Un equipo de investigación de científicos de la Freie Universität Berlin y Google Quantum AI ha desarrollado un nuevo método innovador para estimar los parámetros de los operadores hamiltonianos. Los científicos han propuesto una nueva técnica que podría ser escalable y aplicable a grandes procesadores cuánticos. Con este método, las simulaciones cuánticas podrían realizarse con mayor precisión en el futuro. Los resultados del estudio se publicaron recientemente en la revista Nature Communications en: https://www.nature.com/articles/s41467-024-52629-3.
Nombrado en honor a William Rowan Hamilton, el hamiltoniano de un sistema representa su energía total. El término se utiliza tanto en la mecánica cuántica como en la mecánica clásica. En la mecánica cuántica, el hamiltoniano generalmente se asume como dado, pero sus detalles a menudo siguen siendo desconocidos. Sin embargo, es un factor importante para predecir con precisión la evolución temporal de los sistemas cuánticos. En consecuencia, comprender cómo se pueden utilizar los datos para reconocer el hamiltoniano de un sistema ("aprendizaje hamiltoniano") podría desempeñar un papel crucial en el desarrollo futuro de la tecnología cuántica.
La tecnología cuántica, y en particular la computación cuántica, se considera una tecnología clave del futuro. A diferencia de las computadoras convencionales, las computadoras cuánticas no están sujetas a las leyes clásicas de la física. Se basan en los principios de la mecánica cuántica, lo que significa que la unidad de cálculo utiliza átomos o iones individuales como unidades de procesamiento individuales. Las empresas de tecnología y países enteros, incluida Alemania, están invirtiendo masivamente en la investigación y el desarrollo de estas nuevas tecnologías.En el caso: Investigación cuántica en acción
La colaboración entre Google Quantum AI, dirigida por Pedram Roushan, y el grupo de investigación de Jens Eisert en la Freie Universität comenzó con una llamada de un colega de Google a Eisert. El colega tenía dificultades para calibrar el procesador cuántico superconductor Sycamore de Google utilizando métodos de aprendizaje hamiltoniano. Los primeros intentos de los investigadores fueron insuficientes y quedó claro que solo una técnica que utilizara la superresolución podría proporcionar los resultados necesarios. "Bajo ciertas condiciones, los métodos de superresolución nos permiten ir más allá de los límites fundamentales de la resolución", explica Eisert.
La solución del problema no fue una tarea fácil, pero Eisert y su equipo, que incluye a los doctorandos Dominik Hangleiter e Ingo Roth, estaban decididos a intentarlo. «Si bien el principio básico quedó bastante claro rápidamente, nos llevó tres años de investigación intensiva hasta que comprendimos cómo hacer que el aprendizaje Hamiltoniano fuera lo suficientemente robusto como para aplicarlo a experimentos a gran escala», dice Eisert. Durante este tiempo, hubo varios cambios en el equipo: Hangleiter se trasladó a la Universidad de Maryland, Roth se mudó a Abu Dabi y Jonáš Fuksa se unió al grupo de investigación de Eisert en la Freie Universität.El avance abre un nuevo potencial
El resultado fue un verdadero avance. Los investigadores pudieron calibrar el procesador Sycamore, uno de los ordenadores cuánticos más avanzados del mundo, con una precisión sin precedentes. «Este nuevo método aumenta significativamente la previsibilidad y la precisión de las tecnologías cuánticas y crea nuevas posibilidades para las simulaciones de materia condensada», afirma Eisert.
