Síganos
Agréguenos como fuente preferida en Google
- Moth Quantum recupera miles de valores almacenados del hardware cuántico de IBM
- El procesador Phoenix de IBM recupera con éxito información distribuida en los 120 qubits
- El hardware cuántico tiene dificultades para reproducir imágenes complejas con suficiente precisión
Moth Quantum dice que su técnica Tessa ha logrado un nuevo récord en computación cuántica al almacenar información en un procesador y recuperarla con éxito.
El método colocó 1.568 valores numéricos en el procesador Phoenix de 120 qubit de IBM y luego utilizó la información recuperada para recrear una imagen.
Esto resuelve un desafío importante en la computación cuántica: introducir información ordinaria en máquinas cuánticas y recuperarla sin una pérdida significativa de precisión.
Últimos vídeos deTecnologíaRadar
Un nuevo récord con importantes límites de precisión
Investigaciones anteriores de esta naturaleza recuperaron 128 valores numéricos utilizando 12 qubits de iones atrapados, lo que hace que el último resultado sea significativamente mayor según la definición del estudio.
Tessa utiliza qubits adyacentes para controlar dónde se almacena la información, lo que permite que las conexiones existentes del procesador manejen la operación sin mover información entre qubits distantes.
La disposición evita operaciones adicionales de movimiento de qubits y qubits auxiliares adicionales, mientras que los circuitos probados alcanzaron una profundidad de 19 operaciones de dos qubits.
«Cada computadora cuántica tiene que obtener datos antes de poder hacer algo útil con ellos, y ese paso ha sido un cuello de botella para campos como el aprendizaje automático cuántico», dijo Daniel Bultrini, el científico de Moth que desarrolló Tessa.
«Tessa aprovecha al máximo las capacidades del chip para que todo el procesador pueda iniciarse a la vez».
Las pruebas de imagen almacenaron 784 y 441 valores, requiriendo 728 y 428 operaciones comprobadas, respectivamente; cada uno utilizó 8.192 ensayos de medición.
Sin embargo, la recuperación de la información fue imperfecta: la imagen en color más grande logró una correlación de 0,69 con la fuente, en comparación con 0,95-0,96 para las imágenes más simples.
El error numérico promedio fue de 0,130 en Phoenix y de 0,131 en el procesador Fez de IBM, cayendo a 0,075 y 0,078 después del ajuste.
Esta alineación utilizó dos estadísticas tomadas de la imagen original, lo que significa que la reconstrucción mejorada dependió parcialmente de información ya conocida.
Para una prueba separada que combina brillo y color de la imagen, Phoenix registró errores de 0,152 y 0,092, mientras que Fez registró 0,144 y 0,084.
El error de brillo de Phoenix fue 2,6 veces mayor de lo que predijo el modelo de ruido de la compañía, lo que indica que el hardware real introdujo imprecisiones adicionales.
Pruebas sonoras y biológicas.
Moth Quantum también tomó muestras de sonido, notas musicales, ADN y secuencias de proteínas utilizando diferentes formas de representar información dentro del procesador.
Una prueba musical que contenía 347 notas de flauta recuperó correctamente el 18,7% de los tonos antes de la afinación, mejorando después al 49,3% en el procesador Fez.
Las pruebas biológicas requirieron 32.768 pruebas de medición en comparación con 8.192 para los experimentos de imágenes, pero la precisión varió significativamente entre las secuencias para cada base de medición.
La secuencia de la proteína p53 logró un 71,5% de recuperación correcta, mientras que Sonic hedgehog alcanzó un 76,2% y la proteína mitocondrial MT-CO3 registró un 92,3% en el hardware Phoenix de IBM.
Los resultados fueron más débiles para otras muestras: SUR1 alcanzó el 22,6%, mientras que pikachurin alcanzó el 25,8%, lo que demuestra que las secuencias más largas o más complejas seguían siendo difíciles.
Las pruebas también incluyeron una secuencia de ADN mitocondrial que contiene 784 componentes básicos y una secuencia de ARN mensajero POLG2 con 1.582.
El estudio advierte que una unidad incorrecta de ADN o proteína puede ser biológicamente significativa, por lo que estas tasas de recuperación no establecen aplicaciones médicas confiables.
Las simulaciones aquí no incluyen todas las interferencias entre grupos de procesadores adyacentes y los experimentos de hardware no utilizaron ninguna técnica de corrección de errores.
Tessa también depende de un patrón particular de conexiones entre qubits, mientras que los requisitos de medición aumentan considerablemente a medida que estas conexiones se vuelven más numerosas.
Moth Quantum no utilizó la reducción de errores, lo que según el estudio podría reducir significativamente los errores de reconstrucción en futuras pruebas de hardware.
«Las aplicaciones cuánticas que tendrán el mayor impacto, incluidas aquellas que trabajan en estrecha colaboración con la IA, dependerán de avances como Tessa para cumplir con las expectativas que se han establecido», dijo Harry Kumar, fundador y CCO de Moth.

Siga TechRadar en Google News y agréganos como fuente preferida para recibir noticias, reseñas y opiniones de nuestros expertos en sus feeds.

