No hay que ser físico para sentirse fascinado por la idea de que unas partículas diminutas de luz, llamadas fotones, puedan aprender a reconocer imágenes. Desde escribir números a mano hasta detectar tumores en escaneos médicos, el reconocimiento de imágenes está en casi todo lo que nos rodea. Ahora, un nuevo experimento sugiere que la inteligencia artificial basada en fotones individuales podría hacerlo mejor que algunos de los sistemas clásicos que usamos hoy. Y no hablamos de ciencia ficción: ya hay pruebas concretas y vienen desde un laboratorio en Okinawa, Japón.
Un grupo de investigadores liderado por Akitada Sakurai ha conseguido aplicar, por primera vez, una técnica cuántica llamada “boson sampling” (muestreo de bosón) a una tarea práctica: reconocer imágenes. El estudio, publicado en la revista Optica Quantum, marca un hito en la integración de mecánica cuántica con inteligencia artificial, una promesa que llevaba años generando expectativas pero sin resultados útiles en el mundo real. Este avance puede cambiar la forma en que diseñamos futuras máquinas inteligentes, sobre todo si queremos que sean más rápidas, ligeras y eficientes.
Cómo se entrena una IA con fotones individuales (luz en estado cuántico)
Para entender este experimento, hay que empezar por los protagonistas: los bosones y, en particular, los fotones. En términos simples, el boson sampling consiste en enviar varios fotones a través de un circuito óptico complejo y observar cómo interfieren entre sí. Esa interferencia genera patrones probabilísticos extremadamente difíciles de simular por un ordenador clásico. Esa dificultad, paradójicamente, es lo que lo convierte en una herramienta útil para la computación cuántica.
El equipo desarrolló un sistema llamado QORC (Quantum Optical Reservoir Computing). En él, primero se reduce el tamaño de los datos de entrada (imágenes en escala de grises) usando una técnica clásica llamada análisis de componentes principales (PCA). Luego, esa información reducida se codifica en fotones individuales, que se hacen pasar por una red óptica aleatoria que actúa como un "reservorio cuántico". El resultado final es una distribución de probabilidades que se combina con los datos originales y se analiza con un clasificador lineal muy sencillo. Lo destacable es que solo el clasificador necesita ser entrenado: el resto del sistema cuántico funciona sin ajustes específicos.
Resultados que compiten con la IA clásica
Para poner a prueba su modelo, los científicos utilizaron tres conjuntos de datos bien conocidos en la comunidad de aprendizaje automático: MNIST (números manuscritos), Kuzushiji-MNIST (caracteres japoneses) y Fashion-MNIST (imágenes de ropa). Incluso usando solo tres fotones y redes ópticas de 12 a 40 modos, el sistema alcanzó niveles de precisión muy elevados, superando a métodos clásicos de clasificación como los support vector machines con funciones lineales.
Una de las conclusiones más interesantes del estudio es que la complejidad cuántica ayuda a separar mejor los datos en espacios de muchas dimensiones, algo esencial en tareas como clasificación de imágenes. Según el artículo original, “el modelo QORC expande efectivamente el espacio de características en espacios de alta dimensión” y por eso mejora su rendimiento frente a modelos simples basados en funciones lineales.
Además, al comparar el uso de fotones individuales con fuentes de luz coherente (como los láseres normales), los resultados mostraron que los primeros ofrecían una ventaja significativa. Aunque la luz coherente también puede utilizarse, no logra generar las combinaciones complejas que produce la interferencia de fotones individuales. Como explica el artículo: “la fuente de luz coherente no alcanza el nivel de precisión de los fotones individuales y no reproduce mapeos de características comparables a los modelos de referencia”.
Una arquitectura cuántica más sencilla de lo que parece
Si bien puede sonar como un sistema complicado, los propios autores destacan su relativa sencillez. A diferencia de otros modelos de IA cuántica que necesitan ajustar muchos parámetros cuánticos internos, este enfoque se limita a usar una red óptica fija y un clasificador final entrenable. Como señala el propio estudio, “el clasificador lineal también accede a las imágenes originales para compensar la pérdida de información en el PCA”.
Esto representa una gran diferencia con otros métodos que requieren un entrenamiento profundo y optimizaciones complejas. El modelo propuesto funciona como una capa intermedia cuántica que expande las características del input sin necesidad de modificar el circuito óptico para cada nuevo conjunto de datos. De hecho, el mismo sistema funcionó bien en los tres tipos de imágenes probadas, sin necesidad de adaptaciones específicas.
¿Y el coste de usar esta tecnología?
Uno de los retos habituales de la computación cuántica es el coste en tiempo y recursos. Pero el estudio se tomó este punto muy en serio. Realizaron simulaciones para ver cuántas “muestras” del circuito eran necesarias para obtener buenos resultados. La buena noticia es que el número de muestras necesarias crece solo con la raíz cuadrada del tamaño del sistema, lo cual es mucho más manejable de lo que se pensaba antes.
Además, el coste de entrenamiento del modelo resultó ser menor que el de métodos clásicos avanzados, como las máquinas de soporte vectorial con funciones kernel tipo RBF, cuyo coste puede volverse prohibitivo con grandes cantidades de datos. QORC, en cambio, escala mejor en sistemas grandes y tiene el potencial de reducir el número de características necesarias gracias a su estructura probabilística.
Lo que tienes que saber sobre IA cuántica basada en boson sampling
- El boson sampling es una técnica cuántica basada en cómo se comportan los fotones al pasar por circuitos ópticos complejos
- La IA cuántica QORC combina boson sampling con métodos clásicos para lograr reconocimiento de imágenes
- Solo se necesitan tres fotones y una red óptica para obtener resultados comparables a modelos clásicos
- Supera a algoritmos tradicionales como SVM en tareas de clasificación con menos recursos
- Usa menos energía y podría ser más sostenible que los modelos actuales de IA
- No requiere entrenar todo el sistema, solo una parte final del modelo
- Funciona bien con distintos tipos de datos sin necesidad de ajustes personalizados
- El uso de luz coherente no logra los mismos resultados que los fotones individuales
- Reduce los costes de computación frente a métodos clásicos más pesados
- Todavía no es universal, pero representa un avance real y aplicable en IA cuántica
Referencias
- Akitada Sakurai, Aoi Hayashi, William John Munro, Kae Nemoto. Quantum optical reservoir computing powered by boson sampling. Optica Quantum, Vol. 3, No. 3 (2025). DOI: https://doi.org/10.1364/OPTICAQ.541432.
