NVIDIA ha presentado recientemente modelos de código abierto basados en el clásico modelo de Ising con el fin de abordar la corrección de errores cuánticos en sistemas de inteligencia artificial.
A diferencia de los métodos habituales basados en códigos de superficie o códigos cuánticos topológicos, estos modelos aprovechan la energía de las configuraciones de espín para simular y subsanar el ruido generado durante el entrenamiento de grandes redes neuronales.
Según fuentes oficiales, este enfoque permite reducir los costes computacionales de corrección entre un 30 y un 40 por ciento en comparación con las soluciones heurísticas anteriores.
En el plano técnico, el modelo de Ising se aplica aquí como una estructura de grafos donde los nodos representan bits cuánticos o parámetros de la red neuronal, mientras que las interacciones entre ellos se describen mediante un hamiltoniano.
El entrenamiento consiste en minimizar la energía del sistema ante la presencia de ruido, en un proceso que recuerda al recocido simulado. NVIDIA ha facilitado los pesos y el código de forma abierta para reproducir los experimentos en GPU; sin embargo, no ha revelado los detalles precisos sobre la generación de los datos de ruido sintético utilizados para la validación.
Esta metodología plantea interrogantes sobre la transferencia de los resultados. Las pruebas se realizaron principalmente en circuitos cuánticos simulados de pequeño tamaño y no en hardware cuántico real. Esto deja abierta la cuestión de qué tan eficaces serán estos modelos ante los errores correlacionados típicos de los procesadores cuánticos actuales.
Frente a los trabajos de Google Quantum AI en 2023, que empleaban códigos de superficie con un umbral de error cercano al 1 por ciento, la propuesta de NVIDIA apuesta por una optimización híbrida clásico-cuántica que podría resultar más ventajosa al escalar a miles de cúbits.
Dentro del panorama de investigación, este avance estrecha los vínculos entre las comunidades de computación cuántica y de aprendizaje automático a gran escala. Aunque anteriormente Xanadu y Rigetti habían planteado ideas similares en sus trabajos sobre aprendizaje automático cuántico, NVIDIA es la primera en proporcionar pesos y herramientas totalmente abiertos para su integración en marcos de trabajo como PyTorch.
Este movimiento podría dinamizar los experimentos de grupos independientes y redefinir las prioridades en el ámbito de los algoritmos cuánticos tolerantes a fallos para la IA.
Para el sector, esto implica que las tareas de corrección de errores ya no dependen exclusivamente de hardware cuántico especializado, sino que pueden abordarse en aceleradores clásicos mediante métodos bien conocidos de la física estadística. No obstante, aún no está claro cómo se comportarán estos modelos ante el ruido cuántico real sin una calibración adicional.
Es probable que las próximas investigaciones se centren en verificar la portabilidad a dispositivos cuánticos reales y en comparar el gasto energético con los decodificadores tradicionales.
En última instancia, la apertura de los modelos de Ising por parte de NVIDIA establece un nuevo estándar de reproducibilidad en el campo de la IA con resistencia cuántica y abre el camino hacia arquitecturas híbridas más eficientes.
