Las redes neuronales son una técnica de inteligencia artificial que imita el comportamiento del cerebro humano. Las neuronas (o perceptrones) están conectadas entre sí, conformando una red (de ahí el nombre de red neuronal). Gracias a estas conexiones la información recibida se transmite de una neurona a otra, pudiendo así procesar los datos recibidos. Sin embargo, tal y como se escucha siempre, “no todo se aprende a la primera”. Esto quiere decir que tendrás que practicar, prueba y error, hasta que consigas mejorar la habilidad que deseas. Pongamos el ejemplo de querer aprender a hacer tiro con arco. Tu objetivo será dar en el centro de la diana. La primera vez que lo intentes lo más probable será que la flecha se clave en un punto alejado del blanco (o que directamente ni siquiera hayas conseguido que la flecha se clave en el tablón). La segunda vez, ya te habrás familiarizado con cómo sujetar el arco y podrás lanzar la flecha con mayor precisión. A continuación, te darás cuenta de que si colocas el brazo de cierta manera, puedes calibrar la dirección en la que saldrá disparada la flecha. Y lo intentarás tantas veces como sea necesario hasta conseguir tu objetivo. Las redes neuronales se basan en este proceso de aprendizaje.

Cuando una persona aprende una nueva habilidad, tiene que practicar una y otra vez, haciendo cambios adecuados en cada intento. Podemos entender un modelo de redes neuronales como que cada neurona tiene algún cambio posible para hacer. Si usamos el ejemplo del tiro con arco, podemos decir que una neurona es responsable de ajustar el ángulo de tiro, otra de la posición del brazo, otra de cuándo soltar los dedos… ajustando cada posible cambio de las neuronas, podremos conseguir finalmente la acción que nos haga dar en el blanco. Es por esto por lo que se dice que se está “entrenando” el modelo. Esto se hace con técnicas matemáticas que están fuera del alcance de este artículo, pero es importante quedarse con la idea general: el modelo de redes neuronales puede ajustar ciertos cambios para obtener el resultado deseado. Al igual que con los humanos, una vez hayas aprendido a lanzar bien una flecha, cuando vuelvas a intentarlo lo harás mejor que la primera vez, porque ya has entrenado. Con los modelos de redes neuronales sucede lo mismo, una vez entrenado el modelo, cuando se le den nuevos datos, el modelo sabrá qué hacer con ellos.

¿En qué ámbitos podemos usar las redes neuronales? Hay distintos tipos, cada uno adecuado para ciertas tareas. Las áreas de aplicación son muy diversas, desde detección de imágenes mediante cámaras, hasta encontrar predicción de valores basándose en datos anteriores. En el caso de Global Data Quantum, usamos redes neuronales para la predicción de llenados de contenedores de basura. Tenemos datos sobre la recogida de contenedores de Bizkaia. Usando esos datos y redes neuronales, se consigue predecir cuándo se va a llenar un contenedor. Por lo tanto, si durante la recogida de residuos se sabe que hay contenedores vacíos, la ruta del camión no pasará por esos contenedores, pudiendo así ahorrar tiempo y combustible durante la ruta de recogida.

Hasta ahora, hemos explicado más o menos en qué consisten las redes neuronales y sus aplicaciones, pero ¿dónde entra lo cuántico en todo esto? La computación cuántica es un campo del que se habla mucho en las últimas décadas. Se hablan maravillas sobre esta nueva tecnología, pero la realidad es que los ordenadores cuánticos no sustituirán a los ordenadores convencionales que conocemos todos (a los cuales nos referiremos como ordenadores clásicos). La computación cuántica complementará a la computación clásica, pudiendo así mejorar su rendimiento en problemas demasiado complicados para los ordenadores clásicos actuales. Es en este punto en el que surge la técnica conocida como quantum machine learning, que es una extensión del machine learning usando la computación cuántica. Gracias a esto, podemos introducir ahora el concepto de redes neuronales cuánticas, que es uno de los proyectos en los que, como Quantum Data Scientist, estoy involucrada en Global Data Quantum. Tal y como se ha mencionado previamente, usamos redes neuronales para predecir el llenado de los contenedores de basuras y así poder optimizar la ruta de recogida, pero ahora vamos a intentar combinar técnicas clásicas con computación cuántica.

¿Qué diferencia hay entre una red neuronal clásica y una red neuronal cuántica? Hay que aclarar que, a día de hoy, las redes neuronales cuánticas no son puramente cuánticas. Esto significa que usamos algoritmos híbridos, es decir, una combinación de técnicas de computación clásica con técnicas de computación cuántica. Así como hemos mencionado antes, cuando aprendemos una nueva habilidad vamos haciendo ciertos cambios hasta conseguir el objetivo deseado; las redes neuronales cuánticas también van haciendo cambios hasta conseguir el objetivo adecuado. La diferencia es que ahora tenemos que programar nuestra red neuronal para que pueda implementarse en un ordenador cuántico. Esto se consigue mediante circuitos cuánticos, que son una aproximación a la computación cuántica. La computación cuántica consiste en hacer computación (como su nombre indica) aprovechando fenómenos de la física cuántica, como la superposición y el entrelazamiento. La superposición significa que un objeto puede estar en más de un estado a la vez (o tomar más de un valor a la vez). El entrelazamiento indica que, aunque separemos un sistema de uno o más objetos, lo que le suceda a uno le sucederá al otro, a pesar de estar separados espacialmente. Este tipo de fenómenos puede reproducirse mediante diferentes técnicas, pero los ordenadores cuánticos de IBM, en los cuales nosotros podemos correr nuestros programas, usan circuitos cuánticos, así que explicaremos cómo implementamos nuestras redes neuronales cuánticas en Global Data Quantum

Las redes neuronales cuánticas consisten por lo tanto en un circuito cuántico. Concretamente, un circuito cuántico variacional. La palabra variacional nos indica que el circuito tiene elementos que pueden variar su valor, al que llamaremos parámetro. El circuito cuántico tiene elementos cuyo valor puede variar, de la misma manera que nosotros hacemos cambios para mejorar nuestra técnica de tiro con arco. Al ser un circuito cuántico, podremos aprovechar los fenómenos de superposición y entrelazamiento para procesar la información más rápido cuando los ordenadores cuánticos sean más sofisticados. El proceso que sigue una red neuronal cuántica es por lo tanto el siguiente: en primer lugar, se introducen los datos y estos son preparados previamente para introducirlos en el circuito cuántico. A continuación, los datos son introducidos en la red neuronal cuántica, que como hemos dicho antes es un circuito cuántico. Este circuito cuántico procesa la información y nos da un resultado. Esta parte del proceso podríamos compararla con el primer intento de practicar tiro con arco. Imagina que has lanzado la flecha y ésta ni siquiera se ha clavado en el tablón. Basándote en el resultado (no has clavado la flecha en el tablón) cambiarás, por ejemplo, el ángulo con el que tiras la flecha. Nuestra red neuronal cuántica hará lo mismo. Basándose en el resultado, ajustará algunos valores del circuito. Este proceso, conocido como optimización de parámetros, se hace de manera clásica, es decir con un ordenador convencional. Una vez has hecho tu primer intento, lo siguiente es repetirlo, a ver si esta vez sale mejor. La red neuronal cuántica hará lo mismo. Repetirá el proceso con los valores cambiados. Obtiene un resultado, lo optimiza. Y repetirá el proceso hasta conseguir el resultado deseado. Al igual que nosotros aprendiendo a hacer tiro con arco, la red neuronal cuántica también “aprende”. La diferencia es que la red neuronal cuántica no tardará meses en aprender su nueva técnica. Así es como estamos trasladando la técnica de red neuronal clásica para predecir el llenado de contenedores a computación cuántica.

En este punto, todavía no se ha conseguido la ventaja cuántica respecto a los ordenadores clásicos, pero es importante seguir investigando en técnicas de computación cuántica. Las aplicaciones de las redes neuronales son muy diversas y es un área en constante desarrollo. Podríamos decir que ahora nuestro objetivo no es aprender a tirar con arco, sino aprender a implementar redes neuronales.