Algoritmos de optimización en computación cuántica
Sergio Rodríguez Vidal
Abstract
Los modelos de lenguaje más avanzados superan el billón de parámetros, y el consumo eléctrico anual en EE. UU. podría alcanzar cientos de TWh esta década, evidenciando el límite energético del hardware clásico y motivando la búsqueda de sustratos. La computación cuántica, al explotar el vasto espacio de Hilbert de los cúbits, promete redes neuronales cuánticas (QNNs) capaces de representar funciones mucho más complejas por parámetro. El proyecto "Hacia una Ventaja Cuántica en Arquitecturas Deep Learning" reduce la barrera de entrada mediante dos recursos gratuitos. Primero, un libro online (https://seroviicai.github.io/torch-quantum/book) condensa teoría cuántica y computacional esencial, análisis de capacidad con geometría informacional y técnicas modernas de optimización de QNNs en <100 páginas; ejemplos en CUDA-Q y PyTorch guían al lector desde álgebra de un solo cúbit hasta "benchmarks" completos. Segundo, la librería Torch-Quantum (https://github.com/SeroviICAI/torch-quantum/tree/main) convierte esas ideas en mapas de características, formas variacionales, modelos y "scripts" ejecutables sin modificaciones en simuladores CPU/GPU o en procesadores cuánticos en la nube como Amazon Braket. Guiada por los principios "Usabilidad sobre Rendimiento" y "Simple sobre Fácil", los experimentos mantenienen cada operación explícita y manipulable. Los experimentos con estas herramientas muestran que las QNNs alcanzan mayor dimensión efectiva (i.e. mayor expresividad) que redes clásicas con igual número de parámetros, logrando precisión casi perfecta en benchmarks pequeños como Iris y Wine tras pocas iteraciones, y estableciendo resultados estado-del-arte para modelos puramente cuánticos, incluyendo OptDigits. A mayor escala, los gradientes se encarecen bajo la regla de desplazamiento de parámetros y pueden desaparecer en "barren plateaus". El libro presenta estrategias de mitigación como retropropagaciones alternativas (e.g. métodos con tomografía de sombras y memoria cuántica), optimizadores de gradiente natural y entrenamiento por capas, animando al lector a perfeccionarlas. Al unir contexto, teoría y código, el proyecto ofrece una puerta única al avance colaborativo hacia el aprendizaje profundo cuántico.