Transiciones dinámicas de fase en Reservoir Computing cuántico

La información puede ser procesada por sistemas físicos, químicos y biológicos, siendo nuestro cerebro un ejemplo paradigmático de ello. En este contexto, el Reservoir Computing cuántico es un enfoque prometedor en los campos de los sistemas complejos y las redes neuronales artificiales. El Reservoir Computing se caracteriza por un entrenamiento rápido y fácil, con aplicaciones tan útiles como el procesamiento de series temporales y la predicción. Por otro lado, los sistemas complejos pueden almacenar memoria y pueden utilizarse para procesar de forma no lineal la información de entrada, pero entender qué es lo esencial para un buen procesador de Reservoir Computing es clave para lograr implementaciones experimentales.

Un equipo de investigadores del Instituto de Física Interdisciplinar y de Sistemas Complejos (IFISC, UIB-CSIC) ha publicado un artículo en Physical Review Letters en el que analizan qué propiedades dinámicas naturales de una red cuántica de qubits (bits de información cuántica) determinan su capacidad para actuar como un Reservoir Computer.

El artículo muestra la importancia de sintonizar el reservorio al inicio de la termalización, lo que puede lograrse fácilmente controlando la intensidad del campo magnético aplicado. Para ello, los investigadores identificaron los diferentes regímenes de respuesta que ofrece el modelo, pudiendo realizar transiciones de fase dinámicas de uno a otro mediante cambios del grado de desorden y de la fuerza del campo magnético transversal. De hecho, una red compleja de qubits puede considerarse como un sistema de muchos cuerpos que puede termalizarse o mostrar una many-body localization. Este trabajo tiende un puente entre el contexto de las fases dinámicas cuánticas y la computación neuromórfica, cómo estos fenómenos juegan un papel en las aplicaciones e implementaciones del Reservoir Computing como en los experimentos con iones. Un análisis extensivo muestra que la termalización es una característica esencial para un sistema de Reservoir Computing. Los investigadores también comprobaron que estar en el borde de la transición dinámica puede ser beneficioso para el modelo, mientras que la localización dificulta el procesamiento y la difusión de la información dentro del sistema físico.

Caracterizar los mecanismos físicos subyacentes a la capacidad de procesamiento de información óptica de las redes de espín es esencial para futuras implementaciones experimentales y proporciona una nueva perspectiva sobre las fases dinámicas.

Martínez Peña, Rodrigo; Giorgi, Gian Luca; Nokkala, Johannes; Soriano, Miguel C.; Zambrini, Roberta. Physical Review Letters 127, 100502 (1-7). https://doi.org/10.1103/PhysRevLett.127.100502