Científicos entrenan un modelo de IA con un ordenador cuántico y logran que responda preguntas imposibles
Investigadores usaron una computadora cuántica de IBM para mejorar el entrenamiento de Llama 3.1. El modelo respondió correctamente preguntas que el modelo base no podía resolver.
La computación cuántica lleva años prometiendo revolucionar la tecnología, aunque hasta ahora la mayoría de sus avances parecían limitados a laboratorios y pruebas teóricas. Pero un nuevo experimento ha cambiado parcialmente esta percepción.
Un grupo de investigadores consiguió mejorar el rendimiento de un modelo de inteligencia artificial utilizando un ordenador cuántico superconductivo de IBM, logrando respuestas más precisas y estables que las obtenidas con métodos clásicos.
Se utilizó el sistema IBM Quantum System Two de 156 cúbits y un framework conocido como QIML. El objetivo no era construir una IA cuántica, sino aprovechar ciertas capacidades de la PC cuántica para optimizar el aprendizaje automático tradicional.
Cómo funciona el sistema híbrido cuántico-clásico
El método desarrollado por los investigadores combina un modelo generativo cuántico con un predictor clásico. La parte cuántica genera lo que llaman un Q-Prior, una representación matemática avanzada capaz de capturar relaciones complejas y patrones pequeños dentro de los datos de entrenamiento.
Este componente resultó clave para mejorar el comportamiento del sistema. Según el estudio, cuando el modelo trabajaba sin el Q-Prior cuántico, las predicciones tendían a degradarse y perder estabilidad a largo plazo.
Con el soporte cuántico, en cambio, las respuestas mantenían coherencia física y ofrecían resultados más fiables. La mejora no fue menor, ya que en algunos benchmarks, el sistema aumentó la precisión hasta un 17,25% y elevó la resolución espectral hasta un 2.936% frente a métodos clásicos comparables.
El experimento también redujo la complejidad de Llama 3.1
Es importante mencionar que uno de los aspectos más llamativos del proyecto es que el modelo híbrido logró reducir la complejidad de Llama 3.1 8B, el modelo de lenguaje de 8.000 millones de parámetros desarrollado por Meta.
El sistema solo necesitó añadir unos 6.000 parámetros adicionales, un incremento prácticamente insignificante del 0,000075%, mientras reducía la complejidad total del modelo en torno a un 1,4%.
Eso es importante porque uno de los grandes problemas actuales de la inteligencia artificial es el crecimiento constante del tamaño y coste computacional de los modelos. El experimento apunta hacia otra dirección: mejorar rendimiento sin disparar recursos.
Además, el ordenador cuántico solo participó durante la fase de entrenamiento del componente cuántico. Después, el sistema puede ejecutarse utilizando infraestructura clásica convencional, algo fundamental para que el método sea viable fuera de entornos experimentales.
El sistema híbrido cuántico-clásico también consiguió corregir respuestas que el modelo original fallaba en preguntas científicas concretas. Uno de los ejemplos citados en el estudio era una pregunta de astronomía sobre qué planetas jovianos tienen anillos.
La IA estándar respondió erróneamente que solo Saturno posee anillos, mientras que la versión optimizada mediante computación cuántica identificó correctamente que todos los gigantes gaseosos del Sistema Solar tienen sistemas de anillos.
Otro caso mencionado estaba relacionado con genética y flujo génico entre poblaciones. El modelo base ofrecía una explicación incorrecta sobre el equilibrio de Hardy-Weinberg, pero el sistema mejorado respondió adecuadamente que el flujo génico aumenta la homogeneidad genética entre poblaciones.
Estos ejemplos fueron utilizados por los investigadores para demostrar que el Q-Prior cuántico ayudaba a generar respuestas más coherentes y estables frente al modelo clásico original.
La IA y la computación cuántica empiezan a acercarse
Borja Aizpurua, científico sénior de Multiverse Computing, explicó que el propósito del trabajo no consiste en sustituir los modelos actuales por sistemas totalmente cuánticos, sino utilizar capacidades cuánticas específicas para mejorar eficiencia y representación de datos complejos.
Ese matiz es importante porque la computación cuántica todavía afronta enormes limitaciones técnicas, donde los sistemas actuales siguen siendo sensibles al ruido, difíciles de escalar y muy costosos de mantener.
Aun así, el experimento demuestra algo relevante: los ordenadores cuánticos empiezan a mostrar aplicaciones prácticas reales dentro del aprendizaje automático.
Durante años, la computación cuántica y la inteligencia artificial avanzaron como dos campos separados, por lo que este tipo de investigaciones sugiere que el futuro podría estar en la combinación de ambas tecnologías.
La gran promesa no pasa necesariamente por crear inteligencias artificiales gigantescas, sino por desarrollar sistemas capaces de aprender de manera más eficiente utilizando nuevas formas de procesar información.