En menos de un siglo desde su creación en 1936, la informática tradicional ha revolucionado casi todas las industrias del mundo. Y a medida que la informática tradicional dé lugar a nuevas fronteras, es probable que la inteligencia artificial (IA) sea el origen de la próxima ola de innovación.
Dado el progreso de la innovación en el campo de la IA, las limitaciones de la informática tradicional salen a la luz rápidamente, puesto que la IA supera de forma continua los límites existentes de velocidad de cómputo y eficiencia energética. Las aplicaciones de software complejas, como las que se utilizan en vehículos autónomos, simulación de reacciones químicas y simulaciones dinámicas en 3D, impulsan de manera permanente las capacidades de la tecnología informática tradicional.
Aquí analizaremos las diferencias fundamentales entre la computación cuántica y la informática tradicional, y examinaremos el potencial de la computación cuántica para mejorar los algoritmos de IA en vehículos autónomos y otras aplicaciones de software de uso intensivo de informática.
¿Qué es la computación cuántica?
La computación cuántica no pretende reemplazar la computación tradicional. De hecho, las computadoras tradicionales son mejores que las computadoras cuánticas para la mayoría de las tareas informáticas. No obstante, las computadoras cuánticas son mucho mejores para resolver problemas informáticos desafiantes.
Mientras que las computadoras tradicionales usan "bits" de transistores binarios (es decir, 0 o 1) para procesar datos, las computadoras cuánticas usan bits cuánticos, también llamados cúbits, que representan tres estados diferentes. El tercer estado de un cúbit se llama "superposición" y permite que los cúbits representen un 0 y un 1 de forma simultánea.
Dado el tercer estado de superposición, la potencia de cálculo cuántico aumenta exponencialmente con la cantidad de cúbits, mientras que la potencia de las computadoras aumenta en una proporción de 1:1 con la cantidad de bits de transistores. Por ejemplo, si tuviera dos bits clásicos, existen cuatro combinaciones posibles totales de valores: 00, 01, 10 y 11.
Sin embargo, dos cúbits pueden existir en una superposición de cuatro estados, lo que significa que las combinaciones totales de dos cúbits son ocho estados diferentes. Por lo tanto, la información almacenada en "N" cúbits es igual a la información almacenada en "2^N" bits clásicos.
Para traducir esta información en cifras de almacenamiento de datos más identificables, 3 cúbits equivalen a 8 bits (o 1 byte), mientras que 13 cúbits equivalen a 8192 bits (1 kilobyte). Si tuviera que almacenar 1 terabyte (8,8 x 10^12 bits) de información utilizando cúbits, solo necesitaría 43 cúbits.
Dada esta drástica ventaja en la potencia de cálculo, las computadoras cuánticas son más adecuadas para problemas informáticos complejos. Estos incluyen desafíos de optimización como simulación de reacciones químicas, identificación de medicamentos, logística de múltiples paradas y algoritmos de inteligencia artificial. En el mundo del entrenamiento de vehículos autónomos, esto significa que una computadora cuántica podría almacenar y procesar una cantidad mayor de datos de entrenamiento que un centro de datos tradicional, lo que permite usar más datos para educar al modelo y, por lo tanto, generar un modelo más preciso y rápido.
En 2019, Google experimentó con un procesador de 54 cúbits llamado "Sycamore", cuyo objetivo era completar un experimento informático que le habría llevado 10 000 años a la supercomputadora más rápida del mundo. Sycamore llevó a cabo el experimento en 200 segundos. En una aplicación de entrenamiento de modelos de IA de vehículos autónomos (AV), una computadora cuántica podría procesar 10 000 años de datos de entrenamiento en 200 segundos, lo que ofrecería infinitas más oportunidades para los instructores de modelos de AV.
¿Qué es la IA cuántica?
La IA es la moderna frontera del software. Si bien existen muchas facetas y subgéneros de IA en la actualidad, esta disciplina todavía está en pañales si pensamos en todo su potencial, y el desarrollo de la IA suele ser lento.
Los modelos de entrenamiento de inteligencia artificial son increíblemente complejos de desarrollar, usar e iterar. A menudo, la ejecución de estos algoritmos puede llevar horas, días, semanas o incluso meses, según su complejidad. En la actualidad, la "carrera para lograr plena autonomía" en vehículos autónomos se considera la máxima expresión de la IA y ha sido durante mucho tiempo el campo de pruebas para varios modelos de entrenamiento de IA. La IA cuántica puede ser la solución que impulse los modelos de entrenamiento de IA para vehículos autónomos y les permita llegar a la meta.
Además, la IA cuántica tiene por objetivo aliviar la carga de la IA moderna en cuando a las limitaciones de la informática tradicional. Los modelos y algoritmos de optimización son fundamentales para la mayoría de las instancias de IA, pero la informática tradicional tiene capacidad limitada para completar muchos modelos de entrenamiento de forma eficiente.
Pronto, la computación cuántica se podrá utilizar a fin de ofrecer una informática más rápida para procesos de cálculo desafiantes y críticos, y generar nuevos conocimientos sobre las bases informáticas existentes.
Por ejemplo, entrenar la red neuronal para automóviles autónomos de Tesla requiere increíbles cantidades de cómputo en paralelo y conjuntos de datos extremadamente vastos. De hecho, Tesla recopila terabytes de datos por día como herramienta para entrenar sus algoritmos de vehículos autónomos. A menudo, los centros de datos que entrenan estas modernas redes neuronales para automóviles autónomos solo pueden trabajar con subsecciones de su red neuronal, dadas las limitaciones de procesamiento del hardware en todo momento.
En este ejemplo, es probable que un reentrenamiento completo de toda la red neuronal de Tesla sea demasiado ineficiente. Sin embargo, dado que una computadora cuántica puede alcanzar velocidades récord de cómputo en paralelo que ningún centro de datos en el planeta puede igualar, naturalmente, también puede proporcionar valor para entrenar redes neuronales complejas como la de Tesla en cuestión de minutos.
El desafío cuántico
Hoy, el software para computación cuántica está muy por detrás de las capacidades del hardware. Esto se debe a que los inicios de la IA cuántica están limitados por los algoritmos de entrenamiento clásicos y las metodologías informáticas que se han desarrollado lentamente desde 1936. El valor inherente de estos algoritmos de entrenamiento no se puede evaluar mediante una computadora cuántica dadas las diferencias fundamentales en los métodos de cálculo (bits frente a cúbits).
Por lo tanto, se deben crear nuevos algoritmos cuánticos para utilizar la potencia de cálculo de las computadoras cuánticas. Ha habido un progreso significativo hacia los algoritmos cuánticos basados en el aprendizaje automático, como el algoritmo HyperLogLog o HLL (algoritmo cuántico para sistemas de ecuaciones lineales).
Los grupos de investigación recientemente han comenzado a trabajar en algoritmos de entrenamiento de redes neuronales profundas cuánticas que algún día pueden resultar más útiles. Sin embargo, hay una sola certeza: una vez que se hayan desarrollado e iterado los algoritmos de entrenamiento de IA cuántica, las computadoras cuánticas ofrecerán una increíble y vertiginosa velocidad de procesamiento que puede ayudar a entrenar a la próxima generación de vehículos autónomos, química basada en computadoras e incluso, simulación de los futuros sistemas cuánticos.
