Redacción
Las computadoras cuánticas prometen superar de manera colosal a los ordenadores clásicos en determinadas tareas, pero en el hardware cuántico disponible actualmente no pueden ejecutar algoritmos largos. Ese hardware es demasiado “ruidoso” y las interferencias que se producen al interactuar con el entorno corrompen la información que se procesa.
El equipo de Marco Cerezo, del Laboratorio Nacional estadounidense de Los Álamos, ha logrado desarrollar algoritmos especiales que permiten usar en el hardware actual la computación cuántica, evitando los problemas que afectan a esta última gracias a recurrir a la computación clásica para algunos pasos concretos del procesamiento.
Se puede decir que estos nuevos algoritmos combinan lo mejor de cada uno de ambos mundos. “Podemos aprovechar la potencia de las computadoras cuánticas para tareas que los ordenadores clásicos no pueden hacer fácilmente, y luego utilizar los ordenadores clásicos para complementar la potencia de cálculo de los dispositivos cuánticos”, explica Cerezo.
Las actuales computadoras cuánticas de escala intermedia tienen entre 50 y 100 bits cuánticos (qubits). Aunque tuvieran muchos, ello no sería útil para los algoritmos híbridos (cuánticos/clásicos) ideados hasta ahora, ya que estos pueden acomodarse tan solo a una cantidad limitada de qubits y carecen de la corrección de errores que es imprescindible para las tareas del mundo real, más allá de los experimentos de laboratorio.
En vez de esperar a la creación de computadoras cuánticas totalmente maduras, el equipo de Cerezo ha desarrollado nuevos algoritmos híbridos para extraer el máximo rendimiento (incluyendo potencialmente las ventajas cuánticas) del hardware actual, ruidoso y propenso a errores. Conocidos como algoritmos cuánticos variacionales, estos nuevos algoritmos utilizan cajas cuánticas para manipular sus sistemas cuánticos al tiempo que la parte de su trabajo que más problemática les resulta la trasladan a los ordenadores clásicos, a fin de que estos hagan lo que mejor saben hacer actualmente: resolver problemas de optimización.
