\n<\/p>\n
Las simulaciones de una computadora cu\u00e1ntica hecha de seis \u00e1tomos de rubidio sugieren que podr\u00eda ejecutar un algoritmo neuronal simple que puede aprender a recordar y tomar decisiones simples.<\/p>\n
<\/p>\n
Una computadora cu\u00e1ntica construida a partir de \u00e1tomos gigantes, controlada por luz l\u00e1ser, podr\u00eda ser suficiente para imitar algunas funciones del cerebro, como la memoria y la toma de decisiones.<\/p>\n
f\u00edsico Rodrigo Araiza Bravoc<\/a> de la Universidad de Harvard y sus colegas han demostrado con simulaciones por computadora<\/a> que se puede construir un nuevo tipo de computadora cu\u00e1ntica a partir de \u00e1tomos de rubidio Rydberg. Dichos \u00e1tomos tienen un gran di\u00e1metro porque algunos de sus electrones orbitan alrededor del n\u00facleo a grandes distancias. Son muy sensibles a la luz, por lo que pueden controlarse con precisi\u00f3n con l\u00e1seres.<\/p>\n \t\t\tLEA TAMBI\u00c9N Los investigadores encontraron en las simulaciones que los l\u00e1seres podr\u00edan hacer que seis \u00e1tomos de Rydberg funcionen como una red neuronal, un algoritmo artificialmente inteligente que imita las neuronas y las conexiones en el cerebro. En esta computadora cu\u00e1ntica te\u00f3rica, los estados cu\u00e1nticos del electr\u00f3n m\u00e1s externo en un \u00e1tomo de Rydberg corresponden a los estados de una neurona en el cerebro, por ejemplo, si la neurona est\u00e1 activa o inactiva.<\/p>\n El equipo demostr\u00f3 que la computadora cu\u00e1ntica podr\u00eda exhibir memoria y toma de decisiones b\u00e1sicas. Para tomar decisiones, el equipo expuso \u00e1tomos en la simulaci\u00f3n a dos pulsos de l\u00e1ser diferentes, y se entren\u00f3 a la red neuronal para elegir qu\u00e9 pulso era m\u00e1s fuerte. Esto est\u00e1 inspirado en una tarea en la que monos entrenados observan un patr\u00f3n de puntos que se mueven en dos direcciones diferentes y luego indican qu\u00e9 direcci\u00f3n incluye m\u00e1s puntos.<\/p>\n Para la memoria, los investigadores repitieron la tarea de decisi\u00f3n, pero con un retraso de una d\u00e9cima de microsegundo entre los dos l\u00e1seres. Esto significaba que para elegir entre los dos, la computadora cu\u00e1ntica simulada ten\u00eda que aprender a recordar el primer pulso hasta que viera el segundo.<\/p>\n Bravo quiere explorar los beneficios de combinar aprendizaje autom\u00e1tico<\/em> con peque\u00f1as computadoras cu\u00e1nticas. Es realista considerar la creaci\u00f3n de una red neuronal con unos pocos \u00e1tomos de Rydberg, dice, porque ahora las computadoras cu\u00e1nticas disponibles tambi\u00e9n son peque\u00f1as.<\/p>\n En sistemas cu\u00e1nticos como estos, las redes neuronales son m\u00e1s complejas que en las computadoras cl\u00e1sicas, por lo que pueden realizar tareas m\u00e1s complicadas en menos tiempo o en una escala m\u00e1s peque\u00f1a, dice roberta zambrinic<\/a> de la Universidad de las Islas Baleares en Espa\u00f1a.<\/p>\n “El cerebro es el mejor sistema que vemos a nuestro alrededor en t\u00e9rminos de capacidad de procesamiento y consumo de energ\u00eda”, dice Zambrini. “Si intenta imitar las funciones del cerebro con sistemas artificiales, es posible que pueda desempe\u00f1arse mejor que con otros enfoques”.<\/p>\n El equipo de Bravo ahora est\u00e1 trabajando en la construcci\u00f3n de la computadora cu\u00e1ntica simulada y en versiones con m\u00e1s \u00e1tomos.<\/p>\n<\/p><\/div>\n
Bos\u00f3n silencioso de Higgs\n\t\t\t<\/p>\nRed neuronal<\/h2>\n
monos entrenados<\/h2>\n
El cerebro funciona bien<\/h2>\n