¿Cómo puede afectar la computación cuántica a la inteligencia artificial?

El incalculable volumen de datos que se maneja a día de hoy requiere una capacidad de cómputo cada vez mayor para extraer su valor, especialmente para la aplicación de técnicas de inteligencia artificial como el ‘machine learning’. En consecuencia, se está investigando cómo acelerar esos procedimientos aplicando algoritmos derivados de la computación cuántica a las técnicas de inteligencia artificial, originando una disciplina conocida como ‘Quantum Machine Learning’ (QML).

“El aprendizaje cuántico puede resultar más eficiente que el aprendizaje clásico, al menos para ciertos modelos intrínsecamente difíciles de aprender mediante ordenadores convencionales”, afirma Samuel Fernández Lorenzo, investigador en algoritmos cuánticos que colabora con el área de New Digital Businesses (NDB) de BBVA. “Queda pendiente por investigar hasta qué punto esta clase de modelos se presentan en las aplicaciones prácticas”.

El aprendizaje automático, o ‘machine learning’, y las tecnologías de inteligencia artificial son los dos principales ámbitos de investigación en la aplicación de algoritmos de computación cuántica. Una de las características de este sistema de cálculo es que permite representar múltiples estados al mismo tiempo, lo que resulta particularmente adecuado en el uso de técnicas de IA. Por ejemplo, un caso destacado desde Intel es el de los asistentes activados por voz, que podrían mejorar su exactitud al aumentar la cantidad de datos con los que operan y su  potencia computacional. La informática cuántica podría facilitar el cálculo con más variables para que puedan responder de forma más similar a como lo haría una persona.

Algoritmos más precisos

La capacidad para representar y manipular tantos estados hace que la informática cuántica sea muy apropiada para resolver problemas en diferentes ámbitos. Algunas de las primeras aplicaciones en las que ya se está investigando están centradas en campos como la ciencia de los materiales, donde el modelado de moléculas pequeñas requiere una enorme capacidad informática. Más adelante, unas máquinas más grandes permitirán el diseño de medicamentos o la optimización de la logística para, por ejemplo, encontrar la ruta más eficiente entre cualquier número de rutas de viaje posibles.

Actualmente, las mayores aplicaciones industriales de la inteligencia artificial provienen del llamado aprendizaje supervisado, utilizado en tareas como el reconocimiento de imágenes o la predicción de consumo. “En este área existen ya varias propuestas de QML que anticipan una aceleración—que podría llegar a ser exponencial—de algunos de los algoritmos más famosos en este campo, como los ‘support vector machines’ (SVM), y algunos tipos de redes neuronales”, explica Fernández Lorenzo.

Una de las características de este sistema de cálculo es que permite representar múltiples estados al mismo tiempo, lo que resulta particularmente adecuado en el uso de técnicas de IA

Un territorio menos explorado pero con grandes posibilidades se encuentra en el aprendizaje no supervisado. “Un caso particular son los algoritmos de reducción de dimensionalidad, mediante los cuales representamos nuestros datos originales en un espacio más reducido, pero que aún así conserva la mayoría de las propiedades del ‘dataset’ original”. En este punto el investigador resalta que la computación cuántica está especialmente indicada para encontrar ciertas propiedades globales de un cierto conjunto de datos, y no tanto sus detalles concretos.

Por último, existe todavía mucho camino por recorrer en el área del aprendizaje por refuerzo para introducirlo en los problemas prácticos de la industria. Su potencial para lidiar con situaciones complejas ha quedado evidenciado en las aplicaciones en el área de los videojuegos. La  parte más exigente aquí se produce durante el entrenamiento del algoritmo, que requiere una gran cantidad de potencia de cómputo y de tiempo. “En este contexto –añade Fernández Lorenzo–, se han lanzado ya algunas propuestas teóricas para acelerar ese entrenamiento usando ordenadores cuánticos, lo cual es posible que nos ayude a dar a luz a una inteligencia artificial muy poderosa en el futuro”.

Aplicaciones en el sector de la banca

En el sector financiero, la combinación de la IA con la computación cuántica ayudaría a mejorar la detección del fraude y combatirlo. Por un lado, los modelos entrenados con un ordenador cuántico serían capaces de distinguir patrones difíciles de detectar con equipos convencionales. Y, al mismo tiempo, la aceleración de los algoritmos permitiría  emplear y procesar más información de la que actualmente se utiliza para este propósito.

También se está trabajando en el desarrollo de modelos que permitan combinar cálculos numéricos con la opinión de expertos para tomar decisiones financieras finales. Una de sus principales ventajas es que son modelos “más fácilmente interpretables que los algoritmos de redes neuronales, con lo que tendrían menos impedimentos desde el punto de vista regulatorio”, apunta el investigador de NDB de BBVA.

Asimismo, una de las tendencias de la banca es ofrecer productos y servicios cada vez más personalizados a sus clientes utilizando, para ello, sistemas de recomendación. En este sentido, ya existen propuestas de modelos cuánticos que podrían acelerar su rendimiento. “No parece disparatado pensar que este sector pueda ofrecernos, próximamente, estrategias de inversión basadas en algoritmos cuánticamente inspirados”, asevera Fernández.

Para llegar a este punto, los investigadores se están volcando en descubrir cómo aprovechar las capacidades de los actuales procesadores cuánticos, explorando las conexiones entre la recientemente proclamada supremacía cuántica y el 'machine learning'. “En concreto, la ventaja cuántica aquí podría residir en la posibilidad de construir modelos que serían muy difíciles de implementar en un ordenador convencional. Queda por investigar la aplicabilidad de este tipo de modelos en contextos reales de la industria”, concluye el investigador.