Investigadores han evaluado la posibilidad de obtener una ventaja cuántica en la regresión de procesos gaussianos (GPR), un método fundamental en aprendizaje automático. Han demostrado que, si bien los algoritmos cuánticos pueden ofrecer aceleraciones teóricas en ciertos pasos computacionales, la ventaja global en la GPR es limitada. El estudio subraya que la complejidad de la preparación de datos y la lectura de resultados en sistemas cuánticos actuales mitiga gran parte de los beneficios potenciales, especialmente para problemas de tamaño realista.

La GPR es una técnica no paramétrica utilizada para modelar relaciones complejas entre variables, crucial en campos como la robótica, la bioestadística y la optimización. Su coste computacional escala típicamente con el cubo del número de puntos de datos, lo que la hace intensiva para grandes conjuntos de datos. Los algoritmos cuánticos, como los utilizados para la inversión de matrices o la resolución de sistemas lineales, prometen reducciones significativas en esta complejidad, a menudo a una escala logarítmica o polinómica de menor grado. Sin embargo, este trabajo examina la totalidad del proceso GPR, no solo sus componentes aislados.

El análisis detalla que, aunque un ordenador cuántico podría acelerar la inversión de la matriz de covarianza (un paso clave en GPR), la preparación de los datos de entrada en un estado cuántico adecuado y la extracción de la información de salida (como las predicciones y sus incertidumbres) introducen cuellos de botella. Estos pasos de entrada/salida a menudo requieren un tiempo que escala polinómicamente con el tamaño de los datos, anulando la ventaja algorítmica cuántica en el núcleo del cálculo. Concluyen que, bajo las suposiciones actuales sobre las capacidades de los ordenadores cuánticos, una ventaja cuántica práctica para la GPR no es inminente.

Este estudio es crucial para guiar la investigación en computación cuántica aplicada al aprendizaje automático. Sugiere que, en lugar de buscar aceleraciones directas de algoritmos clásicos, la ventaja cuántica podría encontrarse en problemas donde la preparación y lectura de datos son inherentemente cuánticas o donde se pueden explotar propiedades cuánticas de los datos. También resalta la necesidad de desarrollar hardware cuántico más eficiente y técnicas de codificación/decodificación de información que minimicen la sobrecarga para que la promesa de la computación cuántica en el aprendizaje automático se materialice.