio, y explica en gran parte por qué los algoritmos de QML están diseñados como verás enseguida.

Superposición y entrelazamiento

Esa mezcla de estados se llama superposición. La segunda idea, el entrelazamiento, es donde se pone interesante: dos o más qubits pueden quedar correlacionados tan estrechamente que no puedes describir uno sin describir los otros. Mide un qubit entrelazado y sabrás al instante algo sobre su pareja, incluso, en principio, a distancia. No hay equivalente clásico a esto, y la mayoría de las posibles ventajas de la computación cuántica se apoyan en ello de algún modo.

Puertas cuánticas

¿Cómo trabajas en la práctica con qubits en superposición y entrelazamiento? Ahí entran las puertas cuánticas. Son rotaciones reversibles del estado de un qubit: una puerta de Hadamard pone un qubit en superposición, una CNOT entrelaza dos qubits. Encadena puertas y obtendrás un circuito cuántico, la versión cuántica de un programa. Todo se basa en álgebra lineal: los estados son vectores, las puertas son matrices y ejecutar un circuito es una secuencia de operaciones matriciales. Si esa parte te tambalea, las habilidades de álgebra lineal de nuestras rutas de aprendizaje en ciencia de datos te sirven directamente.

Con qubits, superposición, entrelazamiento y puertas ya tienes lo necesario para ver cómo encajan estas piezas en un flujo de trabajo de QML.

Cómo funciona el aprendizaje automático cuántico

A alto nivel, un flujo de trabajo de QML tiene cuatro pasos. Primero, codificas datos clásicos en un estado cuántico, normalmente mapeando valores de características a ángulos de rotación o amplitudes. Segundo, aplicas un circuito cuántico, a menudo con parámetros ajustables. Tercero, mides el circuito, ejecutándolo muchas veces porque cada medida da un único resultado colapsado y necesitas suficientes muestras para estimar el resultado con fiabilidad. Cuarto, retroalimentas ese resultado en un proceso de aprendizaje.

Ese último paso es donde vive hoy la mayor parte de QML práctica. En lugar de ejecutar todo en una máquina cuántica, construyes un bucle híbrido: el circuito cuántico produce un valor, un optimizador clásico ajusta los parámetros del circuito y el ciclo se repite, igual que entrenar un modelo, salvo que una parte del cómputo ocurre en hardware cuántico. Las máquinas cuánticas actuales son ruidosas y pequeñas (el campo llama a esto la era NISQ, de noisy intermediate-scale quantum), así que dejar el trabajo pesado en lo clásico y derivar solo la parte que aporta es la opción pragmática. Volveré a por qué lo híbrido gana en la siguiente sección.

Tipos de enfoques de aprendizaje automático cuántico

Ahora que has visto el flujo básico de cuatro pasos, merece la pena preguntar: ¿cuánto de ese flujo tiene que ejecutarse realmente en hardware cuántico? A grandes rasgos hay tres maneras de combinar computación cuántica y aprendizaje automático, y se diferencian sobre todo en cuánto trabajo hace realmente la máquina cuántica.

Aprendizaje automático con mejora cuántica

Aquí el modelo es esencialmente clásico, pero un paso costoso se delega a una rutina cuántica para un posible acelerón: resolver un sistema lineal, estimar un kernel, muestrear de una distribución. El resto del pipeline se parece al aprendizaje supervisado que construirías en nuestro curso Supervised Learning with scikit-learn.

Modelos totalmente cuánticos

En el otro extremo, se ejecutan de principio a fin en hardware cuántico, con datos y modelo viviendo en estados cuánticos. Son la versión más ambiciosa de QML y, no por casualidad, la menos práctica hoy: el hardware actual no los soporta a una escala útil.

Modelos híbridos cuántico-clásicos

Entre esos dos extremos está el enfoque que realmente funciona hoy, y donde se concentra casi toda la investigación seria en QML. Un circuito cuántico parametrizado se encarga de parte del cómputo mientras un optimizador clásico lo entrena. Esquiva los límites del hardware pequeño y ruidoso pidiéndole a la máquina cuántica solo lo que ahora mismo se le da bien.

Algoritmos de aprendizaje automático cuántico

Verás que se repiten las mismas pocas familias de algoritmos. Mantendré esto a alto nivel: las matemáticas se complican rápido y no las necesitas para entender para qué sirve cada una.

Circuitos cuánticos variacionales (VQC)

Un circuito cuántico variacional es un circuito con parámetros ajustables, entrenado en ese bucle híbrido que describí antes. Es el caballo de batalla del QML a corto plazo y la base de la mayoría de modelos de aquí. Así es, a grandes rasgos, en PennyLane, una biblioteca de QML de código abierto muy popular:

import pennylane as qml

# A 2-qubit device that runs on a local simulator
dev = qml.device("default.qubit", wires=2)

@qml.qnode(dev)
def variational_circuit(inputs, weights):
    # Encode two input features as qubit rotation angles
    qml.AngleEmbedding(inputs, wires=[0, 1])
    # The trainable layer a classical optimizer will adjust
    qml.BasicEntanglerLayers(weights, wires=[0, 1])
    # Measure to get a value we can feed back into training
    return qml.expval(qml.PauliZ(0))

Los weights son lo que el optimizador clásico actualiza durante muchas iteraciones, igual que el descenso de gradiente actualiza los pesos de una red neuronal. Con ese patrón claro, el resto de algoritmos se sienten como variaciones sobre un mismo tema.

Máquinas de vectores de soporte cuánticas

Una SVM cuántica mantiene la estructura de una SVM clásica pero usa un circuito cuántico para calcular el kernel: la similitud entre puntos de datos. La idea es que un espacio de características cuántico pueda capturar patrones con los que un kernel clásico tendría dificultades. Si eso ayuda en conjuntos de datos reales sigue siendo una pregunta abierta.

Redes neuronales cuánticas (QNN)

Las redes neuronales cuánticas disponen circuitos parametrizados en capas y los entrenan de forma parecida a las redes clásicas. Si has entrenado un modelo en nuestro curso Introduction to Deep Learning in Python, el bucle te resultará familiar: forward pass, loss, update, solo que el forward se ejecuta en un circuito cuántico.

K-means cuántico

El k-means cuántico es el de clustering: utiliza subrutinas cuánticas para estimar distancias entre puntos, la operación que domina el k-means clásico a gran escala. Es el ejemplo más directo de "sustituir un paso costoso por una versión cuántica" de esta lista.

Quizá te preguntes, con todos estos algoritmos, si alguno cumple realmente con la promesa de aceleraciones cuánticas. Justo eso vemos a continuación.

Posibles ventajas del aprendizaje automático cuántico

Tres posibles ventajas salen a menudo. Ciertos problemas estructurados, como la simulación de sistemas cuánticos en química y materiales, encajan de forma natural en el hardware cuántico, y ahí es donde la ventaja parece más plausible. Los espacios de características cuánticos también podrían representar relaciones complejas que en clásico son difíciles de captar. Y para unos pocos algoritmos concretos, la teoría apunta a aceleraciones grandes, incluso exponenciales.

Fíjate en que hablo de potencial. Estas ventajas están mayoritariamente demostradas sobre el papel, bajo supuestos que el hardware real aún no cumple. Un ejemplo clásico de la brecha: varias aceleraciones teóricas suponen que tus datos ya están cargados en un estado cuántico, pero cargar datos clásicos en ese estado puede costar tanto como lo que ahorra la aceleración. Ese tipo de cuello de botella oculto explica por qué las ventajas prometidas y las demostradas siguen siendo listas muy distintas.

Dada esa brecha, conviene comparar directamente ML clásico y cuántico.

Aprendizaje automático cuántico vs. aprendizaje automático clásico

La forma más clara de ver la diferencia es en paralelo.

El ML clásico domina el trabajo real hoy y lo hará en el futuro previsible: las herramientas, el hardware y el talento ya están ahí. QML es el aspirante en fase temprana que quizá acabe encontrando su nicho en problemas donde su estructura cuántica compense. Verlos como rivales es perder el enfoque. Por ahora juegan en ligas distintas, y la pregunta interesante es qué problemas acabarán cruzando de una a otra.

Ese encuadre de "ligas distintas" también es el mejor antídoto contra los mitos que suelen rodear a este campo, así que vamos a desmontarlos.

Ideas equivocadas comunes sobre QML

A QML le siguen varios mitos que conviene aclarar.

"QML es más rápido para todo." No lo es. Las aceleraciones propuestas se aplican a algoritmos concretos bajo condiciones concretas. Para la gran mayoría de tareas de ML, una máquina cuántica no aporta ventaja y, de hecho, hoy es más lenta si cuentas el hardware actual.

"Los ordenadores cuánticos sustituirán a los clásicos." No. Son aceleradores especializados para una clase estrecha de problemas, no reemplazos de propósito general. Tu portátil no va a desaparecer, y tampoco la parte clásica de cualquier modelo híbrido de QML.

"QML está listo para producción hoy." Este es el que más confunde. El campo es experimental, el hardware es limitado y ruidoso, y casi todo corre en simuladores. QML es algo que conviene aprender y seguir de cerca ahora, no algo para desplegar.

Con el humo despejado, queda un campo realmente interesante que merece la pena aprender en sus propios términos. Así que, si te pica la curiosidad y quieres escribir algo de código, aquí es donde empezar.

Cómo empezar con el aprendizaje automático cuántico

Si los conceptos te han despertado ganas de programar, la buena noticia es que las herramientas son de código abierto y aptas para principiantes. PennyLane (la biblioteca del ejemplo anterior) y Qiskit son los dos puntos de entrada más comunes, y ambos funcionan en simuladores, así que no necesitas acceso a una máquina cuántica real para empezar a experimentar. El módulo de machine learning de Qiskit incluye kernels cuánticos, clasificadores y redes neuronales listos para usar, y se conecta con PyTorch, lo que hace más suave el salto desde el trabajo clásico.

Mi consejo: afianza primero la base clásica. El bucle híbrido, los optimizadores, cómo se entrena un modelo, todo eso es clásico y será lo que más utilices. Nuestro Machine Learning Scientist in Python track cubre esos cimientos, y desde ahí las piezas específicas cuánticas son un añadido, no un empezar de cero. Aprende ejecutando circuitos y tocando parámetros; leer sobre superposición solo te lleva hasta cierto punto.

Conclusión

El aprendizaje automático cuántico se sitúa en el punto de encuentro de dos campos que avanzan rápido, aprovechando la forma cuántica de representar la información para abordar partes del pipeline de ML. He intentado mantener los pies en el suelo, porque este tema atrae más bombo que casi cualquier otro en tecnología, y el resumen honesto es modesto: QML está en una fase temprana, es mayoritariamente experimental y con dudas genuinas sobre dónde compensará.

Eso no es motivo para ignorarlo. Es motivo para entender lo básico ahora, mientras el campo sigue siendo lo bastante pequeño como para abarcarlo de principio a fin. Si el hardware cuántico madura como esperan sus optimistas, quienes ya comprendan cómo encajan qubits, circuitos y entrenamiento híbrido serán quienes estén listos para usarlo. Y si no prospera en todas partes, habrás aprendido un rincón fascinante de la computación que, siendo sinceros, tampoco es mal resultado.