Si bien el entrenamiento de modelos de lenguaje grandes (LLM) en las computadoras cuánticas actuales sigue siendo un desafío, hallazgos recientes sugieren una sinergia prometedora entre la computación cuántica y la inteligencia artificial. Expertos de IBM y Eviden (grupo Atos) están explorando este potencial, revelando avances en varias áreas clave.
Un estudio de 2021 en Nature Computational Science demostró que las redes neuronales cuánticas se pueden entrenar más rápido que sus contrapartes clásicas, lo que sugiere un potencial significativo con redes más grandes. La computación cuántica sobresale en problemas de optimización, lo que permite el ajuste fino de los parámetros de la red neuronal para predicciones más precisas.
La Agencia Espacial Europea (ESA) mostró el poder de la computación cuántica en la visión artificial, logrando una tasa de reconocimiento de imágenes del 96% con una red neuronal cuántica, en comparación con el 85% con una red clásica, utilizando imágenes de satélite para detectar volcanes en erupción. El modelo cuántico utilizó significativamente menos parámetros, lo que resultó en un menor consumo de energía y datos.
La investigación publicada en Nature Communications en 2024 solidificó aún más estos hallazgos, mostrando que un modelo cuántico podría lograr una precisión similar a los modelos clásicos con diez veces menos datos. La computación cuántica también facilita la creación de datos sintéticos de alta calidad para el entrenamiento de modelos y mejora la detección de patrones en conjuntos de datos complejos, lo que beneficia a campos como la química y la ciencia de los materiales.
Estos avances apuntan a la capacidad de la computación cuántica para mejorar la precisión con modelos más pequeños, optimizar el rendimiento y acelerar los resultados confiables, lo que podría revolucionar las aplicaciones de la IA.