Un nuevo estudio ha demostrado una técnica para mitigar errores en computadoras cuánticas utilizando surrogados de aprendizaje clásico. Este método, publicado en Nature, aborda uno de los mayores desafíos en la computación cuántica: la fragilidad de los cúbits y su susceptibilidad a la decoherencia y otros errores. La mitigación de errores es crucial para extraer resultados fiables de los procesadores cuánticos actuales, que aún no alcanzan la tolerancia a fallos completa.

La técnica se basa en entrenar modelos clásicos para predecir el comportamiento de los circuitos cuánticos bajo diferentes regímenes de error. Al utilizar estos modelos surrogados, los investigadores pueden reducir significativamente el número de ejecuciones cuánticas necesarias para caracterizar y corregir los errores. Esto es particularmente valioso en la era de los dispositivos cuánticos ruidosos de escala intermedia (NISQ), donde cada operación cuántica es costosa en tiempo y recursos.

Los resultados muestran que este enfoque de aprendizaje clásico puede mejorar la precisión de los cálculos cuánticos con una eficiencia de muestreo considerablemente mayor que los métodos de mitigación de errores tradicionales. La capacidad de obtener resultados más precisos con menos recursos computacionales cuánticos representa un paso importante hacia la realización de aplicaciones cuánticas prácticas y la exploración de problemas complejos que están más allá del alcance de las supercomputadoras clásicas.