En la ecuación ( 3 ),????yoy????????se refieren a las funciones de onda electrónicas y vibracionales de los estados fundamental (i) y excitado (f). Las tres bandas de absorción corresponden a tres conjuntos difusos moleculares que granulan la región espectral visible.
Las luces de distintos colores, es decir, las que tienen diferentes composiciones espectrales, son absorbidas por las tres proteínas con diferentes probabilidades, estando estos valores relacionados con la extensión de las tres integrales del momento de transición cuyos valores dependen de la longitud de onda.
En términos de conjuntos difusos, las luces con distintos tonos pertenecen a los tres conjuntos difusos químicos con diferentes grados de pertenencia.
Estos diversos grados de pertenencia o probabilidades de absorción constituyen la primera pista utilizada para distinguir entre tonos dentro del cerebro humano. La granulación de la región visible es una forma de paralelismo cuántico que permite a los humanos distinguir alrededor de 200 tonos.
Esta forma no convencional de paralelismo cuántico, que no requiere estados cuánticos coherentes, no se limita a la visión humana del color, sino que es común a todos los sistemas sensoriales humanos: los sistemas visual, auditivo, olfativo, gustativo, somatosensorial, vestibular y termosensorial, como ya se ha demostrado
La imitación de esta característica se persigue mediante el desarrollo de la IA química.
Por ejemplo, en analogía con el sistema de tres proteínas foto
Foto receptoras, se ha ideado una colección de tres o cuatro compuestos foto crómicos, seleccionados considerando sus bandas de absorción como conjuntos químicos difusos, para extender la visión humana a la región UV del espectro
Un conjunto de estados mixtos cuánticos no coherentes y termalizados que funciona como un conjunto químico difuso se puede preparar fácilmente utilizando un sistema químico micro heterogéneo, es decir, un compuesto que existe en muchas conformaciones (es decir, estructuras que tienen el mismo esqueleto molecular pero difieren en cómo se muestran los grupos atómicos en el espacio) y/o experimenta microambientes con características fisicoquímicas distintas
Se puede lograr un alto grado de paralelismo computacional preparando una mezcla de estados mixtos cuánticos distintos, es decir, conjuntos difusos moleculares distintos.
La composición química de esta mezcla se debe determinar en función del objetivo de lograr la granulación deseada de las variables fisicoquímicas. Se encuentran ejemplos notables en biología: basta pensar en la visión humana del color y los otros sentidos
Su imitación ha permitido la implementación de sistemas químicos inspirados biológicamente que extienden la visión humana al UV e inspirarán el desarrollo de nuevos sistemas de detección cuántica.
La superposición de estados cuánticos mixtos termalizados da lugar a una forma no convencional de paralelismo cuántico que no requiere la delicada y frágil superposición de estados cuánticos coherentes.
La IA química, que se refiere a la estrategia no convencional de imitar la inteligencia biológica en wetware (es decir, en soluciones líquidas), contribuirá al desarrollo de la ciencia de la información cuántica al contribuir a nuevas estrategias de detección, computación y comunicación mediante estados cuánticos mixtos.
El próximo gran reto es proponer estados cuánticos mixtos para resolver problemas computacionales complejos y específicos en un tiempo razonable y demostrar que su uso en IAQ es tan prometedor como el de los estados cuánticos coherentes superpuestos convencionales.
La computación cuántica representa un nuevo enfoque para resolver problemas de optimización, explotando los principios de la mecánica cuántica para explorar espacios de soluciones de maneras diferentes a los métodos clásicos
Entre las diversas arquitecturas de computación cuántica, los recocidos cuánticos y las computadoras cuánticas basadas en puertas ofrecen estrategias distintas para abordar problemas de optimización, con aplicaciones que van desde la optimización combinatoria hasta el aprendizaje automático y las simulaciones de sistemas complejos.
Esta sección ofrece una visión general de cómo se formulan y resuelven los problemas de optimización mediante dispositivos de computación cuántica.
Primero, exploramos la computación cuántica basada en puertas, destacando sus principios, algoritmos y aplicaciones en optimización.
A continuación, examinamos los annealers cuánticos, centrándonos en su enfoque para resolver problemas de optimización y su idoneidad para tareas específicas.
La computación cuántica basada en puertas es uno de los enfoques más prometedores para abordar problemas de optimización combinatoria
A diferencia de los métodos clásicos, que procesan la información secuencialmente o mediante computación paralela en hardware convencional, las computadoras cuánticas operan según los principios de superposición y entrelazamiento. Estas propiedades únicas les permiten explorar amplios espacios de soluciones de maneras que difieren fundamentalmente de los enfoques clásicos.
En optimización, el reto suele ser encontrar la mejor configuración entre muchas posibles.
En general, los ordenadores cuánticos basados en puertas resuelven estos problemas con circuitos cuánticos, donde los cúbits representan variables de decisión y las puertas cuánticas guían el cálculo hacia una solución óptima. Este enfoque permite a los algoritmos cuánticos explorar múltiples configuraciones simultáneamente, lo que podría conducir al desarrollo de estrategias para una resolución de problemas más eficiente.
Una clase de métodos ampliamente estudiada son los Algoritmos Cuánticos Variacionales (VQAs), que aprovechan un enfoque híbrido cuántico-clásico
En estos algoritmos, los circuitos cuánticos generan soluciones candidatas, mientras que los métodos de optimización clásicos refinan iterativamente sus parámetros para mejorar los resultados.
Los VQA son altamente flexibles y pueden adaptarse a una amplia gama de problemas, lo que los hace particularmente prometedores para dispositivos cuánticos a corto plazo. Un miembro clave de la familia VQA es el Algoritmo de Optimización Aproximada Cuántica (QAOA), que fue diseñado para resolver problemas combinatorios QAOA codifica el problema en un circuito cuántico utilizando un conjunto de puertas cuánticas parametrizadas que evolucionan un estado cuántico hacia una solución óptima o casi óptima.
Un optimizador clásico afina estos parámetros, mejorando el rendimiento al navegar eficientemente por el espacio de soluciones. Otro VQA importante es el Eigensolver Cuántico Variacional (VQE), que fue desarrollado inicialmente para la química cuántica pero que también es aplicable a problemas de optimización
La VQE se centra en encontrar el estado de energía más bajo de un hamiltoniano dado, lo cual permite representar soluciones óptimas en diversos ámbitos, como la logística, las finanzas y la optimización de redes.
Al igual que la QAOA, la VQE se basa en la optimización clásica para refinar iterativamente los parámetros de los circuitos cuánticos, lo que la hace ideal para su implementación en el hardware cuántico actual.
Los algoritmos cuánticos variacionales que se ejecutan en los procesadores NISQ actuales deben enfrentar dos problemas estrechamente relacionados.
El primer problema es el resultado del ruido de hardware, como errores en la lectura de la puerta, decoherencia y diafonía , que se acumulan con la profundidad del circuito, pero son problemáticos porque pueden afectar la estimación de la función objetivo. Otro problema que se encuentra a menudo es la presencia de mesetas estériles: a medida que aumenta el número de cúbits, los gradientes de la función de costo se reducen exponencialmente, dejando a los optimizadores clásicos sin una dirección útil.
El ruido puede causar o agravar estas mesetas y, en conjunto, representan un límite a la profundidad de los circuitos cuánticos
En consecuencia, el ruido y las mesetas limitan el tamaño de los problemas que se pueden resolver en hardware cuántico real.
Para superar las limitaciones mencionadas anteriormente del QAOA estándar, se han propuesto enfoques más expresivos pero menos profundos para centrarse en la efectividad del algoritmo en un pequeño número de niveles.
Este enfoque reduce la exposición a errores y retrasa el fenómeno del colapso del gradiente. Una de las variantes más prometedoras es MA-QAOA (Multi-Angle QAOA), que asigna un par de parámetros independientes a cada término en el hamiltoniano del problema (por ejemplo, cada restricción o interacción entre variables), así como a los operadores de mezcla
Un espacio de parámetros más grande permite mejores resultados en términos de precisión de la solución, incluso en presencia de ruido, que los que se pueden obtener utilizando la versión estándar de QAOA con la misma profundidad. Otra variante que es particularmente adecuada para escenarios ruidosos es eXpressive QAOA (XQAOA) donde el mezclador incluye una rotación alrededor del eje Y y a cada operación en un solo cúbit se le asigna un parámetro independiente.
Este enfoque mejora la flexibilidad del circuito, mejorando así su rendimiento en presencia de ruido. Al incorporar mayor expresividad en circuitos de baja profundidad, estas variantes reducen el impacto nocivo del ruido, retrasan la aparición de mesetas estériles y, a su vez, amplían el alcance práctico de la optimización cuántica variacional en los procesadores actuales.
A pesar de las limitaciones actuales del hardware, los avances en procesadores cuánticos y técnicas de mitigación de errores siguen mejorando la viabilidad de la optimización cuántica. A medida que la tecnología cuántica avanza, se espera que la computación cuántica basada en puertas desempeñe un papel cada vez más importante en la resolución de problemas combinatorios a gran escala que siguen siendo computacionalmente desafiantes para los enfoques clásicos.
NOSE DEBE SER DÉBIL, SI SE QUIERE SER LIBRE