La corporación Nvidia ha dado un paso importante en el desarrollo de la computación cuántica al publicar el código y las herramientas para entrenar el módulo de IA especializado Ising Decoder ColorCode 1 Fast. Esta red neuronal está diseñada para el preprocesamiento de señales de error en sistemas cuánticos, tras lo cual transmite datos refinados al decodificador clásico Chromobius.
Los resultados de la simulación son impresionantes: la combinación de los dos algoritmos redujo la frecuencia de errores lógicos en 347,7 veces y aceleró el procesamiento general en 7,3 veces en comparación con el funcionamiento de Chromobius por sí solo. Las pruebas se realizaron en un modelo de memoria cuántica con una distancia de código de 31 y una frecuencia de error físico del 0,3%. Es importante destacar que el experimento se llevó a cabo con datos sintéticos, no en un procesador cuántico real, lo cual es una práctica estándar en esta etapa de la investigación.
La arquitectura de Ising Decoder ColorCode 1 Fast es una red neuronal convolucional tridimensional de 17 capas con aproximadamente 2,9 millones de parámetros. El campo de cobertura de la red es de 13, y para el entrenamiento se utilizaron matrices de entrada de tamaño 13 × 13 × 19. El modelo no es un decodificador independiente; actúa como un filtro, analizando señales locales, reduciendo su cantidad y transmitiendo a Chromobius un mapa de errores disperso para la decisión final.
Códigos de color: de la teoría a la práctica
La corrección de errores cuánticos es una tecnología clave para crear cúbits lógicos estables a partir de cúbits físicos inestables. El decodificador analiza los resultados de las mediciones de control y determina qué fallos deben corregirse. Tradicionalmente, para almacenar información cuántica se utilizan códigos superficiales debido a su alto umbral de error y la relativa simplicidad de su decodificación.
Sin embargo, los códigos de color, que permiten realizar algunas operaciones lógicas de manera más eficiente, han permanecido durante mucho tiempo en la sombra debido a la complejidad de procesar sus señales. La falta de decodificadores rápidos y precisos era la principal barrera para su aplicación en tiempo real. El desarrollo de Nvidia busca resolver este problema.
Es notable que la comparación de velocidad se realizó en diferentes equipos: la red neuronal se ejecutó en un servidor Nvidia DGX GB300, mientras que Chromobius se ejecutó en un procesador Grace Neoverse-V2. Por lo tanto, la aceleración de 7,3 veces refleja no solo la diferencia en los algoritmos, sino también la ventaja de usar GPU frente a CPU. No obstante, los autores del estudio señalan que la ventaja de la combinación con Chromobius crece a medida que aumenta la distancia del código.
El marco de trabajo y las recetas de entrenamiento se han publicado en un repositorio abierto bajo la licencia Apache 2.0. Recordemos que esto es una continuación de la estrategia de Nvidia: en abril, la compañía ya presentó la familia de modelos abiertos Ising, que incluye herramientas para la calibración de procesadores cuánticos.
Opinión del analista: La apertura del código de este pre-decodificador es un movimiento estratégicamente acertado. Nvidia no solo demuestra la tecnología, sino que proporciona a la comunidad una herramienta para acelerar la investigación. Sin embargo, el desafío clave sigue siendo la integración de dichas soluciones en sistemas cuánticos reales, no simulados. Si los resultados se confirman en la práctica, esto podría acelerar drásticamente la aparición de computadoras cuánticas tolerantes a fallos, que, recordemos, IBM promete crear ya para 2029.