En el siglo XXI, la humanidad se ve obligada a enfrentar desafíos globales. Dichos desafíos involucran sistemas complejos.
Sin embargo, la ciencia tiene algunos límites cognitivos y predictivos al tratar con sistemas complejos.
Algunos de estos límites están relacionados con la complejidad computacional y el reconocimiento de patrones variables. Para superar estos límites, la inteligencia artificial (IA) y la computación cuántica (CC) parecen ser útiles.
Aún más prometedora es la IA cuántica (CA), que surgió de la combinación de IA y CC.
La combinación de IA y CC produce efectos recíprocos y sinérgicos.
Este trabajo describe algunos de estos efectos.
Muestra que la CC ofrece nuevos materiales para implementar IA y algoritmos innovadores para resolver problemas de optimización y mejorar los algoritmos de aprendizaje automático.
Además, demuestra cómo los algoritmos de IA pueden ayudar a superar muchos de los desafíos experimentales asociados con la implementación de la CC.
También describe varias perspectivas para el desarrollo futuro de la inteligencia artificial cuántica.
En este siglo, se insta a la humanidad a enfrentar desafíos globales. Una lista de estos desafíos fue reportada en la Agenda 2030 compilada por las Naciones Unidas hace diez años
Siempre que los humanos enfrentan desafíos globales, tienen que lidiar con sistemas complejos como los seres humanos y sus sociedades, la economía mundial, las áreas urbanas, los ecosistemas naturales y el clima. Desafortunadamente, siempre que manejamos sistemas complejos, los enfoques científicos encuentran limitaciones. en la comprensión y predicción de su comportamiento Una de estas limitaciones deriva de la complejidad computacional: muchos problemas computacionales que involucran sistemas complejos son solucionables pero intratables
Es imposible determinar sus soluciones exactas dentro de un marco de tiempo razonable, incluso si las supercomputadoras más rápidas del mundo están disponibles. Otra limitación se refiere al reconocimiento de patrones variables que son propiedades emergentes de sistemas complejos. Todavía tenemos que formular un algoritmo universalmente válido y efectivo que pueda reconocer cada tipo de patrón variable
Para abordar estas limitaciones, es necesario formular nuevos algoritmos, proponer nuevos materiales y arquitecturas para la computación, y desarrollar nuevos métodos y modelos para describir el comportamiento de sistemas complejos. En este sentido, la línea de investigación interdisciplinaria de Computación Natural es particularmente prometedora
. La Computación Natural está arraigada en la idea básica de que cualquier estado fisicoquímico distinguible de la materia o la energía puede usarse para codificar información.
Por lo tanto, cada transformación natural de estos estados es una computación.
Dentro de la Computación Natural, generalmente se distinguen dos corrientes de investigación.
En el primer caso, los científicos utilizan leyes fisicoquímicas para realizar cálculos.
Por ejemplo, las leyes de la mecánica cuántica se pueden usar para desarrollar la computación cuántica (QC)
Los fenómenos de superposición cuántica,entrelazamiento, interferencia y tunelización garantizan, al menos en principio, una aceleración computacional en comparación con las máquinas de computación que operan con base en las leyes de la física clásica y el electromagnetismo, como las computadoras electrónicas convencionales.
En la segunda línea de investigación de la Computación Natural, se imitan las competencias inteligentes de los seres vivos.
Por ejemplo, la inteligencia artificial (IA) busca imitar la capacidad humana para reconocer patrones variables con facilidad y tomar decisiones basadas en el razonamiento deductivo
La urgencia de mejorar nuestras capacidades computacionales impulsó la idea de fusionar la computación cuántica (CC) y la inteligencia artificial (IA) para desarrollar la IA cuántica (IAQ). La IAQ implica investigar la viabilidad y el potencial de aprovechar la CC para la IA y la IA para la CC Surge un efecto sinérgico.
Este trabajo presenta algunas de las numerosas relaciones recíprocas que se han establecido entre los dos campos; Primero, demostramos que la IA puede ser soportada por materiales usados en el campo de la información cuántica
Específicamente, se mostrará que los estados mixtos cuánticos termalizados en soluciones líquidas permiten la imitación de competencias inteligentes específicas de los seres vivos.
Luego, se explicará cómo los principios de la mecánica cuántica pueden respaldar la búsqueda de soluciones a problemas computacionales difíciles, como los de optimización y aquellos involucrados en el campo del aprendizaje automático
La contribución de la IA al QC se demostrará mediante la aplicación de técnicas y algoritmos de IA que facilitan la compilación de circuitos cuánticos y la mitigación de errores, que son dos obstáculos significativos en el desarrollo de tecnologías cuánticas
Finalmente, se ofrecen algunas perspectivas generales en las conclusiones de este artículo.
Hay tres estrategias principales para desarrollar IA: se puede implementar en (1) software, (2) hardware y (3) wetware.
Generalmente, la IA se implementa en software que se ejecuta en computadoras electrónicas clásicas. Entre las diversas estrategias utilizadas para desarrollar software inteligente, vale la pena mencionar los enfoques basados en la imitación de (i) lógica humana rigurosa, (ii) razonamiento humano vago (a través de lógica difusa) las características estructurales y funcionales de las redes neuronales, y fenómenos específicos de la materia viva y no viva, como la evolución y la minimización de la energía libre Algunos de estos enfoques se han enriquecido con la introducción de las leyes de la mecánica cuántica.
Por ejemplo, para modelar las interacciones espaciotemporales en sistemas neuronales, se ha introducido un marco desarrollado utilizando la Teoría de Campos en Red (es decir, el paradigma computacional de referencia utilizado en la Teoría Cuántica de Campos) que une la neurociencia, la teoría de redes neuronales y la mecánica cuántica . Mediante la discretización de la actividad neuronal en variables binarias en una red espacio-temporal, se ha demostrado cómo la actividad neuronal puede tratarse como cúbits Este hallazgo podría conducir a aplicaciones emocionantes y prometedoras, como el uso combinado de la teoría de campos reticulares y el aprendizaje profundo para programar circuitos biohíbridos, incluidos chips neuromórficos y organoides, allanando así el camino para una nueva generación de IA inspirada en el cerebro.
Además, esta técnica podría acelerar el desarrollo de la idea innovadora de utilizar neuronas naturales para realizar simulaciones físicas de la teoría de campos reticulares o cuánticas
. Otros ejemplos de cómo se han enriquecido algoritmos de IA bien establecidos mediante la aplicación de las leyes de la mecánica cuántica se describen en los párrafos 3 y 4 m,ás adelante en la segunda parte de este artículo. Los algoritmos híbridos resultantes pueden ejecutarse en computadoras electrónicas o cuánticas convencionales
La segunda estrategia para desarrollar IA se basa en la implementación de sustitutos neuronales en hardware para diseñar máquinas de computación similares al cerebro, revolucionando la arquitectura de Von Neumann de las computadoras electrónicas actuales en las que el procesador y la memoria están separados físicamente
Las redes neuronales procesan información clásica cuando están compuestas de circuitos basados en silicio, memristores inorgánicos o semiconductores orgánicos.
Procesan información cuántica cuando los nodos de las redes están hechos de sistemas que generan estados cuánticos coherentes. Dependiendo de la plataforma de computación cuántica, los diversos enfoques suelen dividirse en dos grupos: enfoques digitales, que utilizan computadoras cuánticas basadas en puertas, y enfoques analógicos, que utilizan plataformas de computación cuántica analógica Las redes neuronales en computadoras cuánticas basadas en puertas se implementan como circuitos cuánticos parametrizados a través de iones atrapados o circuitos superconductores.
La computación neuromórfica cuántica analógica se basa en la dinámica de un sistema cuántico. Abarca la dinámica adiabática de los recocidos cuánticos y la dinámica más general de los sistemas cuánticos desordenados, y estas se aprovechan en el contexto de la computación de reservorio.
El reservorio puede basarse en puntos cuánticos, circuitos fotónicos y de microondas, centros de nitrógeno-vacante en el diamante, o espines nucleares o electrónicos en moléculas dentro de un campo magnético.
Recientemente, los autores han propuesto una nueva estrategia para el desarrollo de IA: IA química (CAI) . Implica el desarrollo de sistemas químicos que imitan las competencias de inteligencia biológica en wetware, es decir, soluciones líquidas, que representan la fase característica de la vida
Las moléculas seleccionadas adecuadamente y sus reacciones químicas permiten la imitación de ciertas funciones de inteligencia biológica. Por ejemplo, es posible procesar tanto la lógica booleana como la difusa e implementar sustitutos neuronales y las capacidades de aprendizaje de las redes neuronales
El uso de la fase líquida garantiza la comunicación molecular a través de mecanismos activos en los seres vivos, como la difusión térmica, la advección, las ondas químicas y las interacciones supramoleculares
Dado que todo proceso químico ocurre en un mundo microscópico regido por leyes de la mecánica cuántica, una hipótesis planteada recientemente sugiere que algunos fenómenos químicos que ocurren en la materia viva y que caracterizan la inteligencia biológica dependen de fenómenos cuántico-coherentes. La magnetorrecepción, el olfato y, probablemente, la consciencia aviar son competencias biológicas que implican estados coherentes, entrelazamiento y tunelización tros fenómenos de tipo cuántico de la materia viva se basan en estados mixtos cuánticos y sus características difusas
Los estados mixtos cuánticos se generan siempre que el movimiento browniano aleatorio de las moléculas desencadena el colapso de los estados coherentes cuánticos, necesarios para generar cúbits (la unidad de información cuántica en la computación cuántica convencional). A temperaturas normales, el colapso ocurre con relativa rapidez, en órdenes de magnitud que van desde unos pocos picosegundos.10− 12s a milisegundos10− 3s, dependiendo del tipo de estado cuántico involucrado. Los estados cuánticos mixtos no tienen tiempos de vida limitados y pueden manipularse fácilmente mediante entradas fisicoquímicas sin el riesgo de inducir el colapso de estados cuánticos superpuestos. Un estado cuántico mixto (????) es una combinación lineal de funciones de onda cuánticas (????yo), de la siguiente manera:
???? =∑???? = 1yo????yo|????yo> <????yo|
(1)
En la ecuación ( 2 ),????yoRepresenta el peso de la i -ésima función de onda y corresponde a su probabilidad. Los estados mixtos cuánticos permiten la implementación de conjuntos difusos químicos. Cuando????yoLos coeficientes se interpretan como los grados de pertenencia de las diferentes funciones de onda.????yoa????El estado cuántico mixto se asemeja a un conjunto químico difuso. Por lo tanto,????yoTambién es la unidad de información difusa. La cantidad de información codificada por un estado cuántico mixto es la entropía difusa, definida como sigue: [ 52 ]
yo= −∑???? = 1yo????yoregistro (????yo)
(2)
Las colecciones de conjuntos difusos químicos pueden granular las variables fisicoquímicas, garantizando así el paralelismo computacional. Un ejemplo en la naturaleza lo ofrece la visión humana del color. En el centro de la retina (es decir, la fóvea), los humanos tenemos tres tipos de conos: los llamados conos rojo, verde y azul. Cada tipo de cono tiene su propia proteína fotorreceptora característica. Aunque las proteínas fotorreceptoras roja, verde y azul tienen el mismo cromóforo, es decir, el 11-cis retinal difieren en la posición espectral de sus bandas de absorción debido a las distintas composiciones de aminoácidos de las bolsas que contienen los retinales.
NO SE DEBE SER DÉBIL, SI SE QUIERE SER LIBRE