Aprendizaje Automático en Simulaciones Cuánticas con átomos de Rydberg

El aprendizaje automático cuántico (Quantum Machine Learning) se encuentra en un momento clave de innovación en hardware y algoritmos. Este proyecto pretende crear un canal de comunicación bidireccional entre un procesador cuántico basado en átomos de Rydberg, actualmente en desarrollo en el CINN, y equipos teóricos cuyos métodos están expresamente adaptados, y validados, para esta arquitectura.

La estructura multinivel de esta plataforma Rydberg, su conectividad programable, y la capacidad de computación analógica permiten codificar problemas del mundo real de forma nativa, evitando la descomposición en puertas lógicas y acelerando el proceso hacia la “ventaja cuántica” en la era NISQ. Las herramientas IA/AA son fundamentales a ambos lados de este ciclo, permitiendo abordar desafíos tanto en el hardware (tiempos de coherencia limitados, sensibilidad al ruido ambiental, necesidad de control preciso de los láseres, etc), como en el aspecto más teórico (escalabilidad de simulaciones Monte Carlo cuántico, imposición de simetrías en los ansatz, o incluso la comprensión general de los algoritmos de Aprendizaje Automático Cuánticos).

Se emplearán controladores de aprendizaje reforzado para ajustar los protocolos de enfriamiento y atrapamiento de átomos en tiempo real, y se emplearán redes neuronales para acelerar la generación de hologramas de alta calidad para reordenar rápidamente los átomos. Por otro lado, los datos experimentales fluirán de regreso a la modelización teórica. Perseguimos cuatro objetivos estrechamente enlazados:

1. IA para la mejora del hardware cuántico: implementando aprendizaje reforzado para optimizar el enfriamiento y atrapamiento de átomos, desarrollando redes neuronales para sustituir algoritmos tradicionales de generación de hologramas, y para distribución espacial 3D de átomos neutros eficiente;
2. Simulaciones teóricas cuánticas mejoradas con ML basados en transformadores de visión como ansatz, y esquemas avanzados de Monte-Carlo variacional, que permitirán generar soluciones al problema físico que sirvan de referencia a las simulaciones cuánticas experimentales, favoreciendo una validación cuantitativa, y el diagnóstico del sistema;
3. Algoritmos cuánticos para Aprendizaje Automático y Optimización que sean compatibles con el hardware: todos los algoritmos propuestos serán co-diseñados con las operaciones nativas de una plataforma Rydberg, garantizando su implementación experimental, y posibilitando retroalimentación empírica sobre compilación, mitigación de errores y estrategias de control;
4. Aplicación contextual en dominios estratégicos: explorando vías para aplicaciones en campos como la química cuántica, visión por ordenador, y otros, demostrando su potencial para abordar desafíos del mundo real. En particular, esto también permitirá la creación de una hoja de ruta factible para la investigación en aprendizaje automático cuántico en el campo de la visión por ordenador, allanando el camino para una priorización programática de la investigación futura. Este proceso iterativo: diseño > implementación > evaluación > refinamiento, acelerará la maduración del hardware, agudizará los modelos teóricos y posicionará a España en la vanguardia de las tecnologías cuánticas prácticas con un amplio impacto social.