"Memristorizador cuántico": Una unidad computacional dependiente de la memoria
En los últimos años la computación cuántica ha avanzado enormemente. Aún así la investigación sobre los elementos básicos de la computación cuántica continua. Un grupo de investigadores demostró recientemente el primer "memristor" cuántico. Esto puede ser un paso fundamental para llevar un tipo de red neuronal altamente eficiente al mundo de la informática cuántica sin un número de conexiones cuánticas tan grande como el de un ojo. Los memristores y la adición de lo cuántico El concepto de memristor se remonta a la década de los 70, pero durante mucho tiempo fue olvidado y no se le daba mucha importancia. La idea esencial es que la corriente que fluye a través de un memristor no sólo depende de la tensión que se aplica a través de los terminales, sino también de la historia de la tensión aplicada . Las implementaciones físicas de los memristores son muy prometedoras para la informática de bajo consumo, ya que pueden utilizarse para crear memorias de bajo consumo. Un memristor cuántico, cuando se habla de la luz de la información cuántica, es algo más complicado. Un qubit , que almacena un solo bit de información cuántica en su estado cuántico, no tiene necesariamente un valor de bit bien definido. En lugar de ser un uno o un cero lógico, puede estar en un estado de superposición cuántica. El valor del qubit sólo se conoce cuando lo medimos: la medición siempre revela un uno o un cero. La probabilidad de obtener un uno (o un cero) lógico se rige por las propiedades de la superposición cuántica. El trabajo de un ordenador cuántico consiste en modificar suavemente estas probabilidades mediante interacciones con otros estados de superposición cuántica hasta que se lean los resultados. Considerando un memristor en este esquema, este debe modificar el estado cuántico de un qubit basándose en el valor de los qubits anteriores. Eso significa dos cosas. En primer lugar, el memristor tiene que preservar las propiedades cuánticas de un qubit (de lo contrario, no se pueden realizar más operaciones). En segundo lugar, para establecer su propio estado interno, el memristor tiene que medir un qubit, lo que anula sus propiedades. En cierto sentido, esto significa que el memristor cuántico perfecto no puede existir (como referencia, hay teóricos que se sienten ofendidos por la idea del memristor clásico, así que esto no es un territorio nuevo). Dividiendo la diferencia Sin dejarse intimidar por esta contradicción, los investigadores han conseguido crear un memristor cuántico de todos modos. Empezando por el núcleo de la idea, si se tiene un espejo imperfecto y se apunta al espejo con un solo fotón de luz, el fotón se reflejará en el espejo o se transmitirá, con una probabilidad que depende de lo reflectante que sea el espejo. Digamos que que se cuenta con los fotones transmitidos y se utiliza ese número para cambiar la reflectividad del espejo. Esto crea efectivamente un memristor, pero no un memristor cuántico. Para añadir la característica cuántica, se tiene que modificar ligeramente el experimento. Se sustituye la fuente de luz por una que envía paquetes que contienen un solo fotón o ningún fotón (un estado de superposición de uno o cero fotones). Los paquetes que se reflejan en el espejo conservan su estado de superposición y pueden utilizarse para futuros cálculos, mientras que los que se transmiten se miden para modificar la reflectividad del espejo. Ahora teniendo un memristor cuántico completo: La probabilidad de que un qubit futuro sea reflejado por el espejo es modificada por el estado actual del qubit. Llevar esto a la práctica es un poco más complejo, y los investigadores utilizaron propiedades de los fotones diferentes a las del número de fotones. Sin embargo, el comportamiento (y el modelo matemático) son los mismos y el memristor cuántico funcionó como se esperaba. Computación de reserva La implementación experimental de los investigadores fue sólo para un único qubit. Y, realmente, no se puede hacer mucho con un solo qubit. Para demostrar las posibilidades de los memristores cuánticos, los investigadores recurrieron a la modelización , centrando sus modelos en algo llamado computación de depósito . Por ejemplo si se quiere reconocer a los gatos en las fotos. Una imagen puede constar de unos cuantos millones de píxeles, cada uno de ellos de 24 bits, mientras que la información que se quiere extraer puede representarse con un solo bit (1 = gato, 0 = sin gato). Para resolver este problema con una red neuronal, hay que hacer mucho entrenamiento para establecer las conexiones correctas dentro y entre las múltiples capas de la red. En la computación de depósito, los datos entrantes se colocan en un espacio de alta dimensión (el depósito). La salida es una porción de este espacio de alta dimensión (una porción es como tomar una sección transversal de una casa: una representación en 2D de un objeto en 3D), que se pasa a la capa de salida, que la reconoce como indicación de gato o no gato. Las conexiones entre el depósito y la capa de salida deben ser entrenadas para producir una respuesta precisa, pero esto es considerablemente menos intensivo que el entrenamiento de un modelo tradicional de aprendizaje automático o de aprendizaje profundo. La clave está en el espacio de alta dimensión, que es una red aleatoria de elementos computacionales no lineales que tienen memoria... que es más o menos lo que es un memristor. El cálculo que realiza la red aleatoria también es aleatorio (no hay entrenamiento ni diseño específico), pero el cálculo es idéntico para cada entrada. Se sabe que la computación de reserva requiere muchos recursos para los ordenadores clásicos, pero no tanto para las unidades de procesamiento cuántico (especialmente las que tienen una memoria intrínseca), lo que puede suponer una clara ventaja en comparación con los modelos tradicionales de aprendizaje automático. Los investigadores modelaron la computación de depósito basándose en su memristor cuántico. El modelo, por supuesto, tenía una escala limitada, pero aún así mostró un buen rendimiento en algunas tareas tradicionales de aprendizaje automático, como el reconocimiento de letras escritas a mano. La especialización como futuro Antes se tenían co-procesadores matemáticos. Pero el objetivo era integrar tantas funciones como fuera posible en la CPU, lo que produjo una unidad de procesamiento generalizada que era mala en casi todo (pero también lo suficientemente buena si no importaba la espera). El procesamiento de gráficos puso de manifiesto las limitaciones de ese enfoque, ya que las cosas volaban una vez que se descargaban de la CPU. Ahora, con el auge del aprendizaje automático, las unidades de procesamiento tensorial se están incorporando a los ordenadores como unidades independientes. Basándose en esta tendencia, puede que nunca exista un ordenador cuántico de propósito general, sino que haya muchas arquitecturas diferentes, cada una de ellas estupenda para resolver tipos de problemas específicos. Y acá es donde los memristores cuánticos puedan formar parte de ello.
En los últimos años la computación cuántica ha azanzado enormemente. Aún así la investigación sobre los elementos básicos de la...