IBM lanza Qiskit Machine Learning, un módulo para añadir computación cuántica al machine learning

IBM ha anunciado la disponibilidad de Qiskit Machine Learning, un nuevo módulo que forma parte parte de su kit de desarrollo de software cuántico open source, Qiskit, con el que los desarrolladores pueden aprovechar las capacidades de los ordenadores cuánticos para mejorar la calidad de sus modelos de machine learning.

Qiskit Machine Learnig, ya disponible y con los bloques necesarios para llevar modelos de machine learning al espacio cuántico incluidos, hará posible que los investigadores y desarrolladores que quieran asegurarse de que su software se desarrolla con el mejor modelo posible puedan hacerlo. Esto implica la expansión de la cantidad de los datos de entrenamiento, que asimismo deben ser de la mayor calidad posible. Esto también lleva, en condiciones convencionales, a que se alargue el tiempo de entrenamiento de los modelos, y a un incremento de los costes. Pero con la computación cuántica no tiene por qué ser así.

En efecto, la delegación de algunas partes del proceso a un ordenador cuántico podría solucionar los problemas que ocasiona la mejora de los modelos, así como su mayor tiempo de entrenamiento. Todo gracias a que este tipo de equipos acelera el tiempo que lleva entrenar o evaluar un modelo de machine learning, además de aumentar en gran medida lo que se conoce como el espacio de funciones, esto es, la colección de funciones que se emplean para caracterizar los datos de los que se alimenta el modelo.

Según ha señalado el equipo de aplicaciones de Qiskit, «la computación cuántica ofrece otro camino potencial para aumentar el poder de los modelos de machine learning, y la literatura correspondiente está creciendo a un ritmo increíble. El aprendizaje de máquinas cuánticas propone nuevos tipos de modelos que aprovechan las capacidades únicas de los ordenadores cuánticos para, por ejemplo, trabajar en espacios de funciones exponencialmente de mayores dimensiones y mejorar así la precisión de los  modelos. El uso de modelos de machine learning de mecánicas cuántica y clásicos permite a los investigadores comprender mejor  la química y la físicas cuánticas, abriendo muchas aplicaciones y direcciones de investigación nuevas«.

Incluso en el caso de los desarrolladores de machine learning más expertos, dar el salto al mundo cuántico puede resultar complicado. Por eso el grupo de Qiskit ha desarrollado este nuevo módulo, con el objetivo de que el diseño del programa permita a los desarrolladores prototipar un modelo incluso aunque no tengan conocimiento experto de la computación cuántica.

Uno de los elementos dispuestos para ello en este módulo es QuantumKernel, una herramienta que computa matrices de kernel para un conjunto de datos determinado en un framework cuántico. Este es le primer paso hacia el mapeo de datos en un espacio físico con un espacio de funciones exponencialmente mayor, que puede proporcionar un entrenamiento más preciso para modelos de machine learning. Además, el módulo también tiene multitud de implementaciones de redes neuronales cuánticas, así como algoritmos de aprendizaje para entrenarlas y utilizarlas, con el fin de que los desarrolladores puedan desarrollar y probar sus propias redes.

Además, Qiskit Machine Learning permite a sus usuarios integrar sus redes neuronales cuánticas directamente en la librería de machine learning open source PyTorch. Y una vez que los desarrolladores han desarrollado un modelo de aprendizaje cuántico en Quiskit, podrán probar el algoritmo en ordenadores convencionales, y también en los sistemas cuánticos basados en la nube de IBM.