Related Articles
Por: Sankar Das Sarma, miembro de la facultad de física de la Universidad de Maryland
El aprendizaje de máquinas es un campo de la informática que busca construir computadoras capaces de descubrir información significativa y hacer predicciones acerca de datos. Es el núcleo de la inteligencia artificial (IA) y ha potenciado muchos aspectos de las tecnologías modernas, desde el reconocimiento facial y el procesamiento del lenguaje natural hasta los automóviles automáticos.
El campo está creciendo rápidamente y sus aplicaciones se han vuelto omnipresentes.1 El servicio de traducción en línea de Google utiliza el aprendizaje automático para convertir los caracteres chinos en texto en inglés sin intervención humana. Las técnicas de aprendizaje automático se utilizaron recientemente para construir AlphaGo, 2 un robot que ha derrotado a los mejores jugadores del mundo en Go, un antiguo juego de mesa; los desarrolladores han considerado dominar el juego como el mayor logro de IA. Hasta que AlphaGo demostró su destreza, se pensaba que el juego era demasiado complejo para que las máquinas se destacaran debido a la gran cantidad de movimientos posibles.
Uno de los mayores problemas que enfrenta el aprendizaje automático es la llamada maldición de la dimensionalidad: en general, el número de conjuntos de datos de entrenamiento necesarios para que la máquina aprenda la información deseada es exponencial en la dimensión d. Si un conjunto de datos se encuentra en un espacio de alta dimensión, rápidamente se vuelve computacionalmente inmanejable. Esa complejidad es similar a la mecánica cuántica, para la cual generalmente se requiere una cantidad exponencial de información para describir en su totalidad un estado cuántico de muchos cuerpos.
A pesar de sus complejidades, la teoría cuántica es posiblemente la teoría cuantitativa más exitosa de la naturaleza. No solo proporciona la base para comprender la física en todas las escalas de longitud, desde partículas elementales como electrones y quarks hasta objetos gigantes como estrellas y galaxias, sino que también sienta las bases para tecnologías modernas que van desde láseres y transistores hasta resonadores magnéticos nucleares e incluso computadoras cuánticas. .3 Dados los grandes éxitos del aprendizaje automático y la física cuántica, uno puede preguntarse: ¿pueden estos dos campos aparentemente no relacionados, pero íntimamente conectados fusionarse de manera fluida y sinérgica?
Parece ciencia ficción, pero esa fusión está ocurriendo en este momento y puede conducir a avances actualmente inimaginables en ambos campos. La inteligencia artificial ha progresado drásticamente en las últimas dos décadas, y muchos problemas que eran extremadamente desafiantes o incluso inaccesibles para la inteligencia artificial ahora se han resuelto. Esos éxitos plantean nuevas posibilidades para el aprendizaje automático y lograr resolver problemas abiertos en física cuántica.
Mientras tanto, la idea del procesamiento de información cuántica ha revolucionado las teorías y las implementaciones de la computación. Los nuevos algoritmos cuánticos pueden ofrecer perspectivas tentadoras para mejorar la inteligencia artificial. La interacción entre el aprendizaje automático y la física cuántica indudablemente beneficiará a ambos campos.
PHYSICSTODAY.ORG
