O Almorzo TIC Talk do CITIC da UDC de abril contou coa participación de Fernando Mondragón Sampedro, quen ofreceu a conferencia titulada “Quantum Machine Learning ao límite: o pesadelo da concentración exponencial”, centrada nun dos principais desafíos actuais da computación cuántica aplicada á aprendizaxe automática.

Durante a sesión, o relator afondou no fenómeno da concentración exponencial, un comportamento que emerxe ao incrementar o número de qubits nos modelos de quantum machine learning. Este fenómeno provoca que os valores medidos nos sistemas cuánticos tendan a agruparse arredor dun valor concreto, o que obriga a executar os circuítos un número exponencial de veces para acadar resultados precisos. En caso contrario, as medicións poden resultar pouco fiables ou mesmo aleatorias.

Mondragón explicou que esta característica supón un serio problema de escalabilidade, xa que o crecemento exponencial no número de execucións implica un aumento igualmente exponencial nos recursos computacionais, tanto en tempo como en infraestrutura. Isto limita, na práctica, a viabilidade de abordar problemas complexos que requiren un elevado número de qubits.

No plano experimental, a charla presentou resultados obtidos a partir de tres modelos distintos: fidelity kernel, projected quantum kernel e quantum extreme learning. Segundo se expuxo, todos eles poden verse afectados pola concentración exponencial, aínda que por diferentes causas. A análise comparativa do seu comportamento permite identificar que enfoques poden resultar máis axeitados en función do tipo de problema.

Así mesmo, abordouse o uso do scaling factor ou ancho de banda cuántico, unha técnica que permite mitigar parcialmente unha das fontes do fenómeno. Aínda que a súa aplicación experimental se centrou ata agora no fidelity kernel, o seu carácter flexible abre a porta ao seu uso noutros modelos.

Como conclusión, o relator puxo de manifesto que a concentración exponencial representa un dos grandes retos a superar para o desenvolvemento do quantum machine learning a gran escala. Non obstante, os resultados presentados achegan ferramentas útiles para detectar a súa presenza e orientar futuras investigacións, xa sexa para minimizar o seu impacto ou para anticipar os recursos necesarios en determinados escenarios.