El Desayuno TIC Talk del CITIC de la UDC de abril contó con la participación de Fernando Mondragón Sampedro, quien ofreció la conferencia titulada “Quantum Machine Learning al límite: la pesadilla de la concentración exponencial”, centrada en uno de los principales desafíos actuales de la computación cuántica aplicada al aprendizaje automático.

Durante la sesión, el ponente profundizó en el fenómeno de la concentración exponencial, un comportamiento que emerge al incrementar el número de qubits en los modelos de quantum machine learning. Este fenómeno provoca que los valores medidos en los sistemas cuánticos tiendan a agruparse en torno a un valor concreto, lo que obliga a ejecutar los circuitos un número exponencial de veces para alcanzar resultados precisos. En caso contrario, las mediciones pueden resultar poco fiables o incluso aleatorias.

Mondragón explicó que esta característica supone un serio problema de escalabilidad, ya que el crecimiento exponencial en el número de ejecuciones implica un aumento igualmente exponencial en los recursos computacionales, tanto en tiempo como en infraestructura. Esto limita, en la práctica, la viabilidad de abordar problemas complejos que requieren un elevado número de qubits.

En el plano experimental, la charla presentó resultados obtenidos a partir de tres modelos distintos: fidelity kernel, projected quantum kernel y quantum extreme learning. Según se expuso, todos ellos pueden verse afectados por la concentración exponencial, aunque por diferentes causas. El análisis comparativo de su comportamiento permite identificar qué enfoques pueden resultar más adecuados en función del tipo de problema.

Asimismo, se abordó el uso del scaling factor o ancho de banda cuántico, una técnica que permite mitigar parcialmente una de las fuentes del fenómeno. Aunque su aplicación experimental se ha centrado hasta ahora en el fidelity kernel, su carácter flexible abre la puerta a su uso en otros modelos.

Como conclusión, el ponente puso de manifiesto que la concentración exponencial representa uno de los grandes retos a superar para el desarrollo del quantum machine learning a gran escala. No obstante, los resultados presentados aportan herramientas útiles para detectar su presencia y orientar futuras investigaciones, ya sea para minimizar su impacto o para anticipar los recursos necesarios en determinados escenarios.