¿Cómo las tecnologías cuánticas van a mejorar el consumo energético de la IA?

La Inteligencia Artificial está revolucionando innumerables industrias, pero su crecimiento exponencial trae consigo un desafío crítico: el alto consumo energético. La IA está teniendo un profundo impacto en la demanda de energía en todo el mundo, tanto en la fase de entrenamiento como durante la ejecución de modelos. Esto está provocando aumentos significativos de las emisiones de CO2, contribuyendo al cambio climático. Por ejemplo, las emisiones de Google han aumentado en un 48% en los últimos años debido al auge de la IA y de sus modelos generativos.  

Si esta tendencia no cambia , la IA podría estar en camino de, para el año 2027, consumir anualmente tanta electricidad como el país de Argentina. ¿Por qué la IA consume tantos recursos? Debido a varios factores, entre ellos, la complejidad y el tamaño de los modelos, la cantidad de datos que requieren para el entrenamiento y los cálculos involucrados en el entrenamiento y la ejecución. 

El entrenamiento de los sistemas de IA se posiciona como la fase más intensa en cuanto al consumo energético. Por ejemplo, GPT-4, uno de los modelos más avanzados de OpenAI, hizo uso de 400 MWh durante su entrenamiento. Esto equivaldría al consumo energético de 40 hogares españoles durante un año completo. Esta cifra supera ampliamente al consumo energético de versiones anteriores. El consumo anual de ChatGPT equivale a 226.82 millones de kWh, lo que se traduce, por ejemplo, en 37.800 vehículos eléctricos que circulen 15.000 kilómetros al año. 

Ante esta problemática, las tecnologías cuánticas emergen como una posible solución para optimizar el consumo energético y hacer que la IA sea más eficiente y sostenible. 

¿Qué son las tecnologías cuánticas? 

La computación, los sensores o la criptografía son algunas de las tecnologías cuánticas. Estas aprovechan principios de la mecánica cuántica para desarrollar sistemas con capacidades muy superiores a las de la computación clásica.  

Los ordenadores cuánticos son una de las aplicaciones más revolucionarias de esta tecnología. A diferencia de las computadoras tradicionales, que almacenan y procesan información mediante bits en código binario (con valores de 0 y 1), los dispositivos cuánticos utilizan cúbits, también conocidos como bits cuánticos. Lo que hace a los cúbits especiales es su capacidad para estar en una superposición de estados, es decir, pueden representar simultáneamente múltiples valores en lugar de limitarse solo a uno. Es como si lanzáramos una moneda al aire, y en lugar de caer en cara o cruz y establecerse un valor definitivo, permanece en un estado indefinido, como si la moneda no aterrizase nunca.  

Además de la superposición cuántica, el entrelazamiento es otro fenómeno clave. Cuando dos o más cúbits se entrelazan, su estado queda intrínsecamente conectado, independientemente de la distancia que los separe. Los cúbits trabajan en conjunto de manera mucho más eficiente que los bits clásicos, facilitando cálculos complejos en menor tiempo. 

La computación cuántica emplea puertas cuánticas para modificar los estados de los bits cuánticos, operando sobre cúbits en superposición y entrelazados permitiendo transformaciones matemáticas más avanzadas y eficientes.  

Pero ¿cómo esto puede aplicarse a la IA para hacerla más eficiente energéticamente? 

Aplicaciones de la computación cuántica en IA 

Para reducir el consumo energético de la IA, hay primero que optimizar la eficiencia de los modelos y posteriormente equilibrarlo con un uso responsable de las fuentes de energía renovables. La computación cuántica está camino de convertirse en una de las claves para reducir este consumo por la manera en la que procesa los datos. Los bits cuánticos permiten procesar enormes cantidades de información con una eficiencia mucho mayor, teniendo implicaciones directas en la eficiencia energética. Pueden realizar cálculos en paralelo de forma más masiva y eficiente que los procesadores clásicos, acelerando tareas que hoy en día requieren una enorme cantidad de recursos computacionales. 

Los modelos cuánticos se perfilan como la solución para permitir el entrenamiento de modelos de IA en una fracción de la energía que requieren los modelos tradicionales. Se podría llegar a reducir este consumo hasta en un 90%, haciendo cálculos de forma mucho más eficiente. Los algoritmos cuánticos, como el Quantum Approximate Optimization Algorithm (QAOA) y el Variational Quantum Eigensolver (VQE), o las más modernas Quantum Neural Networks (QNN), pueden reducir el número de operaciones necesarias para optimizar los modelos de IA. 

Un ordenador cuántico puede resolver ciertos problemas en cuestión de segundos. Este nivel de eficiencia reduce la cantidad de ciclos computacionales necesarios, disminuyendo el consumo energético y la huella de carbono de los centros de datos. 

Así, podríamos ver una reducción radical de la potencia de computación necesaria para entrenar y operar modelos complejos de IA. La computación cuántica puede aumentar el rendimiento de las redes neuronales de IA para tareas como el procesamiento del lenguaje natural y el análisis de imágenes. Además, últimas investigaciones han demostrado que, sobre procesadores cuánticos, las redes neuronales requieren de menos datos para generalizar y conseguir resultados de la misma calidad que en modelos clásicos. Esto significará que el entrenamiento de redes neuronales cuánticas será eficiente no solo en energía (computación) sino también en datos. 

Retos y limitaciones actuales: ¿está lista la cuántica para aplicarse a la IA? 

A pesar de sus ventajas, la computación cuántica se enfrenta a retos y limitaciones bastante significativos.  

• Los cúbits deben operar a temperaturas cercanas al cero absoluto (-273ºC) y son extremadamente sensibles a cualquier perturbación, lo que puede ocasionar errores en cascada. El calor o el ruido electromagnético pueden provocar la pérdida de coherencia cuántica y hacer que los cúbits pierdan su estado de superposición o entrelazamiento. 

• Actualmente, los cúbits suelen mantener su estado cuántico únicamente por fracciones de segundo antes de ser alterados por factores externos. Para aplicaciones prácticas de IA, se necesitan tiempos de coherencia más largos. 

• En los sistemas cuánticos, a diferencia de la computación clásica en la que los errores pueden corregirse fácilmente, la detección y corrección de errores es extremadamente difícil debido a la fragilidad de los bits cuánticos. 

• Los ordenadores cuánticos operan con decenas o cientos de cúbits, pero para que la IA cuántica sea funcional, se requerirán miles o incluso millones de cúbits estables. 

La integración de la computación cuántica en la IA, a pesar de que aún hay mucho camino por delante, es muy prometedora. No solo mejorará la precisión y la velocidad de los modelos, sino que también reducirá drásticamente el consumo energético de los sistemas actuales. 

Computación cuántica en ARQUIMEA 

ARQUIMEA Research Center tiene un orbital dedicado a la investigación de tecnologías cuánticas q.ue incluye, por ejemplo, un proyecto de investigación centrado en avanzar el estado del arte científico en la formulación de redes neuronales profundas frugales sobre procesadores cuánticos. 

 

Nuestro compromiso es contribuir al desarrollo de estas tecnologías emergentes, ayudando a sentar las bases para su futura integración en aplicaciones reales. Creemos que, a medida que la computación cuántica avance, abrirá nuevas posibilidades para la IA y otras disciplinas, transformando la forma en que resolvemos problemas complejos a nivel global. 

Además, todos los proyectos de ARQUIMEA Research Center pertenecen a los proyectos de QCIRCLE, financiado por la Unión Europea con la finalidad de crear un centro de excelencia científica en España.