En Nature Machine Intelligence se ha publicado un trabajo que propone QuanONet, un neurooperador cuántico diseñado para la era de los dispositivos cuánticos de escala intermedia con ruido. Los neurooperadores clásicos se aplican para resolver ecuaciones diferenciales en derivadas parciales.
Los autores del trabajo vinculan el desarrollo de análogos cuánticos eficientes con dos problemas de los enfoques existentes: altos costes computacionales y lagunas teóricas. En la descripción también se indica que algunos paradigmas del aprendizaje automático cuántico requieren un escalado excesivo del número de cúbits o esquemas profundos para el equipo disponible en el futuro próximo.
La fuente se presenta mediante metadatos y un breve sinopsis del editor, no mediante el texto completo de la investigación. Por lo tanto, con los materiales disponibles no es posible establecer la arquitectura de QuanONet, los resultados experimentales, el número requerido de cúbits ni la existencia de una comparación con métodos clásicos.
comentario editorial
Por qué importa
El valor probable del trabajo reside en la búsqueda de un formato más aplicable de neurooperadores cuánticos bajo las limitaciones del equipo cuántico más cercano. La siguiente señal observable serán los detalles publicados sobre la arquitectura y los resultados de las pruebas. Persiste una incertidumbre sustancial: la fuente disponible no confirma la eficacia, la escalabilidad ni la superioridad del método.