Entrenando las interacciones paramétricas en una red neuronal cuántica bosónica analógica con medida en la base de Fock

Aprendizaje inteligente con ondas cuánticas

La inteligencia artificial moderna se ejecuta en redes neuronales hechas de transistores y código digital. Este estudio explora cómo un tipo de hardware muy diferente, construido a partir de pequeños campos electromagnéticos vibrantes que obedecen las reglas de la física cuántica, puede ser entrenado para reconocer patrones en datos. El trabajo muestra cómo diseñar y entrenar de forma práctica una red neuronal cuántica de este tipo, de modo que eventualmente pueda ayudar a procesar información directamente dentro de máquinas cuánticas futuras.

Un nuevo tipo de cerebro cuántico

Los autores se centran en sistemas formados por excitaciones similares a la luz, llamadas bosones, almacenadas en resonadores microondas u ópticos. Estos resonadores pueden intercambiar energía y crear pares de partículas cuando son impulsados por señales externas. Por sí solas, estas interacciones se describen mediante ecuaciones lineales, que suelen ser demasiado simples para llevar a cabo un aprendizaje potente. La clave aquí es mantener la evolución física lineal pero leer el sistema usando conteo de fotones, lo que produce de forma natural respuestas no lineales. Al elegir cuidadosamente cómo impulsar y acoplar los resonadores, el dispositivo cuántico se comporta como una red neuronal analógica que mapea datos de entrada a características de salida útiles.

Dejar que un ordenador clásico haga la parte difícil

Entrenar redes neuronales ordinarias se basa en retropropagación, un método que ajusta parámetros de forma eficiente siguiendo los gradientes de la función de pérdida. Aplicar directamente esta idea a un gran sistema cuántico suele ser imposible, porque simular su dinámica completa se vuelve rápidamente intratable. La innovación de este trabajo es explotar la estructura especial de los llamados estados gaussianos, donde la evolución de los valores medios y las fluctuaciones puede describirse de forma compacta. El hardware cuántico realizaría el paso directo, haciendo evolucionar los campos físicos, mientras que un modelo clásico de la misma dinámica gaussiana, fácil de simular, se usa para calcular gradientes. Esta estrategia híbrida permite el entrenamiento de extremo a extremo de las intensidades de los impulsos físicos y los acoplamientos sin necesidad de extraer información de gradiente del propio dispositivo cuántico.

Enseñar al dispositivo a reconocer patrones

Para probar su enfoque, los investigadores simulan varias tareas de aprendizaje de dificultad creciente. Primero, piden a una pequeña red de dos resonadores que distinga entre señales senoidales y cuadradas presentadas como series temporales cortas. Midiendo solo la probabilidad de que un resonador contenga cero fotones tras cada entrada, y usando entrenamiento basado en gradientes sobre los parámetros físicos, el modelo alcanza una clasificación perfecta. En comparación con una versión no entrenada de “reservorio” del mismo hardware, que usa muchas lecturas de salida, la red entrenada necesita muchas menos cantidades medidas y muchas menos tomas experimentales para alcanzar la misma precisión.

Encontrar la mejor forma de introducir los datos

El equipo estudia a continuación un problema clásico difícil donde puntos deben asignarse a una de dos espirales entrelazadas en el plano. Esta tarea exige una no linealidad fuerte. Usando cuatro resonadores acoplados, comparan varias formas de codificar las dos coordenadas de entrada en los controles físicos, como la amplitud o la fase de los tonos de excitación y de diferentes procesos de acoplamiento. Encuentran que incrustar los datos en la fuerza o la fase de una interacción especial que crea pares de fotones tiene un efecto particularmente potente, permitiendo una clasificación perfecta mientras se lee una sola probabilidad de fotones. Otras opciones de codificación requieren muchas más salidas medidas, o nunca alcanzan la precisión completa. Esto muestra que la manera en que se escriben los datos en el dispositivo cuántico configura fuertemente su no linealidad efectiva.

De dígitos manuscritos a dispositivos futuros

Finalmente, los autores abordan una pequeña tarea de reconocimiento de imágenes que involucra dígitos manuscritos representados como rejillas de 8 × 8 píxeles. Con seis resonadores y múltiples procesos de creación de pares, introducen los píxeles a lo largo de varios cortes temporales, una estrategia similar a presentar repetidamente el mismo circuito cuántico con nuevos datos. Tras entrenar unos pocos cientos de parámetros físicos y clásicos, el modelo clasifica dígitos no vistos con más del 97 por ciento de precisión midiendo solo un conjunto moderado de resultados de conteo de fotones. En contraste, cuando el mismo hardware se usa como un reservorio no entrenado, el rendimiento se estanca mucho más bajo incluso con más medidas, subrayando el beneficio de optimizar las interacciones físicas.

Por qué esto importa para la tecnología cuántica

El estudio demuestra que redes construidas a partir de modos bosónicos con evolución lineal, combinadas con conteo de fotones no lineal, pueden ser a la vez expresivas y entrenables usando herramientas de gradiente familiares. Aunque el trabajo presente se apoya en simulación clásica para guiar el entrenamiento y por tanto está limitado en tamaño, los ingredientes subyacentes encajan bien con plataformas superconductoras y fotónicas existentes que ya soportan acoplamientos paramétricos sintonizables. Esto abre una ruta realista hacia hardware cuántico que no solo procese información de forma cuántica, sino que también pueda entrenarse como las redes neuronales actuales, potencialmente sirviendo como frontales inteligentes para futuros sensores y procesadores cuánticos.

Cita: Dudas, J., Carles, B., Gouzien, E. et al. Training the parametric interactions in an analog bosonic quantum neural network with Fock basis measurement. Sci Rep 16, 14997 (2026). https://doi.org/10.1038/s41598-026-45038-7

Palabras clave: redes neuronales cuánticas, modos bosónicos, dinámica gaussiana, conteo de fotones, aprendizaje automático cuántico